플래그십 Sol부터 효율형 Luna까지, GPT-5.6 모델군 공개

AI를 사용해 복잡한 코드를 짜거나 전문적인 문서를 만들 때, 성능을 높이려 하면 응답 속도가 느려지거나 비용이 급격히 오르는 문제가 발생한다. OpenAI는 이를 해결하기 위해 GPT-5.6 모델군을 공개했다. 이번 라인업은 최상위 모델인 Sol, 범용 모델 Terra, 비용 효율형 모델 Luna 세 가지 체급으로 구성된다. 사용자는 작업 복잡도에 따라 모델을 선택해 운영 비용을 최적화할 수 있다.

최상위 모델 Sol은 코딩과 사이버 보안, 전문 지식 작업에서 최고 성능을 기록했다. Artificial Analysis Coding Agent Index(구현, 터미널 사용, 실제 코드베이스 성능 측정 지표)에서 Sol은 `max reasoning` 설정 시 80점을 기록하며 SOTA(State-of-the-Art)를 달성했다. 이는 경쟁 모델인 Claude Fable 5보다 2.8점 높은 수치다. Sol은 이전 모델이나 경쟁 프론티어 모델보다 적은 토큰과 낮은 비용으로 더 높은 정답률을 보인다.

Sol은 Fable 5와 비교했을 때 코딩 성능은 높이면서 출력 토큰 수와 작업 소요 시간은 절반 이하로 줄였다. 비용 또한 약 3분의 1 수준으로 낮춰 동일 예산으로 더 많은 작업을 수행할 수 있다. 이는 토큰당 정보량을 늘려 효율을 높인 결과다. 이러한 효율성은 Terra와 Luna 같은 하위 체급 모델에도 적용되어 전체 모델군의 경제성을 확보했다.

실제 개발 환경에서의 엔지니어링 능력도 검증했다. Sol은 복잡한 커맨드라인 워크플로우를 테스트하는 Terminal-Bench 2.1과 실제 코드베이스에서 장기적인 엔지니어링 과제를 수행하는 DeepSWE 벤치마크에서 모두 SOTA를 기록했다. 단순한 코드 조각 생성을 넘어 실제 시스템 환경에서 동작하는 소프트웨어를 구축하고 수정하는 능력을 수치로 입증했다.

Programmatic Tool Calling과 ultra 설정의 작동 원리

GPT-5.6은 모델이 직접 실행 가능한 코드를 짜서 도구를 제어하는 방식을 도입해 작업 비효율을 줄였다. Responses API에서 제공하는 Programmatic Tool Calling은 모델이 도구를 조정하고 중간 결과를 처리하는 가벼운 프로그램을 직접 작성해 실행하는 기능이다. 기존 방식은 도구의 모든 응답을 다시 모델로 보내 해석해야 했으나, 이 기능은 중간 데이터에서 필요한 정보만 필터링해 워크플로우를 스스로 조정한다. 이를 통해 모델과 서버 사이의 통신 횟수인 라운드 트립을 줄이고 소모 토큰을 절감해 작업 속도를 높였다.

더 깊은 추론이 필요한 과제에서는 연산 자원 투입량을 조절하는 설정값이 작동한다. `max` 설정은 기존의 `xhigh`보다 더 많은 시간과 연산 자원을 할당하는 추론 모드다. 모델은 단순히 첫 번째 정답을 내놓지 않고, 여러 대안을 탐색하고 스스로 검토하며 접근 방식을 수정하는 반복 과정을 거쳐 논리적 결함을 줄이고 정확도를 높인다.

가장 높은 성능을 내는 `ultra` 설정은 병렬 처리 구조를 통해 결과 도출 시간을 단축한다. 4개의 에이전트를 병렬로 배치해 서로 다른 작업 흐름을 동시에 처리한다. BrowseComp, SEC-Bench Pro, Terminal-Bench 2.1 평가 지표에서 에이전트 수를 늘릴수록 정답률은 올라가고 지연 시간은 줄어드는 결과가 확인되었다.

개발자는 Responses API의 멀티에이전트 베타 기능을 통해 `ultra` 설정과 유사하게 여러 에이전트가 협업하는 환경을 직접 구축할 수 있다. 이는 모델이 스스로 프로그램과 에이전트 체계를 설계해 운영하는 구조다. 사용자는 작업 난이도에 따라 단순 추론부터 병렬 에이전트 운용까지 자원 투입 수준을 정밀하게 제어할 수 있다.

Fable 5 및 Opus 4.8 대비 성능 및 비용 효율 비교

GPT-5.6 Sol은 55개 분야의 전문적인 장기 워크플로우를 평가하는 Agents' Last Exam에서 53.6점을 기록하며 Claude Fable 5(40.5점)보다 13.1점 높은 성능을 보였다. 특히 medium reasoning 모드에서도 Fable 5보다 11.4점 높은 점수를 냈으며, 이때 추정 비용은 Fable 5의 약 4분의 1 수준이었다. Artificial Analysis Intelligence Index에서도 Sol의 max reasoning 설정은 Fable 5와 유사한 성능을 내면서 작업 완료 시간은 61% 단축하고 비용은 약 절반으로 줄였다.

비용 효율을 극대화한 하위 모델들의 격차는 더 크다. 범용 모델 Terra와 효율형 모델 Luna는 Fable 5보다 성능이 우위에 있으면서도 운영 비용은 약 1/16 수준으로 낮췄다. OSWorld 2.0 테스트에서 Sol은 Opus 4.8의 성능을 능가하는 동시에 출력 토큰 사용량을 85% 절감해 추론 시간과 비용을 동시에 낮췄다.

사이버 보안 및 엔지니어링 영역에서도 효율성이 향상되었다. 보안 취약점 코드에 접근해 임의의 코드를 실행하는 능력을 측정하는 ExploitBench1에서 Sol은 73.5%의 성공률을 기록하며 GPT-5.5(47.9%)를 앞질렀다. 이 결과는 GPT-5.5와 유사한 출력 토큰 예산 범위 내에서 달성되었다. 동일한 양의 텍스트를 생성하면서도 실제 보안 취약점을 찾아내 실행 가능한 코드로 연결하는 정밀도가 향상된 것이다.

디자인 판단력과 컴퓨터 사용 능력의 실무적 확장

GPT-5.6 Sol은 컴퓨터 사용(Computer Use) 기능을 통해 렌더링된 결과물을 직접 검사한다. 모델이 생성한 코드가 실제 화면에서 어떻게 보이는지 확인하고 시각적 결함이나 기능적 오류를 스스로 찾아 수정해 최종 결과물을 전달한다. 사용자가 결과물을 확인하고 다시 수정 요청을 보내는 피드백 루프를 모델 내부의 자체 검수 단계로 통합해 작업 시간을 단축했다.

디자인 시스템의 일관성을 유지하는 슬라이드 마스터 추론 능력도 강화되었다. 모델은 템플릿에 설정된 레이아웃, 타이포그래피, 색상, 간격 및 반복 패턴을 분석해 새로운 내용에도 동일하게 적용한다. GPT-5.5가 마스터 슬라이드의 핵심 구성 요소를 누락했던 것과 달리, GPT-5.6은 참조 구조를 충실하게 따라 기업의 브랜드 가이드라인을 준수하며 수동 수정 소요를 줄인다.

전문 문서와 스프레드시트의 정밀도 역시 높아졌다. 특히 수식과 재무 모델의 정확도를 높였으며 페이지 레이아웃과 계층 구조를 최적화했다. 복잡한 참조 형식을 정확하게 따르고 타이포그래피와 여백, 워크시트 배치를 효율적으로 구성해 가독성을 높였다. 이를 통해 엄격한 문서 규격과 전문적인 서식 체계를 모델이 스스로 구현한다.

외부 협업 툴에 저장된 비정형 데이터를 정제된 산출물로 변환하는 능력도 확장되었다. Slack, Notion, Microsoft 365, Google Drive 등에 흩어져 있는 맥락과 대화 기록을 수집해 문서 목적에 맞는 구조와 형식을 갖춘 아티팩트로 변환한다. 파편화된 정보 사이의 논리적 연결 고리를 찾아내 실무에 즉시 투입 가능한 보고서나 분석표로 재구성하는 워크플로우를 자동화할 수 있다.

한국 AI 실무자를 위한 모델 선택 및 도입 가이드

실무자는 작업 성격에 따라 모델 체급을 엄격히 분리해 도입해야 한다. 고난도 엔지니어링이나 사이버 보안 분석처럼 정밀한 추론이 필요한 작업에는 Sol 모델의 `max` 또는 `ultra` 설정을 적용한다. 특히 보안 분석가나 시니어 엔지니어가 복잡한 시스템 아키텍처를 검토하는 환경에서 고성능 추론 모드는 필수적이다.

일상적인 업무 보조나 일반적인 챗봇 서비스에는 Terra 모델을 도입해 비용과 성능의 균형을 맞춘다. 대량의 단순 데이터 처리나 저비용 서비스 운영이 목적이라면 Luna 모델을 통해 운영비를 절감한다. 작업 복잡도가 낮을수록 체급이 낮은 모델을 선택하는 것이 전체 인프라 비용을 최적화하는 방법이며, 단순 반복 작업에 최상위 모델을 사용하는 자원 낭비를 막아야 한다.

B2B 워크플로우를 구축하는 기업은 Responses API의 Programmatic Tool Calling 기능을 활용해 파이프라인을 설계해야 한다. 이 기능을 통해 모델이 스스로 중간 데이터를 필터링하게 함으로써 모델과 API 사이의 왕복 횟수를 줄이고 토큰 사용량을 아껴 운영 효율을 높일 수 있다. 이는 개발 공수와 운영 비용을 동시에 줄이는 구조다.

결론적으로 기업 환경에서는 무조건적인 최신 모델 도입보다 과업의 난이도와 비용의 상관관계를 분석해 모델 라인업을 적재적소에 배치하는 설계 능력이 중요하다. 작업 복잡도에 맞춘 모델 선택은 성능 저하 없이 운영 비용을 최소화하는 실질적인 방법이다.

성능을 높이면 비용과 시간이 급증하던 기존의 제약은 GPT-5.6 솔의 SOTA 달성과 효율적인 자원 관리 체계로 인해 무너졌다. 4개의 에이전트를 병렬로 가동하는 ultra 설정과 토큰 소모를 줄이는 Programmatic Tool Calling은 고난도 작업의 경제성을 확보했다.

이제는 무조건적인 고성능 모델 추구가 아니라 작업 복잡도에 맞춰 솔, 테라, 루나 중 최적의 모델을 선택하는 설계 능력이 실질적인 운영 비용을 결정한다. 과업의 난이도와 비용의 상관관계를 분석해 모델 라인업을 적재적소에 배치하는 기준으로 도입 전략을 수립해야 한다.