GPT-6 제품군 모델 가이드: 세 가지 등급, 추론 강도, 비용 관리

2026년 10월 2일, OpenAI는 스타트업과 개발자를 위한 실무 문서 「GPT-6 제품군 모델 가이드」를 공개했다. 이 가이드는 새로운 모델을 발표하는 글이 아니다. 이미 판매 중인 모델 라인업을 팀이 그대로 따라 할 수 있는 엔지니어링 방법론으로 정리한 글이다. 출발점은 분명하다. GPT-6은 하나의 모델이 아니라 용도에 따라 고르는 모델 묶음이라는 것이다. 구성은 세 가지다. GPT-6 Astra는 가장 지능이 높은 모델로, 입력 100만 토큰당 10달러, 출력 50달러, 캐시된 입력 1달러다. GPT-6.1 Sol은 Astra에 가까운 지능을 5분의 1 가격에 제공하며, 입력 2달러, 출력 10달러, 캐시 입력 0.10달러다. GPT-6 Luna는 대규모 일상 업무를 위한 빠르고 효율적인 모델로, 입력 0.10달러, 출력 0.50달러, 캐시 입력 0.01달러다. 가격 차이는 크다. Luna의 입력 가격은 Astra의 100분의 1에 불과하다. 따라서 모델 선택은 더 이상 가장 강한 모델을 쓰면 된다는 문제가 아니라, 팀이 의도적으로 내려야 하는 예산 결정이 된다.

가이드의 첫 번째 부분은 운영 환경에서 안정적으로 돌리는 방법이다. 핵심 조언은 무엇보다 컨텍스트를 먼저 관리하라는 것이다. 작업에 필요 없는 컨텍스트는 잘라내되, 필요한 근거는 남겨 둔다. 서로 관련 없는 작업은 함께 실행해서 느린 단계 하나가 다른 작업을 막지 않게 한다. 반복되는 작업은 프롬프트 캐싱으로 공유 컨텍스트를 재사용한다. OpenAI에 따르면 캐시된 입력 토큰은 모델에 따라 캐시되지 않은 입력 토큰보다 최대 95% 저렴하다. 가격표도 이를 뒷받침한다. Sol의 캐시 가격 0.10달러는 일반 입력 가격의 정확히 20분의 1이다. 이 할인을 받으려면 변하지 않는 지시문과 참고 자료를 앞에 두고, 매번 달라지는 작업 세부 사항을 뒤에 두어야 한다. 도구 정의도 호출마다 일관되게 유지해야 한다. 캐시 대시보드와 진단 가이드는 재사용이 어디서 끊기는지 보여 준다. 전체 워크플로의 비용을 추정할 때는 캐시 쓰기와 긴 컨텍스트 요율도 포함해야 한다. 대화가 길어지면 압축을 통해 이어 가는 데 필요한 상태를 보존하면서 컨텍스트 크기를 줄일 수 있다. 배포 전에는 대표적인 작업을 실행해 작업 성공률, 지연 시간, 성공한 작업당 비용을 측정해야 한다. 마지막 지표가 특히 중요하다. 호출 한 번이 싸다고 해서 워크플로가 싼 것은 아니다. 세 번 시도해야 끝나는 저렴한 모델이, 한 번에 끝내는 비싼 모델보다 실제로는 더 많은 비용이 들 수 있다.

두 번째 부분은 모델을 작업 부하에 맞추는 방법이며, 가이드는 이를 지능과 가격 사이의 절충으로 설명한다. Astra는 최대한의 지능이 필요한 가장 어려운 추론 작업에 쓴다. Sol은 복잡한 코딩, 리서치, 컴퓨터 사용에 알맞다. Luna는 송장 항목 추출, 요청 분류, 구조화된 요약처럼 목표가 분명하고 반복되는 집중 작업에 적합하다. 모델 외에도 API에서는 추론 강도를 고를 수 있다. 낮음은 사실 추출이나 작은 수정 같은 일상 작업에 맞다. 중간은 기능 계획이나 선택지 비교처럼 판단이 필요한 작업에 맞다. 높음은 어려운 디버깅, 깊은 분석, 신중한 검토에 쓴다. 더 높은 단계인 매우 높음이나 최대는 지원되는 경우에 한해 높음으로 부족할 때만 시험하고, 개선 폭이 추가 시간과 비용을 정당화할 때만 유지해야 한다. API에서는 캐시를 깨지 않고 대화 도중에 추론 강도를 바꿀 수 있다. Codex에서는 해당 모델의 기본 강도로 시작해, 단순한 작업에서는 낮추고 깊은 분석에서는 높이라고 권한다. 채팅 앱이나 코딩 도구처럼 응답 시간이 중요한 곳에서는 API가 빠른 모드도 제공한다. 모델, 강도, 속도라는 세 개의 조절 장치 덕분에 팀은 제품군 단위가 아니라 작업 단위로 비용을 설계할 수 있다.

세 번째 부분은 프롬프트와 스킬이다. 가이드는 모델에게 명확한 과제를 주고 원하는 출력을 정의하라고 요구한다. 프롬프트, 스킬, 저장소 지침은 무엇을 납품해야 하는지, 무엇을 스스로 해도 되는지, 무엇이 완료인지에 대해 서로 일치해야 한다. 평범하게 들리지만 에이전트형 워크플로에서 가장 흔한 실패 원인 가운데 하나다. 저장소 지침은 자유롭게 수정해도 된다고 하는데 프롬프트는 먼저 물어보라고 하면, 모델은 두 지시 사이에서 흔들린다. 완료 조건을 검증 가능한 형태로 쓰면 너무 일찍 멈추거나 끝없이 다듬는 경향도 줄어든다.

네 번째 부분은 오래 걸리는 작업이다. OpenAI는 작업 도중의 업데이트와 독립적인 하위 작업을 다루기 위해 조향, 비동기 도구, 위임을 쓰라고 권한다. 또한 모델이 언제 멈추고 사람에게 물어야 하는지 명확한 경계를 정하라고 요구한다. 긴 작업에서는 이 경계가 순수한 지능보다 더 중요하다. 물어야 할 때 독단으로 움직이는 에이전트의 대가는 질문 하나를 더 하는 비용보다 훨씬 크기 때문이다. Codex에 대해서는 컴퓨터 사용 기능도 언급한다. 사람이 손으로 하던 단계를 모델이 더 많이 맡을 수 있게 해 준다. 글의 끝에는 GPT-6 Astra로 테스트에서 운영으로 넘어간 팀들의 사례도 소개되어 있다.

이 가이드의 가치는 새로운 기능보다 비용 관리를 제품 설계의 일부로 만들었다는 데 있다. 지금까지 팀들은 가장 강한 모델을 먼저 고른 뒤 절감 방법을 찾는 경우가 많았다. OpenAI가 제시하는 순서는 그 반대다. 먼저 작업과 성공 기준을 정한다. 다음으로 그 기준을 충족하는 가장 저렴한 모델과 강도를 고른다. 마지막으로 캐싱, 압축, 병렬 처리로 청구액을 낮춘다. 스타트업에게는 평가 세트와 성공한 작업당 비용이 일상적인 지표가 되어야 한다는 뜻이다. 계층화된 모델과 조절 가능한 추론 강도는 업계의 기본 방식이 될 가능성이 크고, 경쟁의 초점도 단일 벤치마크 점수에서 전체 워크플로의 신뢰성과 단위 경제성으로 옮겨 갈 것이다.