OpenAI는 2026년 7월 9일 GPT-5.6을 출시하며 Sol, Terra, Luna의 세 가지 가격 계층을 도입했습니다. Sol은 입력 100만 토큰당 $5, 출력 100만 토큰당 $30으로 가장 어려운 추론 작업용입니다. Terra는 $2.50 / $15로 일반 프로덕션 워크로드의 균형점이며, Luna는 $1 / $6으로 대량 처리용입니다. 특히 단순한 gpt-5.6 별칭은 가장 비싼 Sol로 라우팅됩니다. 퀵스타트 코드를 그대로 사용하면 Luna 또는 Terra로 충분한 요청에도 Sol 요금이 적용될 수 있습니다. 이 글에서는 계층별 가격, 실제 요청 비용, 프롬프트 캐싱, 추론 노력 설정, 그리고 프로덕션 라우팅 패턴을 구현 관점에서 정리합니다.
요약
- GPT-5.6 가격은 100만 토큰 기준으로 Sol $5 입력 / $30 출력, Terra $2.50 / $15, Luna $1 / $6입니다.
-
gpt-5.6은 Sol 별칭입니다. 플래그십 추론이 반드시 필요하지 않다면gpt-5.6-terra또는gpt-5.6-luna를 명시적으로 사용하세요. - OpenAI는 Terra가 GPT-5.5와 경쟁하면서 약 절반 가격이라고 설명합니다. GPT-5.5 사용 중이라면 Terra가 우선적인 마이그레이션 후보입니다.
- 프롬프트 캐시는 쓰기 시 입력 요율의 1.25배, 읽기 시 입력 요율의 10%가 청구됩니다. 최소 TTL은 30분입니다.
- 높은 추론 노력 수준은 출력 토큰 증가로 이어집니다. 출력 토큰은 입력보다 비싸므로 비용 영향이 큽니다.
- 울트라 모드는 네 개의 에이전트를 병렬 실행하므로 토큰 소비가 의도적으로 증가합니다.
- 배포 전에는 계층별로 동일한 요청을 실행하고 실제 토큰 사용량을 비교해야 합니다.
GPT-5.6 요금표
캐시 읽기는 일반 입력 가격의 10%, 캐시 쓰기는 일반 입력 가격의 125%를 기준으로 계산됩니다.
| 모델 | 입력 / 100만 | 출력 / 100만 | 캐시된 입력 읽기 / 100만 | 캐시 쓰기 / 100만 |
|---|---|---|---|---|
gpt-5.6-sol (gpt-5.6 별칭) |
$5.00 | $30.00 | $0.50 | $6.25 |
gpt-5.6-terra |
$2.50 | $15.00 | $0.25 | $3.13 |
gpt-5.6-luna |
$1.00 | $6.00 | $0.10 | $1.25 |
API 계정에서는 모든 계층을 셀프서비스 방식으로 사용할 수 있습니다. 구현 시 가장 중요한 점은 모델 ID를 명시하는 것입니다.
// 피해야 할 기본값: Sol로 라우팅됨
const model = "gpt-5.6";
// 작업별로 명시적으로 고정
const classificationModel = "gpt-5.6-luna";
const defaultModel = "gpt-5.6-terra";
const hardReasoningModel = "gpt-5.6-sol";
코드 리뷰 규칙으로 접미사 없는 gpt-5.6 사용을 금지하는 것이 안전합니다. 환경 변수, SDK 기본값, 테스트 코드까지 모두 확인하세요.
# .env
OPENAI_MODEL_DEFAULT=gpt-5.6-terra
OPENAI_MODEL_BULK=gpt-5.6-luna
OPENAI_MODEL_REASONING=gpt-5.6-sol
계층별 사용 기준
Terra: 기본 프로덕션 모델
OpenAI는 Terra가 GPT-5.5와 경쟁하며 약 2배 저렴하다고 설명합니다. 기존 GPT-5.5 워크로드가 있다면 다음 순서로 검증하세요.
- 기존 평가 데이터셋을 준비합니다.
- GPT-5.5와
gpt-5.6-terra에 동일한 입력을 전송합니다. - 정확도, 형식 준수, 실패율, 평균 출력 토큰을 비교합니다.
- 품질 기준을 통과하면 Terra를 기본 모델로 전환합니다.
가격 인하는 명확하지만, 품질 적합성은 반드시 자체 평가로 확인해야 합니다.
Luna: 대량·반복 작업 모델
Luna는 분류, 데이터 추출, 태그 지정, 라우팅, 짧은 초안 생성처럼 요청 수가 많은 작업에 적합합니다.
적합한 예시:
- 고객 지원 티켓 분류
- JSON 필드 추출
- 콘텐츠 정책 1차 필터링
- 검색 쿼리 재작성
- 문서 요약 초안
- 작업 큐 라우팅
const modelForTask = {
classify_ticket: "gpt-5.6-luna",
extract_invoice_fields: "gpt-5.6-luna",
answer_product_question: "gpt-5.6-terra",
debug_complex_failure: "gpt-5.6-sol",
} as const;
Sol: 실패 비용이 큰 고난도 작업 모델
Sol은 깊은 추론이 필요한 작업에만 사용하세요. 예를 들면 복잡한 코드 디버깅, 다단계 계획 수립, 높은 정확도가 필요한 분석 작업입니다.
초기 문서 기준으로 세 모델은 모두 100만 토큰 컨텍스트와 최대 128K 출력을 공유합니다. 즉, Luna나 Terra를 선택한다고 컨텍스트 용량이 줄어드는 것은 아닙니다. 비용과 추론 깊이를 교환하는 선택입니다.
실제 요청 비용 계산
다음과 같은 일반적인 RAG 요청을 가정해 보겠습니다.
- 입력: 10,000 토큰
- 시스템 프롬프트
- 검색된 문서
- 사용자 질문
- 출력: 1,000 토큰
| 모델 | 입력 비용 | 출력 비용 | 요청당 총계 |
|---|---|---|---|
| Sol | $0.050 | $0.030 | $0.080 |
| Terra | $0.025 | $0.015 | $0.040 |
| Luna | $0.010 | $0.006 | $0.016 |
단일 요청에서는 차이가 작아 보이지만, 요청 수가 증가하면 모델 선택이 곧 인프라 비용이 됩니다.
예를 들어 월 100만 건의 분류 요청이 있고, 요청당 입력 500토큰과 출력 50토큰을 사용한다고 가정합니다.
- 월 입력: 5억 토큰
- 월 출력: 5천만 토큰
| 모델 | 입력 | 출력 | 월별 총계 |
|---|---|---|---|
| Luna | $500 | $300 | $800 |
| Terra | $1,250 | $750 | $2,000 |
| Sol | $2,500 | $1,500 | $4,000 |
이 분류 워크로드를 gpt-5.6 별칭으로 실행하면, Luna로는 $800인 작업에 월 $4,000를 지출하게 됩니다. 모델 ID를 명시하지 않은 비용은 월 $3,200의 반복 비용이 될 수 있습니다.
프롬프트 캐싱 적용하기
GPT-5.6은 명시적 캐시 중단점을 사용합니다. 자동 접두사 감지에 기대지 말고 prompt_cache_options를 설정하세요.
{
"model": "gpt-5.6-terra",
"input": [
{
"role": "system",
"content": "You are a support triage assistant. Classify each ticket..."
},
{
"role": "user",
"content": "Ticket #4821: webhook retries firing twice after 502s"
}
],
"prompt_cache_options": {
"mode": "explicit",
"ttl": "30m"
}
}
캐싱 비용 규칙은 다음과 같습니다.
- 캐시 쓰기: 일반 입력 요금의 125%
- 캐시 읽기: 일반 입력 요금의 10%
- 최소 TTL: 30분
캐시 비용 예시
Sol에서 5,000토큰 시스템 프롬프트를 30분 내 100회 재사용한다고 가정합니다.
-
캐시 미사용:
-
100 × 5,000 = 500,000토큰 - Sol 입력 가격 기준: $2.50
-
-
캐시 사용:
- 첫 쓰기:
5,000 × $6.25 / 1,000,000= 약 $0.031 - 이후 99회 읽기:
495,000 × $0.50 / 1,000,000= 약 $0.248 - 총 비용: 약 $0.28
- 첫 쓰기:
같은 접두사를 반복하면 캐시는 두 번째 요청부터 비용 절감 효과가 있습니다.
캐시할 내용과 캐시하지 않을 내용
캐시 중단점 앞에는 안정적으로 반복되는 텍스트를 배치하세요.
[캐시 대상]
- 시스템 프롬프트
- 도구 정의
- 출력 JSON 스키마
- few-shot 예시
- 고정 정책 문서
[캐시 대상 아님]
- 사용자 입력
- 요청별 검색 결과
- 세션별 데이터
- 매 요청마다 달라지는 문서
30분보다 긴 간격으로 한 번씩만 실행되는 배치 작업은 캐시 이점이 거의 없습니다. 콜드 스타트마다 쓰기 프리미엄을 내게 되므로, 이런 작업에는 캐싱을 끄는 편이 낫습니다.
추론 노력, 프로 모드, 울트라의 비용 영향
GPT-5.6은 다음 추론 노력 수준을 제공합니다.
none
low
medium
high
xhigh
max
추론 노력은 품질 설정이면서 동시에 비용 설정입니다. 높은 수준일수록 더 많은 출력 측 토큰이 생성될 수 있습니다. Sol의 출력 가격은 100만 토큰당 $30으로 입력 가격의 5배이므로, 노력 수준 변경은 비용에 직접적인 영향을 줍니다.
배포 전에는 현재 설정과 한 단계 낮은 설정을 비교하세요.
const testCases = [
{ reasoningEffort: "medium" },
{ reasoningEffort: "low" },
];
// 동일한 평가 입력으로 정확도, 실패율, 출력 토큰 수를 비교
품질 차이가 없다면 한 단계 낮은 노력 수준이 더 적합합니다.
프로 모드
프로 모드(reasoning.mode: "pro")는 별도 모델이 아니라 세 가지 모델에서 사용할 수 있는 설정입니다.
{
"model": "gpt-5.6-terra",
"reasoning": {
"mode": "pro"
}
}
토큰당 가격은 동일하지만, 모델이 더 많은 토큰을 사용해 추론할 수 있습니다. 품질 우선 작업에는 적합하지만, 출력 토큰 예산을 별도로 관리해야 합니다.
울트라 모드
울트라는 네 개의 에이전트를 병렬 실행해 더 빠른 실제 시간 결과와 품질 향상을 목표로 하는 기능입니다. 따라서 단일 에이전트 실행보다 약 4배 수준의 토큰 지출을 예상해야 합니다.
OpenAI는 Sol에서 Terminal-Bench 2.1 점수가 88.8%에서 91.9%로 향상된다고 설명합니다. 답변당 비용보다 응답 완료 시간과 품질이 더 중요한 작업에만 사용하세요.
ChatGPT 플랜별 모델 접근
| 플랜 | GPT-5.6 액세스 |
|---|---|
| 무료 / Go | Terra |
| Plus | Sol, Terra, Luna; 모델별 노력 제어 |
| Pro / Business / Enterprise | 세 가지 모델 모두, Sol Pro 포함 |
| ChatGPT Work (Pro / Enterprise) | 울트라 추가 |
대화형 사용에서는 API보다 구독이 더 경제적일 수 있습니다. 하지만 애플리케이션에 통합하는 경우에는 API 사용량을 모델별로 분리해 측정하는 편이 중요합니다.
비용을 줄이는 라우팅 패턴
1. 작업별 라우팅을 코드로 고정하기
모든 요청을 같은 모델로 보내지 마세요.
type TaskType =
| "classification"
| "extraction"
| "draft"
| "support_answer"
| "complex_reasoning";
function selectModel(task: TaskType) {
switch (task) {
case "classification":
case "extraction":
return "gpt-5.6-luna";
case "draft":
case "support_answer":
return "gpt-5.6-terra";
case "complex_reasoning":
return "gpt-5.6-sol";
}
}
권장 기본값은 다음과 같습니다.
- Luna: 분류, 추출, 라우팅
- Terra: 대부분의 일반적인 프로덕션 요청
- Sol: Terra 평가에서 명확히 실패한 고난도 요청
2. 별칭 사용을 린트 규칙으로 막기
gpt-5.6 문자열을 코드베이스에서 금지하세요.
rg '"gpt-5\.6"' src/
CI에서 단순 별칭을 감지해 실패 처리할 수도 있습니다.
if rg -n '"gpt-5\.6"' src/; then
echo "Use an explicit GPT-5.6 tier: sol, terra, or luna."
exit 1
fi
3. 긴 고정 접두사를 캐시하기
시스템 프롬프트, 도구 스키마, few-shot 예시가 수천 토큰이고 30분 내 반복된다면 명시적 캐싱을 적용하세요.
4. 출력 토큰을 측정하기
비용은 입력뿐 아니라 출력 토큰에 크게 좌우됩니다. 특히 높은 추론 수준이나 프로 모드에서는 출력 사용량을 기록해야 합니다.
console.log({
model: response.model,
inputTokens: response.usage?.input_tokens,
outputTokens: response.usage?.output_tokens,
totalTokens: response.usage?.total_tokens,
});
5. 계층별 A/B 테스트 실행하기
동일한 프롬프트를 Sol, Terra, Luna에 각각 전송하고 결과와 토큰 사용량을 저장하세요.
const models = [
"gpt-5.6-luna",
"gpt-5.6-terra",
"gpt-5.6-sol",
];
const results = await Promise.all(
models.map(async (model) => {
const response = await client.responses.create({
model,
input: testPrompt,
});
return {
model,
output: response.output_text,
usage: response.usage,
};
}),
);
console.table(
results.map(({ model, usage }) => ({
model,
inputTokens: usage?.input_tokens,
outputTokens: usage?.output_tokens,
totalTokens: usage?.total_tokens,
})),
);
Apidog에서 세 모델 ID를 환경 변수로 등록하고 동일한 요청을 실행하면 계층별 응답과 토큰 사용량을 빠르게 비교할 수 있습니다.
자주 묻는 질문
GPT-5.6이 GPT-5.5보다 저렴한가요?
비교 대상은 Terra입니다. OpenAI는 Terra가 GPT-5.5와 경쟁하면서 약 2배 저렴하다고 설명합니다. 가격만 보면 Terra는 GPT-5.5의 자연스러운 대체 후보이지만, 품질에 민감한 워크로드는 자체 평가가 필요합니다.
단순한 gpt-5.6 모델 ID는 얼마인가요?
gpt-5.6은 Sol로 라우팅됩니다. 따라서 입력 100만 토큰당 $5, 출력 100만 토큰당 $30이 적용됩니다. 플래그십 추론이 필요하지 않다면 gpt-5.6-terra 또는 gpt-5.6-luna를 사용하세요.
추론 토큰은 출력 요금에 포함되나요?
네. 높은 노력 설정은 더 많은 출력 측 토큰을 생성하며 출력 요율로 청구됩니다. Sol은 출력 100만 토큰당 $30, Luna는 $6입니다. 배포 전에 현재 노력 수준과 한 단계 낮은 수준을 비교하는 것이 좋습니다.
GPT-5.6을 가장 저렴하게 테스트하는 방법은 무엇인가요?
첫 요청은 gpt-5.6-luna로 보내세요. 입력 10K, 출력 1K 요청은 약 $0.016입니다. 동일한 요청을 Luna, Terra, Sol에 순차적으로 보내고 품질과 토큰 사용량을 비교하면 실제 워크로드에 맞는 모델을 빠르게 선택할 수 있습니다.
마무리
기본 모델은 Terra로 시작하고, 대량 작업은 Luna로 라우팅하며, Sol은 깊은 추론이 실제로 필요한 작업에만 사용하세요. 또한 30분 내 반복되는 긴 접두사에는 명시적 캐싱을 적용하고, 추론 노력 수준은 현재 설정보다 한 단계 낮은 값까지 함께 평가하세요.
가장 중요한 것은 추정이 아니라 측정입니다. 세 모델에 동일한 프롬프트를 보내고 응답 품질, 입력 토큰, 출력 토큰, 총 비용을 비교하세요. 짧은 계층별 테스트만으로도 프로덕션 비용을 크게 줄일 수 있습니다.
Top comments (0)