GPT-5.6 등급: Sol, Terra, Luna 중 무엇을 쓸까 (2026)

세 등급, 한 세대입니다. GPT-5.6은 Sol, Terra, Luna로 나옵니다. 컨텍스트 100만 토큰, 출력 상한 12만 8천 토큰이 동일하고, 가격과 성능 곡선 위의 서로 다른 세 지점입니다. Sol은 100만 토큰당 $5/$30인 플래그십, Terra는 정확히 그 절반인 $2.50/$15의 균형 등급, Luna는 $1/$6인 저가 일꾼입니다. 어려운 부분은 실행이 아닙니다. 작업마다 맞는 등급을 고르고, 쓰지도 않을 성능에 돈을 더 내지 않는 것이 어려운 부분입니다. 이 글은 둘 다 다룹니다. 셋에 어떻게 닿는지, 그리고 어떤 요청을 어느 등급이 맡을지 어떻게 정하는지입니다.

30초 요약: 할 수 있는 것과 할 수 없는 것

한 문장 버전은 이렇습니다. 대량 트래픽은 기본적으로 Luna나 Terra로 보내고, 어려운 꼬리는 Sol에 남기고, 항상 등급 ID를 명시하고, max 강도가 필요하면 Responses API를 쓰세요. 이후는 전부 세부 사항입니다.

판단 기준: 이 등급 나누기가 값어치를 하는 때

등급 나누기는 설정 플래그가 아니라 습관입니다. 트래픽이 실제로 섞여 있을 때 값어치를 하고, 그렇지 않으면 시간 낭비입니다.

세 등급을 다 돌려야 할 때. 같은 제품 안에서 값싼 분류·라우팅과 어려운 다중 파일 리팩터링이 나란히 있는 것처럼 워크로드가 성능 구간을 가로지를 때입니다. 월 청구액이 충분히 커서 대량 트래픽의 2배나 5배 가격 차이가 실제 돈이 될 때입니다. 비용에 민감하지만 어려운 10%의 요청에서 성능을 낮출 수 없을 때입니다. 라우터가 만들어진 이유가 이 경우이고, 100만 출력 토큰당 $1에서 $30까지의 가격 폭이 당길 수 있는 레버가 되는 지점입니다.

굳이 하지 않아도 될 때. 모든 요청의 난도가 비슷하다면 등급 하나를 고르고 끝내세요. 단일 목적 분류기는 Luna만 돌리면 되고, 늘 어려운 추론만 하는 리서치 에이전트는 Sol을 쓰고 라우팅 로직을 건너뛰면 됩니다. 하루 총지출이 몇 달러 수준이라면 등급 라우팅을 만드는 엔지니어링 시간이 절감액보다 비쌉니다.

중단 규칙. 목적이 그냥 플래그십을 호출하는 것이라면 gpt-5.6-sol(게이트웨이에서는 openai/gpt-5.6-sol)을 쓰고 다음 절에서 읽기를 멈추세요. 아래의 등급 선택과 라우팅 이야기는 난도가 다른 요청 유형이 최소 두 가지는 있어야 값어치를 합니다.

세 등급 나란히 보기

각 등급이 실제로 제공하는 것입니다. 요금은 2026년 9월 3일 라이브 ofox 카탈로그에 대조해 확인했습니다. 모든 요금은 100만 토큰당입니다.

판단의 대부분을 좌우하는 사실이 둘입니다. 첫째, 사양의 테두리가 등급 간에 동일합니다. 같은 100만 컨텍스트, 같은 12만 8천 출력 상한입니다. 비용을 위해 컨텍스트를 포기할 일이 없습니다. 모듈 전체를 담은 프롬프트는 Sol에서 들어가는 그대로 Luna에도 들어갑니다. 고르는 것은 용량이 아니라 토큰당 성능입니다. 둘째, 가격 폭이 넓습니다. Luna의 출력 토큰은 Sol의 5분의 1입니다. 에이전트 청구서가 몰리는 출력 중심 작업에서 이 비율이 트래픽을 사다리 아래로 미는 논거 전부입니다.

Sol의 표시가 $5/$30은 이전 플래그십 GPT-5.5와 같습니다. Terra는 같은 워크로드를 정확히 절반 값으로 다시 매깁니다. Luna는 거기서 한 단계 더 아래입니다. 세대 번호는 셋 다 5.6으로 유지되고, 가격을 움직이는 것은 등급 이름입니다.

어떤 작업에 어떤 등급인가

깔끔하게 고르는 방법은 “이 작업이 얼마나 똑똑해야 하나”라는 감이 아니라 요청의 모양으로 고르는 것입니다. 작업을 등급에 매핑하고 라우터가 그것을 강제하게 하세요.

거의 모든 팀이 수렴하는 형태는 두 등급 분할입니다. 대량 요청은 Luna나 Terra로 가고, 작고 어려운 꼬리만 Sol로 올라갑니다. 플래그십이 필요 없는 90%의 트래픽에서 가격 폭을 챙기고, 몇 포인트의 성공률이 결과를 바꾸는 곳에만 플래그십 예산을 씁니다.

등급 선택이 작업당 얼마를 좌우하나

등급 차이는 작업 모양을 얹기 전까지는 추상적입니다. 다중 턴 에이전트 작업 하나를 잡아 봅시다. 입력 5만 토큰(저장소 컨텍스트, 도구 결과, 몇 번의 턴)과 출력 1만 5천 토큰(수정, 설명, 재시도)입니다. 같은 작업, 세 등급, 위 표의 ofox 요금 기준입니다.

하루 천 건이면 전부 Sol로 돌리는 것과 전부 Luna로 돌리는 것의 차이가 월 약 $16,800입니다. 전부 Luna로 돌려야 한다는 말은 아닙니다. 그중 상당수는 Luna가 주는 것 이상을 필요로 합니다. 다만 이 숫자가 라우팅 코드를 짤 값어치가 있는 이유를 설명합니다. 그 트래픽의 3분의 1만 Luna로 충분하고 또 3분의 1이 Terra를 통과한다면, 어려운 꼬리를 건드리지 않고도 혼합 청구액이 전부-Sol 선보다 훨씬 아래로 내려갑니다.

이 계산에서 몸에 익혀 둘 것이 둘 있습니다. 첫째, 비싼 절반은 출력입니다. Sol의 출력 토큰은 Luna의 다섯 배이고 입력 토큰도 다섯 배이지만 보통 원시 개수는 입력이 더 큽니다. 그래서 출력이 적은 작업에서는 등급 간 차이가 좁혀지고 출력이 많은 작업에서는 벌어집니다. 테스트 스캐폴딩, 코드모드, 긴 설명처럼 출력이 많은 생성부터 사다리 아래로 내리세요. 등급 차이가 가장 아프게 무는 곳이 거기입니다. 둘째, 캐시는 순위를 바꾸지 않습니다. 각 등급의 캐시 입력 요금은 그 등급 자신의 비캐시 입력 요금의 정확히 10분의 1입니다(Luna $0.10 대 $1, Terra $0.25 대 $2.50, Sol $0.50 대 $5). 그래서 캐싱은 모든 등급의 입력 청구액을 같은 비율로 낮추고, 어떤 적중률에서도 Luna < Terra < Sol 순서가 유지됩니다. 절대 절감액을 위해 캐싱은 켜되, 그것이 등급 선택을 바꾸게 두지는 마세요.

키 하나로 세 등급 다 돌리기

ofox 경로로 설명합니다. 키 하나가 세 등급에 닿는 것이 요점이기 때문입니다. OpenAI 직접 경로는 base URL과 openai/ 접두사만 빼면 동일합니다.

1단계: 키와 base URL 설정

export OFOX_API_KEY="sk-..."      # app.ofox.ai 에서 발급
export OFOX_BASE_URL="https://api.ofox.io/v1"

예상 결과: 환경 변수 두 개 설정. 아직 네트워크 호출은 없습니다.

2단계: 각 등급을 한 번씩 호출해 접근 확인

from openai import OpenAI
import os

client = OpenAI(base_url=os.environ["OFOX_BASE_URL"], api_key=os.environ["OFOX_API_KEY"])

for tier in ["openai/gpt-5.6-luna", "openai/gpt-5.6-terra", "openai/gpt-5.6-sol"]:
    r = client.chat.completions.create(
        model=tier,
        messages=[{"role": "user", "content": "등급 이름만 답해 줘."}],
    )
    print(tier, "->", r.choices[0].message.content.strip())

예상 결과: 등급당 한 줄씩 세 줄. 어느 줄에서든 not-found 오류가 나면 모델 문자열 철자를 먼저 확인하고, 그다음에 키에 GPT-5.6 접근 권한이 있는지 확인하세요.

3단계: 등급 라우터 만들기

함수 하나가 요청 유형을 모델 문자열로 바꿉니다. 이게 등급 시스템의 전부입니다.

def pick_tier(job: str) -> str:
    if job in {"classify", "route", "extract", "autocomplete"}:
        return "openai/gpt-5.6-luna"
    if job in {"code", "review", "refactor", "docgen"}:
        return "openai/gpt-5.6-terra"
    return "openai/gpt-5.6-sol"   # 어려운 추론 / 에이전트 꼬리

resp = client.chat.completions.create(
    model=pick_tier(job_type),
    messages=messages,
)

예상 결과: 각 요청이 자기 품질 기준을 통과하는 가장 싼 등급에 떨어집니다. 청구서의 모델 열이 각 요청의 비용을 그대로 보여 주고, 분할 기준을 조정할 곳은 pick_tier 한 군데뿐입니다.

4단계: Node에서도 같은 모양

스택이 자바스크립트라도 라우터의 모양은 같습니다.

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: process.env.OFOX_BASE_URL,
  apiKey: process.env.OFOX_API_KEY,
});

const pickTier = (job) => {
  if (["classify", "route", "extract"].includes(job)) return "openai/gpt-5.6-luna";
  if (["code", "review", "refactor"].includes(job)) return "openai/gpt-5.6-terra";
  return "openai/gpt-5.6-sol";
};

const resp = await client.chat.completions.create({
  model: pickTier(jobType),
  messages,
});

5단계: max 강도와 Sol Ultra 쓰기 (Responses API)

max 추론 강도와 Sol의 고연산 Pro·Ultra 모드는 /v1/chat/completions에서 돌지 않습니다. Responses API가 필요합니다. Sol은 none, low, medium, high, xhigh, max의 추론 강도를 지원하며, 그 범위의 최상단에 서브에이전트 Ultra 모드까지 더한 지점이 플래그십이 값을 하는 곳입니다.

resp = client.responses.create(
    model="openai/gpt-5.6-sol",
    input="아래 네 파일에 걸친 데드락을 추적하고 수정안을 제시해 줘.",
    reasoning={"effort": "high"},   # 여기서는 max도 유효, chat/completions에서는 불가
)
print(resp.output_text)

예상 결과: 추론이 많이 들어간 답변. 같은 호출을 함수 도구와 높은 강도 설정을 얹어 chat.completions로 보내면 다음 절의 400을 만나게 됩니다.

자주 나는 오류와 해결

벤치마크가 실제로 말하는 것과 말하지 않는 것

등급은 출시 헤드라인이 아니라 가격과 자기 평가로 고르세요. 헤드라인 숫자가 모든 등급을 다루지 않기 때문입니다. 누가 무엇을 기록했는지로 나눠 정직하게 적으면 이렇습니다.

실무적으로 읽으면 이렇습니다. Sol에는 실제로 공개된 숫자가 있습니다. Terra와 Luna에는 가격 인하와 Claude Fable 5에 대한 모호한 상대 주장 하나가 있을 뿐 그 이상은 없습니다. 그러니 마케팅이 GPT-5.6이 Terminal-Bench에서 91.9%를 냈다고 말할 때, 그것은 Ultra 모드의 Sol이지 일상 코딩을 태워 보낼 등급이 아닙니다. 계획을 세울 때 Sol의 벤치마크를 Terra로 옮겨 오지 마세요. 비용을 줄이려고 워크로드를 Sol에서 Terra로 내리는 중이라면, 자기 로그에서 20~30건짜리 A/B를 먼저 돌리세요. Terra는 싸니까 평가도 싸고, OpenAI의 트래픽이 아니라 자기 트래픽을 설명하는 숫자는 그것뿐입니다.

팀과 다수 개발자 환경 설정

등급 선택은 팀이 공유하면 값어치가 줄지 않고 늘어납니다. 팀에서의 실패 유형은 개발자마다 다른 모델 문자열을 하드코딩해서, Luna로 충분한 작업에 트래픽의 절반이 조용히 플래그십으로 도는 것입니다.

등급 맵을 한곳에 모으세요. pick_tier(또는 Node 쌍둥이)를 사내 공용 패키지에 넣고 애플리케이션 코드에서 날 모델 문자열을 금지하세요. 그러면 평가 결과나 예산이 바뀔 때 Luna/Terra/Sol 경계를 옮길 곳이 한 군데가 되고, 청구서의 모델 열이 개별 추측 백 개가 아니라 정책을 반영하게 되어 비용 귀속을 읽을 수 있게 됩니다.

키 표면을 하나로 쓰세요. 세 등급을 https://api.ofox.io/v1 키 하나로 돌리면 청구 항목 하나, 접근 권한 하나로 끝나고 개발자별 OpenAI 조직 관리가 사라집니다. 새로 합류한 엔지니어도 같은 모델 ID 세 개와 같은 라우터를 받습니다. 나중에 다른 벤더의 네 번째 모델을 추가할 때도 새 연동이 아니라 같은 키와 같은 라우팅 함수에 합류합니다.

플래그십에 상한을 두세요. Sol 지출이 걱정이라면 라우터 뒤에 두고 에스컬레이션 경로만 닿게 한 다음, 모든 Sol 호출을 작업 유형과 함께 로그로 남기세요. 대부분의 팀은 A/B에서 Terra가 무난히 처리하던 Sol 트래픽 덩어리를 발견하게 되고, 그것을 옮기는 자리가 바로 라우터입니다.

GPT-5.6에 닿는 다른 경로

ofox 게이트웨이. https://api.ofox.io/v1 키 하나로 세 등급(openai/gpt-5.6-sol, openai/gpt-5.6-terra, openai/gpt-5.6-luna)을 다른 모델들과 함께 OpenAI 호환 프로토콜에서 사용량 기반으로 돌리고, 등급 라우터가 요청당 비용을 결정합니다. 이 가이드가 기준으로 삼은 구성이며, 등급을 확정하기 전에 A/B 하기에 마찰이 가장 적습니다.

OpenAI 직접. platform.openai.com이 같은 세 등급을 맨 ID(gpt-5.6-sol 등)로 제공하고, max 강도와 Sol Pro·Ultra 모드는 Responses API로 제공합니다. 이미 OpenAI 조직 도구에 깊이 들어가 있고 같은 키에 다른 벤더가 필요 없다면 이쪽입니다. 대신 접근 권한이 표면별·조직별로 부여되므로, 같은 사람이 ChatGPT에서 모델을 쓸 수 있어도 잘못된 조직의 키는 404가 납니다.

GitHub Copilot 등 다른 표면. GPT-5.6은 GA 시점에 Copilot에도 들어갔습니다. 에디터 안에서 대화식으로 코딩하기에는 좋지만 프로그램 트래픽을 태워 보내는 API는 아니므로, 앱을 만드는 용도로 게이트웨이나 직접 경로를 대체하지는 않습니다.

솔직히 적어 두면, OpenAI 직접이 모델에 대한 진실의 출처이고 별칭 동작과 Responses API 기능이 보장되는 유일한 곳입니다. 게이트웨이의 장점은 등급과 벤더를 가로지르는 키 하나와, 코드를 그대로 둔 채 하는 비용 A/B입니다. 단일 벤더의 단순함과 멀티 모델 라우팅 중 무엇을 중시하는지로 고르세요.

이 글이 확인한 출처

• OpenAI GPT-5.6 Sol 모델 레퍼런스
• OpenAI API 요금
• OpenAI 추론 가이드(강도 단계, Responses API)
• Simon Willison: 새 GPT-5.6 계열(Luna, Terra, Sol)
• OpenAI 커뮤니티: GPT-5.6 chat-completion 추론 강도 동작
• ofox 모델 카탈로그: GPT-5.6 Sol
• ofox 모델 카탈로그: GPT-5.6 Terra
• ofox 모델 카탈로그: GPT-5.6 Luna

세 등급의 요금, 컨텍스트, 캐시 요금, 웹 검색 추가 요금과 맨 openai/gpt-5.6 ID가 카탈로그에 없다는 사실은 2026년 9월 3일 라이브 /v1/models 엔드포인트에 대조해 확인했습니다.