OpenAI GPT-5.6 출시 정리 — Sol·Terra·Luna 세 사이즈로 달라진 점

1.공개된 세 가지 모델 — Sol, Terra, Luna

2026년 7월 9일, OpenAI가 차세대 대규모 언어 모델을 공개했습니다.
단일 모델이 아니라 세 가지 사이즈 패밀리로 출시된 이번 라인업은 사용자가 자신의 작업에 맞춰 성능과 비용을 직접 골라 쓸 수 있도록 설계됐습니다.
한때 '가장 똑똑한 모델은 하나여야 한다'는 시각이 강했는데, 이번 출시는 시장이 다양한 작업 부하에 맞춰 더 정교한 선택지를 요구하고 있다는 방증이기도 합니다.

 

한국 독자 입장에서도 이번 발표는 의미가 큽니다.
한국어 응답의 자연스러움이 한 단계 더 올라갔고, 의료·법률·프로그래밍 같은 전문 영역의 추론도 강화됐습니다.
일반 사용자가 ChatGPT 화면에서 바로 만날 수 있는 모델과, 개발자가 API로 호출하는 모델이 모두 같은 세대 패밀리 안에서 정렬됐다는 점도 눈에 띕니다.

또한 이번 버전은 출시 직전까지 한 달간 사전 승인 단계가 있었는데, 그만큼 모델이 강력한 capability를 갖추게 됐다는 의미도 됩니다.

 

이번에 함께 공개된 모델은 무엇보다 세 가지 사이즈로 나뉩니다.
단순히 작은 모델과 큰 모델을 함께 내놓은 게 아니라, 각각 다른 작업 부하에 초점을 맞춘 별개의 포지션입니다.
이번 발표에서 가장 자주 인용되는 비교 기준은 단순한 크기가 아니라, 가격이 1M 토큰 입력당 1달러에서 5달러 사이로 분포한다는 점입니다.

 

Sol은 이번 라인의 플래그십입니다.
추론과 코딩에서 가장 높은 능력을 보여주도록 설계됐고, 복잡한 다단계 사고가 필요한 작업에서 다른 두 모델을 앞서도록 학습됐습니다. Sol은 기존에 학습 부하가 큰 작업에서 자주 쓰이던 상위 모델의 자리를 이어받습니다.
자동 코딩과 다단계 데이터 분석처럼 비용보다 정확도가 우선인 작업에서 우선적으로 선택되는 모델입니다.

Terra는 가장 균형 잡힌 선택지입니다.

능력과 비용 사이에서 절충점을 찾는 사용자를 대상으로 하며, 일반적인 사무·연구·개발 작업에서 충분한 성능을 보여줍니다.

가격은 Sol의 절반 수준이고, 능력은 Sol에 조금 못 미치는 정도라 비용 효율을 중시하는 팀이 자주 고를 것으로 보입니다.

한 사용자가 여러 작업을 동시에 수행할 때, 중간 규모의 작업 대부분을 Terra 하나로 커버할 수 있다는 점이 매력입니다.

 

Luna는 대량 호출용 경량 모델입니다.
가격이 1M 토큰 입력당 1달러, 출력 6달러 수준으로 책정돼 고부하 서비스나 단순 분류·요약 같은 작업에 맞습니다.
단순한 자동화나 대량 텍스트 처리를 맡길 때 비용을 크게 낮출 수 있습니다.

분류·요약·다국어 번역처럼 단순 작업이 한꺼번에 흘러가는 파이프라인에서 강점이 큽니다.

세 모델 모두 128K 토큰이라는 동일한 컨텍스트 윈도우를 갖습니다.

이번 출시에서는 컨텍스트 길이보다 응답 속도와 추론 정확도에 무게를 둔 변화로 해석됩니다.
입력과 출력 모두 같은 컨텍스트 안에서 다루기 때문에, 작업 도중 모델을 바꾸더라도 코드 베이스나 문서 컨텍스트가 그대로 유지된다는 장점이 있습니다.

 

다만 128K 토큰이 모든 작업에 충분한 것은 아닙니다.
여러 백 페이지 분량의 책 전체를 한 번에 다루는 작업이나 수십 개 파일을 동시에 분석하는 작업처럼 매우 긴 컨텍스트가 필요한 경우는 여전히 더 큰 컨텍스트를 표방하는 다른 제품이 더 적합합니다.

이번 세대의 목표는 '긴 메모리'가 아니라 '빨리 깊은 사고를 끝내는 것'이라는 점을 기억하면 모델 선택이 쉬워집니다.
따라서 사용자는 자신의 작업 패턴을 먼저 살펴보고, 긴 문서 보존이 필요한지 빠른 응답과 깊은 추론이 필요한지를 구분해 모델을 고르는 것이 좋습니다.

 

2.가장 눈에 띄는 변화 — 추론 능력과 코딩 효율의 점프

이번 시리즈에서 가장 자주 거론되는 변화는 두 가지입니다.
하나는 추론 능력의 큰 폭 향상이고, 다른 하나는 에이전트형 코딩에서 토큰을 훨씬 효율적으로 쓴다는 점입니다.

 

의료 추론에서 가장 큰 폭의 점프가 보고됐습니다.
직전 세대 대비 의료 응답의 정확도가 길이 보정 점수로 8점 이상 상승한 수치는 수직적인 도약이라고 해도 과언이 아닙니다.

응답 길이는 오히려 짧아졌는데, 같은 점수를 더 적은 말로 얻었다는 뜻이므로 의료 현장에서 활용할 때 검토에 들어가는 시간이 짧아질 가능성이 있습니다.

다만 의료 결과물은 항상 전문가의 추가 검토가 필요하다는 점은 변하지 않습니다.

에이전트형 코딩에서도 토큰 효율이 대폭 개선됐습니다.

자동 코딩 보조에서 이전 세대 대비 절반 가까운 토큰으로 같은 결과를 만든다는 평가가 회사 측에서 직접 나왔습니다.
그 결과 한 번의 작업에 드는 비용이 줄어들고, 같은 예산으로 더 많은 작업을 자동화할 수 있게 됩니다.
이 수치는 단순 작업뿐 아니라 다단계 에이전트 워크플로우에서도 일관되게 나타났습니다.

추가로 사이버보안 분야에서도 도약이 있었습니다.

영국 AI Safety Institute가 진행한 모의 침투 평가에서 응답률이 85%에서 95%로 올라갔고, 32단계짜리 장기 침투 시나리오에서도 성공률이 두 자릿수까지 올라가 모델이 다단계를 견디는 힘이 늘었음을 시사합니다.
보안 전문가 입장에서는 모델이 시간이 지날수록 정교해지는 공격 패턴을 더 잘 분석해준다는 점이 눈에 띕니다.

 

3. Cerebras 가속기 — 토큰당 750의 의미

이번 출시에 함께 묶인 또 하나의 키워드가 Cerebras 가속기입니다.
모델이 Cerebras Inference 엔진 위에서 동작하면서 1초당 750 토큰 수준으로 응답을 생성할 수 있게 됐습니다.
수치 자체가 경쟁 모델의 수십 배 수준이라 사용자가 체감하는 응답 지연이 거의 사라집니다.

다만 이 속도는 출시 초기에는 용량 제한이 걸려 있습니다.

누구나 동시에 750 토큰/초를 누릴 수 있는 것은 아니라는 뜻이므로, 안정적인 응답 속도를 보장받으려면 우선 제공 단계의 사업자 계정을 이용해야 할 가능성이 큽니다.

속도가 빨라지면 진짜로 달라지는 것은 무엇보다 에이전트 워크플로우입니다.

자동 코딩이나 자동 데이터 분석처럼 다단계 작업은 그동안 추론 시간 때문에 답답하게 느껴지는 경우가 많았는데, 이번 세대는 응답이 거의 즉시 나오기 때문에 사용자와 모델이 한 화면 안에서 빠르게 주고받으며 협업할 수 있게 됩니다.

응답이 빨라진 만큼 사용자가 입력하는 사소한 의도와 모델의 미세 조정이 그 자리에서 바로 이뤄지므로, 작업의 완성도가 단계적으로 개선된다는 점이 새로운 변화입니다.

 

특히 자동 코딩 파이프라인에서는 한 화면 안에서 결과를 두고 사용자가 방향을 수정하고 모델이 다시 작업하는 식의 순환이 자주 일어나는데, 응답이 빨라진 만큼 이 순환이 무겁지 않게 진행됩니다.

결과적으로 사용자 입장에서는 자동 코딩 작업을 시작하기까지의 심리적 진입 장벽이 낮아지고, 더 자주 활용해 보려는 시도가 늘어나는 효과가 생깁니다.

 

다만 안정적인 응답 속도를 보장받으려면 우선 제공 단계의 사업자 계정을 이용해야 할 가능성이 큽니다.
정식 일반 출시 직후 일정 기간은 용량 제한이 걸려 일반 사용자 일부가 빠른 응답을 체감하지 못할 수 있다는 의미입니다.

출시가 안정 궤도에 들어선 뒤에는 점차 일반 사용자도 750 토큰/초에 가까운 응답을 경험할 수 있을 것으로 보입니다.

 

4.새 사고 모드 — Max와 Ultra의 등장

이번 시리즈에서 추가된 눈에 띄는 기능은 사고 모드의 확장입니다.
단순히 한 단계 더 깊게 생각하는 수준을 넘어서, 모델 스스로 하위 작업을 새로 띄우는 sub-agent 호출이 가능해졌습니다.

다단계 작업이 많을수록 이 확장 모드의 가치는 크게 올라갑니다.

 

Max 모드는 단순히 추론 effort만 올린 것이 아니라, 응답을 만들기까지 모델이 더 오래 그리고 더 깊이 사고하도록 만든 모드입니다.

수학·프로그래밍·연구 분석처럼 정확도가 절대적으로 중요한 작업에서 가성비를 크게 끌어올립니다.
일반 모드였다면 한 번에 답을 만들었을 작업을 Max 모드에서는 모델이 스스로 여러 단계를 거쳐 검증한 뒤 응답하기 때문에, 사용자는 손으로 검증하는 시간을 줄일 수 있습니다.

 

Ultra 모드는 sub-agent spawn을 허용하는 모드입니다.모델이 작업 중간에 스스로 보조 에이전트를 띄워서 병렬로 여러 갈래의 작업을 처리하고 결과를 모은 뒤 사용자에게 통합된 답을 돌려줍니다.

한 사람이 여러 비서를 동시에 부려 일을 나누는 것에 비유할 수 있습니다.
다만 Ultra 모드는 사용자 감독이 반드시 따라야 한다는 점이 강조됐습니다.

모델이 보이지 않는 곳에서 명령을 실행하거나 파일을 다루는 일이 생길 수 있기 때문에, 자동화 수준을 어디까지 허용할지는 작업자가 직접 결정해야 한다는 메시지가 공식 안내에 포함돼 있습니다.

 

Ultra 모드는 일반적인 단순 질문보다 대규모 데이터 분석이나 다단계 보고서 작성처럼 분할 가능한 작업에서 큰 힘을 발휘합니다.

사용자가 한 번에 큰 작업을 모델에 맡기면 모델이 알아서 작업 단위를 나누고, 각 단위를 동시에 처리한 뒤 그 결과를 다시 모아 정리해줍니다.

다만 모델이 만들어내는 결과의 일관성을 사용자가 검증해야 하는 책임도 함께 커지므로, 자동화의 깊이를 어디까지 허용할지에 대한 정책이 사전에 마련돼 있어야 합니다. Ultra를 처음 쓸 때는 작은 작업으로 시작해 점차 큰 작업으로 확장해 나가는 것이 안전한 진입 전략입니다.

 

5.안전 등급과 단계적 출시의 의미

이번 출시에는 단순한 기술 변화만 있는 게 아니었습니다.
생물·화학·사이버 capability 등급이 모두 High로 분류됐고, 그에 맞춰 미국 정부 요청에 따른 사전 단계가 한 달 가까이 이어졌습니다.

자가 개선 capability는 High에 못 미치는 것으로 평가돼 가장 강력한 안전장치 범주에는 들어가지 않았습니다.

 

정식 일반 공개 직전에는 사전 배포 단계가 있었고, 약 20곳의 신뢰 조직이 우선 사용했습니다.
일반 사용자 시점에서 정식 공개 시점을 정확히 짚으려면 시간대 차이가 중요한데, 미국 시간 기준 7월 9일 오전에 정식 발표가 났고 한국 시간으로 다음 날 7월 10일 새벽 2시쯤에 같은 사건이 발생했습니다.

 

한국 독자 입장에서 주목할 점은 정식 모델에서 한국어 지원이 기존 세대보다 매끄럽다는 평가가 많다는 점입니다.
모델이 한국어 문맥을 더 잘 이해하면서도 응답 길이가 짧아진 것은 정보 전달의 효율 측면에서 반가운 변화입니다.
다만 그 어떤 모델도 출력 결과에 대한 최종 검토를 사용자가 생략해도 안전하다는 뜻은 아니라는 점을 잊지 말아야 합니다.

 

한국어 환경에서 자주 활용되는 작업 몇 가지를 굳이 꼽자면 다음의 세 가지입니다.
첫째는 한국어 계약서·약관·연구 요약 같은 법률·행정 텍스트를 짧게 정리하는 작업입니다.
둘째는 한국어 웹 문서나 한국어 코드 주석을 함께 다뤄야 하는 자동 코딩 작업입니다.

셋째는 한국어 고객 응대나 한국어 마케팅 카피처럼 톤과 길이가 중요한 한국어 글쓰기 작업입니다.
이 세 가지 영역 모두에서 자연스러운 한국어 응답이 가능하다고 평가받으며, 작업 도중 영어 문서를 함께 다루더라도 한국어 응답을 유지할 수 있습니다.

한국어 패치 노트를 작성하면서도 영어 시스템 문서는 그대로 참조하는 식의 다국어 협업 워크플로우에서 특히 매끄러운 사용감을 기대할 수 있습니다.

 

6.자주 묻는 변화 한 줄 정리

가격은 직전 세대 같은 등급의 모델과 동일하게 책정됐습니다. Sol이 입력 100만 토큰당 5달러, 출력 30달러이고, Terra가 2.5달러와 15달러, Luna가 1달러와 6달러입니다.

가격 인하를 표방한 출시는 아니라는 점을 기억할 필요가 있습니다.
다만 Luna의 낮은 가격은 단순 분류 작업을 다루는 팀에는 비용 측면에서 상당한 여지를 만들어줍니다.

컨텍스트는 세 모델 모두 128K 토큰입니다.

더 긴 컨텍스트를 표방하는 다른 모델과 비교하면 짧아 보이지만, 이번 세대는 컨텍스트 길이보다 응답 속도와 추론 정확도에 무게를 둔 변화로 읽는 게 자연스럽습니다.

한 화면 안에서 작업하기 충분한 컨텍스트 안에서 충분히 빠른 응답을 받겠다는 설계입니다.

 

한국어는 응답이 매끄럽고, 한국 웹 문서와 코드 주석을 더 자연스럽게 다루는 평가가 보고됐습니다.
다만 모델 출력은 항상 검수가 필요하다는 원칙은 그대로입니다.

 

7.일반인이 체감할 변화와 활용법

이번 변화가 일반 사용자에게 어떻게 다가오는지를 다섯 가지로 정리할 수 있습니다.
모두 다음의 다섯 가지입니다.

 

첫째, 응답이 빨라집니다. Cerebras 가속기 효과로 화면에서 응답이 거의 즉시 나타납니다.
사용자가 질문과 답변을 빠르게 주고받으며 작업할 수 있습니다.
한 번에 끝나지 않는 작업도 그 자리에서 추가로 다듬을 수 있습니다.

 

둘째, 한국어 응답이 자연스러워집니다.
의료·법률·프로그래밍 영역에서 한국어 출력이 매끄러워졌고, 응답 길이도 짧아졌습니다.
한국어로 장문의 가이드를 작성하더라도 어색한 번역투가 줄고 자연스러운 한국어 산문체로 나옵니다.

 

셋째, 자동 코딩 작업이 효율적이 됩니다.
같은 작업에 절반 가까운 토큰만 쓰는 효율이 올라, 개발자 비용이 절감되고 더 많은 자동화가 가능해집니다.
다단계 에이전트 워크플로우에서도 일관되게 개선 효과가 유지됩니다.

 

넷째, 사고 모드를 골라 쓸 수 있습니다.
단순한 질문은 일반 모드, 복잡한 문제는 Max, 다단계 작업은 Ultra처럼 모드를 선택해 정확도와 비용을 사용자가 직접 조정할 수 있습니다.

작업의 성격에 맞춰 모드를 바꾸는 것이 일상의 패턴이 될 가능성이 큽니다.

 

다섯째, 사용자가 감독자 역할을 명확히 해야 합니다.

Ultra 모드처럼 모델이 보이지 않는 작업을 스스로 띄우는 경우, 작업자는 무엇을 자동화할지 결정권을 분명히 갖고 있어야 합니다.
자동화의 범위를 어디까지 허용할지는 정책과 보안 가이드로 사전에 정해두는 편이 안전합니다.

 

8.'완벽한 모델'이 아닌 '선택지가 넓어진 세대'

이 세대를 단순히 '모든 면에서 가장 뛰어난 모델'이라고 단정하기는 어렵습니다.
동시에 출시된 세 모델은 서로 다른 영역의 강점을 갖고 있고, 컨텍스트 길이처럼 일부 수치는 다른 모델보다 짧습니다.

다만 그만큼 응답 속도와 추론 정확도, 그리고 자동 코딩 효율은 분명한 도약을 이뤘습니다.

비용을 따져봐도 직전 세대 가격을 그대로 유지한 만큼 '저렴해진 모델'이라고 부르기도 어렵습니다.
다만 같은 가격으로 더 많은 일을 할 수 있다는 점, 그리고 Luna 같은 경량 모델을 통해 고부하 자동화의 문을 새로 열었다는 점에서 의미가 있습니다.

 

결국 이번 출시는 '하나의 모델이 모든 것을 해결한다'는 식의 단일 모델 시대가 아니라, 사용자가 자신의 작업에 맞춰 가장 잘 맞는 모델을 골라 쓰는 시대가 본격적으로 열렸다는 신호입니다.
세 가지 사이즈, 빠른 응답, 더 깊은 사고 모드, 그리고 무엇보다 사용자의 명확한 감독이 결합될 때 가장 큰 효과를 거둘 수 있습니다.

 

마지막으로 한 가지 운영 팁을 더하자면, 새로운 모델이 등장했을 때 가장 먼저 할 일은 익숙한 단순 질문을 던져서 응답 톤과 길이를 확인하는 것입니다.

그리고 그 응답을 자신이 자주 맡기는 중간 작업에 대입해 보고, 비용 대비 만족스러운지 가볍게 평가한 뒤 자동화 워크플로우에 통합하는 순서가 일반적으로 가장 안전한 도입 절차입니다.
한꺼번에 대규모 자동화에 연결하기보다 작은 작업에서 시작해 점차 큰 작업으로 확장해 나가는 패턴이 사고를 줄이는 가장 확실한 길입니다.

 

조직 단위로 도입을 검토한다면 다음의 다섯 단계를 미리 정해두는 것이 도움이 됩니다.

첫째, 어떤 작업 부하를 어떤 모델로 처리할지 매핑하는 정책 문서를 만드는 것입니다.

둘째, 모델이 다루게 될 데이터의 민감도 등급을 정의하는 것입니다.

셋째, Ultra 모드처럼 sub-agent가 자동으로 명령을 실행하는 경우 사람이 승인해야 하는 단계를 정책에 적어두는 것입니다.

넷째, 모델 출력 결과를 사후에 검토할 수 있는 로그와 모니터링 체계를 마련하는 것입니다.

다섯째, 모델의 응답이 잘못됐을 때 사람이 빠르게 개입할 수 있는 절차를 문서화하는 것입니다.
이런 정책 없이 무작정 새 모델을 자동화 파이프라인 한가운데에 끼워 넣으면 작은 실수가 큰 사고로 번질 수 있습니다.

한두 명의 숙련된 사용자부터 시작해 점차 팀 단위로 확산하는 것이 안정적인 길이며, 정책은 사용자 경험이 쌓이는 만큼 함께 다듬어 가면 충분합니다.
모델이 만들어내는 중간 산출물 가운데 사용자 검토가 필요한 데이터에는 표식을 남기도록 시스템 차원에서 작은 가드를 더해두면, 정책 위반을 사전에 막을 확률이 한 단계 더 올라갑니다.

결국 자동화의 깊이는 비용 절감과 사고 위험의 트레이드오프이므로, 정책의 단계적 완화와 단계적 강화가 모두 가능하도록 설계해 두는 것이 가장 안전합니다.
처음부터 모든 자동화를 허용하지 말고, 안전한 영역부터 점차 넓혀 가는 것이 사고를 줄이는 정석입니다.