GPT-5.6 Sol vs Terra vs Luna: 어떤 모델을 사용해야 할까요?

GPT-5.6 Sol, Terra, Luna 중에서 선택하는 것은 하나의 보편적인 승자를 찾는 대회가 아닙니다. 이는 라우팅 문제입니다: 이 특정 작업에 얼마나 많은 지능, 지연 시간 및 비용이 정당화되는가?

OpenAI는 Sol을 복잡한 전문 작업을 위한 플래그십 모델, Terra를 지능과 비용의 균형을 맞춘 모델, Luna를 대규모 워크로드를 위한 가장 저렴한 옵션으로 정의합니다. 세 모델 모두 추론 제어, 대규모 컨텍스트 창, 텍스트 및 이미지 입력, 지원되는 API 환경에서의 도구를 지원합니다. 이들의 차이는 개별 프롬프트가 아닌 전체 작업을 측정할 때 의미가 있습니다.

한눈에 보는 결정

| 선택 | 워크로드가 다음과 같을 때 | 현재 API 가격: 입력/출력 1M 토큰당 | | Sol | 어렵고, 모호하며, 영향력이 크고, 장기적이거나 최종 검토 작업 | $4 / $20 | | Terra | 품질과 비용의 균형이 중요한 반복적인 전문 작업 | $2 / $12 | | Luna | 대용량, 지연 시간 또는 예산에 민감한 작업으로 명확한 검증 필요 | $0.20 / $1.20 |

이것은 2026년 9월 3일에 확인된 게시된 텍스트 토큰 가격입니다. 캐시된 입력, 매우 긴 프롬프트, 도구, 배치 또는 빠른 모드는 최종 비용을 변경할 수 있습니다.

위험부터 시작하라, 모델 크기가 아닌

예시를 비교하기 전에, 다섯 가지 차원에 따라 작업을 분류하세요:

실패의 영향: 출력이 권고 사항, 되돌릴 수 있는 사항 또는 고객 대면 사항입니까?
모호성: 여러 가지 그럴듯한 해석이 존재하나요?
검증: 소프트웨어나 검토자가 실수를 저렴하게 감지할 수 있는가?
볼륨: 시스템이 10개의 요청을 처리할까요, 아니면 1,000만 개의 요청을 처리할까요?
지연 시간: 사용자가 즉각적인 응답을 필요로 합니까?

Sol은 모호성과 실패 비용이 증가할수록 매력적이게 된다. Luna는 규모와 검증 가능성이 증가할수록 매력적이게 된다. Terra는 넓은 중간 영역을 차지한다.

GPT-5.6 Sol이 올바른 선택인 경우

Sol은 원시 처리량보다 판단이 더 중요한 작업을 위해 설계되었습니다. 예를 들어 상충되는 증거를 종합하거나, 다단계 구현을 계획하거나, 어려운 디버깅 실패를 해결하거나, 중요도가 높은 보고서를 검토하거나, 긴 작업에 걸쳐 여러 도구를 조정하는 경우가 이에 해당합니다.

또한 자연스러운 에스컬레이션 단계입니다. 시스템은 일상적인 작업을 Luna나 Terra로 보내고, 규칙을 위반하거나 신뢰도 점수가 낮거나 비즈니스 영향이 큰 사례를 Sol이 검토하도록 요청할 수 있습니다.

좋은 Sol 워크로드

여러 문서에 걸친 최종 종합 및 출처 요구 사항 포함.
아키텍처와 테스트를 아우르는 복잡한 코드 변경 사항.
불확실성과 상충되는 증거를 포함한 멀티툴 연구.
스토리, 관객, 제약 조건을 조화시켜야 하는 최종 창작 방향
긴 대본과 캐릭터 바이블 전반에 걸친 어려운 연속성 검토.

Sol이 낭비될 수 있는 곳

Sol은 결정적 변환, 단순 추출 또는 대량 분류에는 불필요할 수 있습니다. 모든 요청에 플래그십 추론을 사용하면 약한 아키텍처를 숨길 수 있습니다. 스키마 검증기, 조회 테이블 또는 더 작은 모델이 쉬운 경우를 더 저렴하게 해결할 수 있습니다.

GPT-5.6 Terra가 최적의 기본값인 경우

Terra는 극단을 강요하지 않기 때문에 프로덕션 평가에 가장 유용한 기준선인 경우가 많습니다. OpenAI는 이를 지능과 비용의 균형으로 자리매김하고 있으며, 현재 API 가격은 Sol과 Luna 사이에 있습니다.

출력물에 판단이 필요하지만 검토, 재시도 또는 에스컬레이션이 가능한 경우 Terra를 선택하세요. 보고서 초안 작성, 프로젝트 컨텍스트 요약, 브리프를 구조화된 계획으로 변환, 초기 코드 생성, 또는 제한된 워크플로에서 도구를 운영하는 데 적합합니다.

크리에이티브 팀의 경우, Terra는 스토리 브리프를 장면 카드로 변환하거나, 캐릭터 속성을 재사용 가능한 스키마로 정규화하거나, 고정된 플롯을 존중하면서 대체 대사를 생성할 수 있습니다. 계획이 승인되면, 이러한 구조화된 자산은 시각적 제작을 위해 Elser AI로 이동할 수 있습니다.

테라의 숨겨진 장점: 운영의 단순성

이론적으로 가장 저렴한 라우터가 항상 운영상 가장 저렴한 것은 아닙니다. Luna가 광범위한 예외 처리를 요구하고 Sol이 과도하다면, Terra가 라우팅 복잡성을 줄일 수 있습니다. 더 복잡한 캐스케이드를 정당화할 충분한 트래픽과 평가 데이터를 확보하기 전까지는, 성능이 좋은 단일 중간 계층이 더 바람직할 수 있습니다.

GPT-5.6 Luna가 승리할 때

루나의 낮은 토큰 가격은 새로운 볼륨 카테고리를 실용적으로 만들지만, 최고의 루나 작업들은 한 가지 속성을 공유합니다: 품질을 확인할 수 있다는 것입니다.

예시로는 스키마로 필드 추출, 지원 메시지 태깅, 메타데이터 변형 생성, 콘텐츠 재구성, 짧은 설명 초안 작성, 리뷰 파이프라인의 첫 번째 패스 수행 등이 있습니다. Luna는 깊은 숙고보다 응답성이 중요한 대화형 인터페이스에도 사용될 수 있습니다.

확대를 위한 설계

루나에게 자신의 불확실한 답변이 올바른지 모호한 신뢰도 점수로 판단하도록 요청하지 마세요. 외부 신호를 사용하세요:

스키마 유효성 검사 실패;
누락된 인용;
두 패스 간의 불일치;
금지되거나 알 수 없는 카테고리;
위험과 관련된 비즈니스 규칙;
작은 평가 모델 또는 결정론적 검사;
무작위 인간 샘플링.

플래그가 지정된 하위 집합만 Terra 또는 Sol로 에스컬레이션하세요.

모델 계층과 추론 노력은 서로 다른 조절 장치입니다

모든 GPT-5.6 API 계층은 none, low, medium, high, xhigh 및 max를 지원합니다. 흔한 실수는 낮은 노력의 Luna와 최대 노력의 Sol을 비교하여 그 차이 전부를 모델 계층 탓으로 돌리는 것입니다.

수락 기준을 충족하는 최저 비용 구성을 비교하세요. 더 많은 추론은 측정 가능한 개선을 통해 그 자리를 차지해야 합니다.

세 가지 실용적인 라우팅 아키텍처

패턴 1: 규칙 기반 라우팅

알려진 속성에 따라 작업을 계층으로 전송합니다. 짧고 구조화된 요청은 Luna로, 길거나 모호한 요청은 Terra로 전송됩니다. 영향력이 큰 카테고리는 직접 Sol로 전송됩니다.

이 패턴은 투명하고 디버깅하기 쉽지만, 그 규칙들은 유지보수가 필요합니다.

패턴 2: 생성, 검증, 에스컬레이션

루나가 답변을 생성합니다. 결정론적 검사가 이를 검사합니다. 실패한 출력은 테라로 이동하고, 해결되지 않은 경우만 솔로 이동합니다. 이는 구조화된 출력과 분류에 효과적입니다.

패턴 3: 초안 작성 및 검토

Terra가 초안을 작성하고, Sol은 선별된 결과물만 검토합니다. 검토자는 소스, 승인 기준 및 초안을 받아야 하며, 단순히 "이것을 개선하라"는 요청만 받아서는 안 됩니다. 특정 실패 사항을 식별하고 필요한 부분만 변경하도록 요청하세요.

창의적 제작에도 동일한 접근 방식을 사용할 수 있습니다. Terra가 촬영 목록을 작성하고, Sol이 연속성을 검토하며, 승인된 시퀀스는 Elser AI에서 제작됩니다. 이렇게 하면 고가의 모델이 일상적인 형식 작업보다는 판단에 집중할 수 있습니다.

비용 계산 예시

100,000개의 요청을 상상해보세요. 각 요청은 2,000개의 입력 토큰과 500개의 출력 토큰을 포함합니다. 캐싱 및 도구는 무시합니다.

Luna는 2억 개의 입력 토큰과 5천만 개의 출력 토큰을 사용할 것입니다.
Terra는 실질적으로 더 높은 토큰 속도로 동일한 볼륨을 처리할 것입니다.
Sol의 비용이 다시 더 비싸질 것입니다.

하지만 유효한 비교에는 실패 비용과 검토 비용이 추가되어야 합니다. Luna가 사례의 20%를 인간에게 보내고 Terra가 3%를 보낸다면, Terra가 전반적으로 더 저렴할 수 있습니다. 토큰 가격만으로 결론을 내리지 말고, 측정된 수락률을 사용하여 스프레드시트를 구축하세요.