Terminal X는 GPT-6.1 Sol에서 88.6%의 경우 시니어 투자자들과 의견이 일치하며, 그렇게 하면서 30%를 절약합니다

2026년 10월 20일 OpenAI가 Terminal X에 관해 발표한 글에서 가장 흥미로운 숫자는 모델 이름이 아니다. 바로 88.6%다. 채점된 투자 판단 500건 가운데 GPT-6.1 Sol을 실행한 평가 에이전트가 회사의 선임 인간 검토자와 동일한 판정에 도달한 비율이다. 같은 하네스에서 그다음으로 우수한 모델은 86.4%를 기록했다. 두 모델의 격차는 220bp(베이시스 포인트)이고, 쿼리당 비용은 약 30% 차이다. Terminal X는 또한 GPT-6 Luna를 대량 처리 단계에 사용하는데, 이 두 계층의 분업이 바로 여기서 말하는 실제 엔지니어링 스토리다. 판단이 필요한 곳에는 판단을, 나머지 모든 곳에는 처리량을. 이와 같은 릴리스의 배경이 되는, 문서로 남은 AI 실패 및 에이전트 사고는 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 고유한 출처, 심각도, 신뢰도 등급, 이견 표시 여부가 함께 기재되어 있다.

숫자가 책상 주변에서 인용되기 전에 분명히 해둘 것이 있습니다. 이것은 모델 공급업체가 발행하고 고객이 고객 자체 평가 기준으로 측정한 고객 사례입니다. 하네스가 존재하고 프로덕션에서 실행된다는 점에서 실제 결과이긴 하지만, 어떤 의미에서도 독립적인 벤치마크는 아닙니다. {{KEEP}}Terminal X{{/KEEP}} 외부에서는 아무도 88.6%를 재현하지 못했습니다. 이는 GPT-6.1급 모델이 전문적 판단 업무에서 어떻게 작동하는지에 관해 지금까지 나온 가장 상세한 공개 증거로 취급하되, 리더보드 항목으로 취급하지는 마세요.

실제로 측정된 것은 무엇인가

Terminal X는 스스로 Capital Memory라고 부르는 것을 판매한다. 이는 데이터룸, 모델, 메모, 공시 서류, 이메일, 투자위원회 이력을 색인화한 뒤, 특정 데스크가 의사결정을 내리는 방식을 회사가 소유한 에이전트로 인코딩하는 기업 소유 시스템으로, 온프레미스 또는 자체 클라우드에 배포된다. 엔지니어링 직원들은 전직 금융·투자 전문가들로, 이들은 몇 주씩 각 고객과 함께 앉아 한 번도 문서로 기록된 적 없는 추론—신용 데스크가 차입자를 어떻게 심사하는지, 공동투자 팀이 메모 작성 전에 어떤 소스를 참고하는지—을 역설계한다.

평가 레이어는 별도의 에이전트입니다. 이 이야기에 따르면, 이 에이전트는 모든 프로덕션 출력물을 54개 기준의 평가표에 비추어 읽고, 각 기준별로 통과 또는 실패를 반환하며, 실패마다 한 줄짜리 사유와 수정된 출처를 함께 제시합니다. 이러한 실패들은 새로운 워크플로 지침과 새로운 테스트 케이스가 되므로, 회사가 시스템을 교정해 나갈수록 평가표는 더욱 두터워집니다.

헤드라인 비교는 선임 인간 검토자가 이미 판정을 내린 500건의 채점된 판단에서 나옵니다. 모델별 에이전트 일치율:

• GPT-6.1 Sol — 500건의 판정에서 88.6% 일치

• 차선 모델 — 동일한 500개에서 86.4% 일치

• 격차 — 220베이시스포인트, 즉 대략 판결 45건당 추가 합의 1건

터미널 X는 격차가 집중되는 한 가지 오류 유형으로 스타일 드리프트를 지목한다. 순자산가치 대비 할인된 가격에 거래되는 테이크 프라이빗 후보를 위임 목적으로 삼는 바이아웃 펀드는 시나리오 모델이 반전될 때 부실 채권 포지션이나 구제 금융을 추천해서는 안 된다. GPT-6.1 Sol의 평가 에이전트는 차선 모델보다 그러한 위임 이탈 사례를 약 25% 더 많이 포착했다. 이는 "88.6% 정확"이라는 주장보다 더 좁은 주장이면서 더 유용한 주장이다. 즉, 이 모델은 추천이 투자 논지에서 벗어났음을 더 잘 알아차리며, 이는 선임 검토자가 실제로 하루 종일 잡아내는 실패 유형이다.

왜 펀드 평가는 다른 종류의 벤치마크인가

공개 벤치마크는 모든 모델에 동일한 질문을 던진다. Terminal X는 각 모델에게 한 기업의 질문을, 하나의 평가 기준표에 따라, 그 기업 고유의 스타일로 던진다. 그 결과는 구매자에게는 더 관련성이 높지만 구매자 간 비교 가능성은 낮아진다. 다른 펀드에서 동일한 하네스를 사용하면 서로 다른 기준에 가중치를 둘 것이며, 220점 격차는 쉽게 줄어들거나 커질 수 있다.

또한 그 결과를 검증하는 데는 비용이 많이 든다. 이를 재현하려면 54개 기준의 루브릭과 500개의 판단이 필요하며, 둘 다 공개되어 있지 않다. 공개된 것은 주장의 형태와 그 주변의 생산 맥락이며, 그에 근거할 때 결과는 일관성이 있다. 약 1,700개의 기업용 Memories가 구축되었고, 100만 개 이상의 맞춤형 워크플로가 실행되었으며, 주간 활성 사용자는 월간 활성 사용자의 81%에 달한다 — 이 점착성 비율은 에이전트가 시험 삼아 써 보고 버려지는 것이 아니라 근무 주간 안에서 사용되고 있음을 시사한다. 한 사모펀드는 자동화된 실사 및 메모 워크플로에서 연간 240만 달러의 절감을 언급했다. 이 모든 것은 고객 자신의 설명이다.

비용 항목이 정확도 항목보다 더 중요합니다

이야기에 따르면, GPT-6.1 Sol은 다음으로 가장 좋은 모델보다 쿼리당 비용이 약 30% 낮은 수준으로 비슷한 속도에서 동일한 워크플로를 실행했습니다. Terminal X는 그 이유를 긴 컨텍스트 작업에서의 토큰 효율성으로 설명합니다. 이 모델은 하나의 투자 가설을 펀드의 운용 지침에 비추어 검토한 뒤, 펀드의 최근 거래들에 비추어 다시 검토하고, 불확실한 판정은 재실행해 조정하는 일을 모두 같은 예산 안에서 할 수 있었습니다. 한 번의 검토만으로는 그냥 통과시켰을 거래들을 걸러낸 것은 바로 이 더 깊은 검토였습니다.

쿼리당 비용 30% 절감은 220베이시스포인트의 일치도보다 훨씬 더 큰 상업적 사실입니다. 평가 및 검토 에이전트는 끊임없이 실행되며 청구서가 볼륨에 비례해 커지기 때문입니다. 또한 이는 벤더의 이야기가 느슨하게 내놓을 수 있는 종류의 주장이기도 합니다. "비슷한 속도"는 숫자가 아니므로, 이 주장은 나머지와 같은 범주에 속합니다. 방향성은 신뢰할 만하지만 검증되지는 않았습니다.

공식적으로 밝힌, GPT-6.1 Sol이란 무엇인가

GPT-6.1 Sol은 O​penAI가 2026년 9월 29일 복잡한 코딩과 전문 업무를 위해 출시한 모델입니다. 이는 O​penAI 모델 목록에서 유일한 GPT-6.1 등급 모델입니다. 별도의 순수한 "GPT-6.1" 식별자는 존재하지 않으며, 그 이름으로 요청해도 해석되지 않습니다. 공급업체가 공개한 현재 사양은 다음과 같습니다:

• 가격 — 입력 토큰 100만 개당 $2.00, 출력 토큰 100만 개당 $10.00

• 캐시된 입력 — 백만 토큰당 $0.10; 캐시 쓰기 백만 토큰당 $2.50

• 긴 프롬프트 — 입력 토큰이 272,000개를 초과하는 경우 입력 및 캐시 비용은 2배, 출력 비용은 1.5배입니다

• 컨텍스트 창 — 1,050,000 토큰, 최대 입력 922,000 및 최대 출력 128,000

• 모달리티 — 텍스트와 이미지 입력, 텍스트 출력

• 추론 노력 — 낮음, 보통, 높음, xhigh, 최대; none과 minimal은 허용되지 않음

• 지식 기준일 — 2026년 4월 30일

• 서비스 등급 — Fast는 표준 요금의 2배, Batch와 Flex는 50% 할인, Ultrafast는 6배이며, 미국 및 EU 데이터 레지던시를 지원합니다

2026년 10월 21일에 확인한 Artificial Analysis의 독립적인 분석 결과는 최대 노력(maximum effort) 설정에서 단일 Intelligence Index 52(index v4.3.2, 10개 평가)이며, 인덱스 작업당 $0.72, 백만 토큰당 혼합 $1.47, 출력 속도는 초당 55.2토큰입니다. 또한 리더보드에는 해당 노력 설정에서 첫 토큰까지 걸리는 시간이 248초로 기록되어 있으며, 이는 비교 대상 중앙값 3.69초와 대조됩니다. 누구든 동기식 UI를 최대 노력 등급에 연결하기 전에 알아둘 만한 점입니다.

그 두 숫자 집합은 서로 다른 것을 설명하며, 그 둘 사이의 격차가 이 모델의 솔직한 요약입니다: 중간 계층 모델처럼 가격이 책정된 100만 컨텍스트 추론 계층으로, 그 경제성은 배치 평가와 긴 에이전트 실행에는 맞지만 최대 노력으로 사람이 대화형으로 기다리는 어떤 작업에도 맞지 않습니다.

88.6%가 말해주지 않는 것

• 일반적인 역량 지표가 아닙니다. 하나의 평가 기준, 하나의 자산군 구성, 한 회사의 표준일 뿐입니다.

• 그것은 정확성이 아니라 인간과의 일치입니다. 일관된 편향을 지닌 검토자와 그 편향을 공유하는 모델은 좋은 점수를 받을 것입니다.

• 비교 대상 집합의 이름이 밝혀지지 않았습니다. "차선 모델"이 최전선 경쟁 모델일 수도 있고 훨씬 저렴한 등급일 수도 있으므로, 이름이 없으면 220 베이시스 포인트의 가격을 산정할 수 없습니다.

• 쿼리당 비용이 정의되어 있지 않습니다. 여기에 모델이 지원하는 추가 검토 단계가 포함되는지 여부야말로 결론을 바꿀 수 있는 바로 그런 종류의 세부 사항입니다.

• 여기에 동일 기준으로 비교 가능한 공개 벤치마크 결과는 없습니다. 현존하는 유일한 독립 지수에서 GPT-6.1 Sol은 GPT-6 Astra보다 1점 낮고, 자신이 대체한 GPT-6 Sol 티어보다 4점 높습니다.

자신의 데이터로 이런 주장을 검증해 보기

mandate-drift 결과가 전이되는지 아는 유일한 방법은 자체적으로 200~500개의 판단을 두 모델에 통과시켜 자체 리뷰어와 비교해 점수를 매기는 것입니다.

이제 이 실험은 저렴합니다: GPT-6.1 Sol은 공급업체 자체 정가로 OrcaRouter의 라우트에 올라와 있고 추가 마크업이 없으므로, GPT-6 Astra, GPT-6 Sol 또는 GPT-6 Luna와 비교 실행을 해도 요금표에 정해진 비용만 들 뿐 그 외 비용은 들지 않습니다. 네 가지 티어가 모두 하나의 키 뒤에 있기 때문에, 비교는 두 번째 계약이 아니라 모델 문자열을 바꾸는 일입니다.

Terminal X 자체의 아키텍처가 바로 따라 할 만한 패턴입니다. 판단 비중이 큰 단계, 즉 투자 논리 종합, 위임 조건 적합성, 조정 단계는 정당화할 수 있는 가장 강력한 등급으로 라우팅하고, 추출, 분류, 대량 처리 단계는 100만 토큰당 $0.10 및 $0.50의 GPT-6 Luna 같은 모델로 라우팅하십시오. 라우팅 DSL이 존재하는 이유가 바로 이러한 분담을 애플리케이션 코드가 아닌 설정에 담아두기 위해서이며, 자동 장애 조치 덕분에 업스트림 하나가 하루 동안 문제를 겪었다고 해서 평가 실행이 중간에 중단되는 일은 없습니다.

볼 만한 것

이것을 벤더의 일화에서 결과로 바꿔 줄 두 가지가 있다. 첫째, 다른 루브릭으로 자체 일치율을 공개하는 두 번째 회사 — 88.6%가 Terminal X의 하네스가 아니라 모델의 속성이라면, 크레디트 데스크와 인프라 펀드도 비슷한 범위에 들어와야 한다. 둘째, 이름이 밝혀진 비교다. 86.4%의 "차선 모델"은 모두가 따져 묻고 싶어 할 숫자이며, 이름이 붙기 전까지 220 베이시스 포인트는 두 제품 간의 비교가 아니라 한 범주에 대한 주장일 뿐이다.

그때까지 방어 가능한 해석은 좁지만 여전히 유용합니다. 하나의 프로덕션 투자 워크플로에서 GPT-6.1급 모델은 선임 검토자와 1차 검토를 자동화할 수 있을 만큼 자주 일치했고, 비교 기준 대비 약 4분의 1 더 많은 위임 범위 드리프트를 포착했으며, 쿼리당 약 30% 더 낮은 비용으로 이를 수행했습니다. 그것은 자체 테스트를 실행할 좋은 이유입니다. 아직은 테스트를 건너뛸 이유는 아닙니다.