GPT-6 Luna가 기본이 되어가고 있다: 백만당 10센트로 실제로 살 수 있는 것

가장 중대한 사건은 GPT-6 Luna의 첫 주에 일어난 가격 인하가 아니었다. 그것은 병합 커밋이었다. 2026년 9월 22일 벤더가 GPT-6 Luna를 출시한 지 하루 만에, 한 오픈소스 에이전트 플랫폼이 자체적으로 기본값을 지정하지 않은 모든 조직의 폴백 모델로 이 모델을 지정하는 변경 사항을 머지했다 — 더 크고 훨씬 더 비싼 등급인 GPT-5.6 Terra를 밀어내면서. 제시된 근거는 산수였다. 백만 토큰당 $0.10과 $0.50이라면 GPT-6 Luna는 GPT-5.6 Terra의 입력 요율의 20분의 1, 출력 요율의 24분의 1에 해당한다. 이는 실질적인 신호이며, 동시에 이야기의 절반일 뿐이다. GPT-6 Luna는 백만 입력 토큰당 $0.10, 백만 출력 토큰당 $0.50인 반면, $2.00과 $10.00인 GPT-6 Sol은 그보다 한 등급 위이고, 플래그십은 $10.00과 $50.00인 GPT-6 Astra이다. 그 기본 슬롯에서 이 모델이 대체하는 GPT-5.6 Luna는 여전히 $0.20과 $1.20이다 — 입력은 두 배, 출력은 두 배가 넘는다. 백만당 10센트는 충분히 저렴해서, 결정은 더 이상 가격에 관한 것이 아니라 모델이 실제로 무엇을 끝내는지에 관한 것이 된다.

그래서 이것은 출시 해설도 아니고, 가격 인하 게시물도 아닙니다. 우리는 둘 다 써 봤고, 요율표 자체는 이미 확정되어 있습니다. 이것은 저가형 마케팅이 건너뛰는 질문에 답하려는 시도입니다. 어떤 모델이 당신의 기본값이 된다면, 예전에는 더 큰 모델로 넘어갔던 작업에 무슨 일이 벌어지는가? 그에 대한 근거는 세 곳에서 나오는데, 서로 일치하지 않습니다. OpenAI 자체 벤치마크는 가장 후하게 나오고 재현은 가장 어렵습니다. Artificial Analysis는 같은 주에 독립 지표를 발표했는데, 토큰이 아니라 완료된 작업에 값을 매기기 때문에 더 유용합니다. 그리고 이제 몇몇 사람들이 실제 인프라에서 이 모델을 돌려 봤고, 흥미로운 실패는 바로 거기에 있습니다. 수치가 공급업체 보고인 경우, 그 문장은 그 사실을 밝힙니다.

실제로 출시된 것

GPT-6 Luna는 6세대 제품군의 소형 등급으로, GPT-6 Sol 아래에, 그리고 플래그십 GPT-6 Astra보다 훨씬 아래에 위치합니다. 이번 주에 읽은 OpenAI 자체 모델 문서는 그 범위를 제시합니다:

• 모델 ID — gpt-6-luna, 날짜가 표기된 변형이 없는 단일 스냅샷입니다. 모델 목록에는 gpt-6-luna-pro 항목이 없으며, 서드파티 카탈로그에 돌고 있는 pro 문자열은 모델이 아니라 추론 모드 값입니다.

• 컨텍스트 및 제한 — 1,050,000토큰 창, 최대 922,000 입력 토큰, 128,000토큰 출력 상한, 2026년 5월 18일 지식 기준 시점. 텍스트와 이미지 입력, 텍스트 출력.

• 가격 — 입력 토큰 100만 개당 $0.10, 캐시된 입력 100만 개당 $0.01, 캐시 쓰기 100만 개당 $0.125, 출력 100만 개당 $0.50. OpenAI는 이를 도입 가격이 아닌 영구적인 가격이라고 설명했습니다.

• 롱 컨텍스트 단계 — 272,000 입력 토큰을 초과하는 요청은 입력 및 캐시 요율의 2배, 출력 요율의 1.5배로 재가격이 매겨지며, 초과분이 아니라 요청 전체에 적용됩니다. 이는 이 모델에서 저지를 수 있는 가장 비용이 큰 단일 실수입니다. 왜냐하면 얼마나 많이 사용했는지가 아니라 총 요청 크기에 의해 발동되기 때문입니다.

• 서비스 티어 — Batch와 Flex는 표준 요금의 절반으로 실행되고, Fast 모드는 이를 두 배로 만듭니다. 따라서 비동기 대량 작업은 다시 절반 가격이며, 요금표에는 요청을 보내는 방식에 따라 네 가지 서로 다른 실효 가격이 있습니다.

• Effort — 6가지 값: none, low, medium, high, xhigh, max이며, 문서화된 기본값은 medium입니다. Effort는 요청별로 적용되며, 배포의 속성이 아닙니다.

• 엔드포인트 — Responses, Chat Completions 및 Batch. Chat Completions는 추론 노력이 none으로 설정된 경우에만 함수 호출을 처리합니다; 내장 도구와 함수 호출은 일반적으로 Responses API가 필요하며, 이 API는 웹 검색, 파일 검색, 이미지 생성, 코드 인터프리터, 호스팅된 셸, apply_patch, 스킬, 컴퓨터 사용, MCP 및 도구 검색을 지원합니다.

그 마지막 문장은 보기보다 더 중요합니다. 자동화에서 도구를 사용한다면, 여러분은 Responses API를 사용 중이며, 여러분의 노력 다이얼은 엔드포인트 선택과 맞물려 있습니다. 비용을 아끼려고 노력 수준을 낮게 설정하면서 Chat Completions에서 함수 호출이 계속 작동하기를 기대하는 팀은 첫 번째 도구 호출에서 실패할 파이프라인을 구축한 것입니다.

결정하는 숫자는 토큰당 비용이 아니라 완료된 작업당 비용이다

Artificial Analysis는 출시 몇 시간 만에 자체 독립 평가를 발표했는데, 더 저렴한 토큰이 더 저렴한 작업을 뜻한다고 가정한 사람이라면 누구나 불편해할 만한 대표 수치가 나왔다. 자사의 Intelligence Index에서 GPT-6 Luna는 최대 노력 기준 작업당 약 $0.07이 드는 반면, 같은 노력의 GPT-5.6 Luna는 약 $0.18이다 — 약 60% 절감으로, 모델이 더 적은 작업을 해서가 아니라 가격 인하에 힘입은 것이다. 지수 점수 자체는 이 모델이 대체하는 모델과 같은 수준이다. 규모를 가늠해 보면, GPT-6 Sol은 지수 작업당 약 $1.06이고 GPT-5.6 Sol은 $1.99이다.

그 세 숫자를 함께 읽으면 이 제품군의 형태가 분명해진다. Sol은 Luna보다 작업당 비용이 대략 열다섯 배지만, 점수는 실질적으로 더 높다. Luna는 Sol의 다운그레이드가 아니다. 그것은 다른 도구이며, 작업당 수치가 바로 당신이 어느 것을 들고 있는지 알려준다.

불편한 절반은 코딩 에이전트에게 일어난 일이다. Artificial Analysis의 Coding Agent Index에서 GPT-6 Luna는 최대 노력에서 41점을 기록해 GPT-5.6 Luna의 43점보다 2점 하락한 반면, GPT-6 Sol은 반대로 2점 상승해 작업당 $2.99에 57점을 기록했다. 따라서 저가 티어의 세대 교체는 가격이 내려가는데도 에이전트 코딩에서는 개선이 아니라 소폭 후퇴다. '새 세대'를 '무조건 더 낫다'로 읽는 사람은 그 열에 놀랄 것이다.

장황함은 숨겨진 항목이다

같은 평가에 나오는 두 번째 수치는 첫 번째 수치를 상당 부분 설명해 줍니다. Intelligence Index 실행 중 GPT-6 Luna는 작업당 약 51,000개의 출력 토큰을 생성한 반면, GPT-5.6 Luna는 약 41,000개였습니다. 더 새롭고 더 저렴한 모델은 비슷한 점수에 도달하기 위해 약 4분의 1 더 장황합니다. 절감은 가격 인하에서 나온 것이지, 모델이 작업 단위당 더 효율적이 되어서 나온 것이 아닙니다.

이는 두 가지 이유에서 중요하다. 백만 출력 토큰당 0.50달러라면, 작업당 10,000개의 추가 출력 토큰은 0.5센트가 든다. 이를 하루 10만 개 작업에 적용하면 증가분은 10억 토큰, 즉 하루 500달러다 — 백만 입력 토큰당 10센트라는 대표 가격을 내건 모델에서 말이다. 그리고 장황함은 128,000토큰 출력 상한과 좋지 않게 맞물린다: 더 오래 생각하고 더 길게 쓰는 모델은 그 상한에 더 빨리 도달하며, 이는 비용 문제를 잘림 문제로 바꾼다.

완화책은 캐시 규율이며, 이 제품군은 정말로 훌륭한 캐시 규율을 갖추고 있습니다. 백만 토큰당 $0.01로 읽는 캐시 입력은 캐시되지 않은 요율의 10분의 1이며, OpenAI는 무효화 규칙을 변경하여 추론 노력이나 도구 가용성을 조정해도 더 이상 캐시된 컨텍스트가 폐기되지 않도록 했습니다. 안정적인 긴 접두사 — 스키마, 시스템 프롬프트, 여섯 가지 질문을 던지는 문서 — 가 있는 워크로드의 경우, 실효 입력 요율은 10센트보다 1센트에 더 가깝고, 그 격차는 헤드라인 인하 폭보다 더 큽니다. 이는 또한 저렴한 등급이 정말로 저렴한 것과 그저 더 저렴할 뿐인 것의 차이이기도 합니다.

저가 티어가 퇴보하는 부분과 그렇지 않은 부분

동일한 독립 평가가 회귀를 노이즈와 구분하며, 그 구분이 그 안에서 가장 유용한 점이다. GPT-6 Luna는 GDPval-AA v2.1에서 이전 모델 대비 약 75 Elo를 잃고, AA-Briefcase v1.1에서는 약 45 Elo를 잃는다. Artificial Analysis는 두 경우 모두 사실 또는 추론 실패보다는 프레젠테이션 품질 저하와 필수 루브릭 요소를 건너뛴 결과물 탓으로 돌린다. 환각률은 약 93%에서 77%로 급격히 개선되며, AA-Omniscience Index는 −10에서 1로 이동한다. AutomationBench-AA에서는 53% 대 50%로 상승하고, Terminal-Bench 4.0에서는 13% 대 12%로 근소하게 상승한다.

그 구분이 곧 결정의 전부다. 모델이 그 작업을 더 못하게 된 게 아니라, 완성된 결과물을 당신에게 건네는 일을 더 못하게 된 것이다. 구조화된 출력 — 분류, 추출, 라우팅 결정, JSON 페이로드 — 을 소비한다면, 그 성능 저하는 당신에게 아무 비용도 들지 않고 가격 인하는 공짜 돈이다. 사람이 결과물을 읽는다면, 그 성능 저하는 검토자 한 명을 잃는 대가를 치르게 하고, 그 검토자의 시간은 아마 당신이 아낀 토큰보다 더 비쌀 것이다.

OpenAI 스스로 내놓은, 아직 재현되지 않은 주장들은 스펙트럼의 반대편 끝에 있습니다. 높은 노력 설정에서 GPT-6 Luna가 작업당 비용을 58% 낮추면서도 전작보다 5.4퍼센트포인트 개선된다는 것, 최대 노력 설정에서는 DeepSWE 1.1에서 66.6%를 기록하는데 OpenAI는 이를 작업 비용의 일부만으로 중간 노력 설정의 Claude Opus 5와 비교한다는 것, 그리고 OSWorld 2.0에서는 중간 노력 설정의 GPT-5.6 Sol을 약 10분의 1 비용으로 능가한다는 것입니다. 이들은 공급업체가 선택한 노력 설정에서 이루어진 공급업체 자체 하네스 비교이며, 여기서 가져올 만한 단 하나는 방향성입니다. 즉 저가 등급이 이제 작년의 중간 등급에 근접했다는 것입니다. 작업당 백분율은 무시하는 게 좋습니다. 양쪽에서 하네스가 동일하지 않기 때문입니다.

노력 하한선은 여기서 실용적으로 다가옵니다. 공개된 지침은 단순 추출 및 라우팅에는 먼저 none 또는 low를 테스트하고, 측정된 품질이 정당화하는 경우에만 노력을 높이라고 권고합니다. 출시 주간의 한 실제 사용 후기에 따르면 low 노력에서 GPT-6 Luna는 에이전트 작업에 전혀 사용할 수 없으며, 이는 다단계 작업에 대한 실질적 하한선을 medium으로 설정합니다. 동일한 종류의 테스트에서 나온 두 번째 발견은 더욱 날카롭습니다: 한 배포 실습에서 모델의 Kubernetes 매니페스트가 스키마 검증을 통과한 후 실제 클러스터에 대해 세 번 모두 실패했는데, 이는 검증기가 동작이 아닌 형태를 확인하기 때문입니다. 생성된 구성이 루프 내 실행 검사 없이 배포되면, 저렴한 계층은 통과처럼 보이는 실패를 안겨줄 것입니다.

기본 질문, 그리고 라우팅이 그에 대한 답인 이유

GPT-6 Luna를 폴백 모델로 지정한 플랫폼은 그 변경을 중간 위험으로 평가했고, 거기에 붙은 메모는 기사 전체의 솔직한 버전이다. 자체 기본 모델이 없는 모든 조직은 Luna로 전환되는데, 이는 더 저렴하지만 Terra보다 작은 등급이므로 어려운 작업의 품질은 달라질 수 있다. 바로 그것이 트레이드오프다. 기본값은 대부분의 트래픽이 쉽다는 데 거는 베팅이며, 대부분의 조직에서 그 베팅은 옳다 — 그래서 이 변경이 출시되었다. 위험은 그렇지 않은 소수의 요청에 있다.

그 베팅의 하방 위험을 떠안지 않으면서 그 베팅에 참여하는 방법은 디폴트를 단일 모델로 취급하지 않는 것입니다. GPT-6 Luna는 OrcaRouter를 통해 공시된 요율로 추가 마크업 없이 라우팅할 수 있으며, 이는 벤더의 상시 가격이 여기서 보이는 가격이고 향후 인하가 다음 계약 갱신 때가 아니라 같은 날 적용된다는 뜻입니다. 이번 주 저희 자체 모델 페이지에서는 저희가 서비스하는 트래픽 전반에서 출력 속도 초당 74.3토큰, 오류율 0%로 측정되고 있습니다. 두 컨텍스트 티어 모두 공시된 대로 적용됩니다: 입력 토큰 272,000개 미만에서는 입력 $0.10, 출력 $0.50이고, 이를 초과하면 $0.20, $0.75로 올라갑니다.

그것이 사주는 것은 에스컬레이션할 수 있는 기본값이다. 라우팅 DSL을 쓰면 트래픽의 대부분을 중간 노력 수준의 GPT-6 Luna로 보내고, 조건에 따라 — 입력 길이가 272K 라인을 넘는 경우, 도구 호출이 필요한 경우, 루브릭 민감 회귀가 실제로 영향을 미치는 작업 클래스 — GPT-6 Sol로, 또는 장기 호라이즌 작업이라면 플래그십 GPT-6 Astra로 전환할 수 있다. 모두 같은 키로, 두 번째 계약도 코드 변경도 없이. 이것은 하나의 모델을 골라 그것과 함께 살아가는 것과는 다른 형태의 결정이다. 증거가 버틴다고 말해 주는 곳에서는 10센트 티어를, 그렇지 않은 곳에서는 2달러 또는 10달러 티어를 얻게 되며, 그 경계는 희망이 아니라 당신이 쓴 규칙이다. 자동 페일오버는 또 다른 실패 모드를 커버하는데, 그것은 자동화가 실행 중일 때 저렴한 티어의 업스트림이 안 좋은 오후를 보내는 경우다.

누가 움직여야 하고, 누가 기다려야 할까요?

트래픽이 구조화되어 있고 대량이라면 옮기세요: 분류, 추출, 태깅, 의도 라우팅, 로그 트리아지, 요약, 그리고 더 큰 에이전트 내부에 자리한 범위가 한정된 구현 루프들. 증거는 가격 인하와 점수 동등성을 뒷받침하며, 프레젠테이션 회귀는 JSON을 파싱하는 소비자에게 보이지 않습니다.

순전히 토큰이 저렴하다는 이유만으로 장기 호라이즌 에이전트 체인, 다중 파일 리팩터링, 또는 사람이 결과물을 승인하는 모든 작업을 옮기지 마십시오. 코딩 에이전트 지수는 2포인트 하락했고, 지식 노동 평가도 하락했으며, 그 모델은 자신이 대체하는 모델보다 작업당 더 장황합니다. 검토자가 필요한 더 저렴한 토큰은 더 저렴한 작업이 아닙니다.

그리고 모든 수치를 다 볼 게 아니라 한 가지 수치만 보십시오. 51,000 대 41,000이라는 출력 토큰 격차는 특정 워크로드에서 Luna 기본값이 절약인지 본전인지를 결정하는 수치이며, 자체 트래픽으로 오후 한나절이면 측정할 수 있습니다. 요금표는 확정되어 영구적이지만, 완료된 작업당 토큰 수는 그렇지 않으며, 청구서에 나타나는 것은 바로 그 수치입니다.