GPT-5.6 Luna·Terra·Sol 가격과 성능 비교 — 어떤 모델을 써야 할까?

OpenAI의 GPT 모델을 API로 서비스에 적용할 때 가장 고민되는 부분은 결국 두 가지다.

“어떤 모델이 가장 성능이 좋은가?”

그리고

“그 성능에 얼마를 지불해야 하는가?”

현재 OpenAI의 GPT-5.6 계열은 크게 Luna, Terra, Sol 세 가지 모델로 나뉜다.

단순하게 정리하면 다음과 같다.

Luna = 저렴한 대량 처리 모델
Terra = 가격과 성능의 균형 모델
Sol = 최고 수준의 복잡한 추론 모델

특히 세 모델 모두 추론 강도를 조절할 수 있기 때문에 서비스의 성격에 따라 상당히 세밀한 비용 최적화가 가능하다.

이번 글에서는 GPT-5.6 Luna, Terra, Sol의 API 가격, 추론 성능, 벤치마크, 그리고 실제 서비스에서 어떻게 모델을 선택하면 좋은지 정리해본다.

---

1. GPT-6이 아니라 GPT-5.6이다

먼저 모델명을 정확하게 구분할 필요가 있다.

Luna, Terra, Sol은 현재 GPT-6 모델이 아니라 GPT-5.6 계열이다.

구조는 다음과 같이 이해하면 쉽다.

GPT-5.6
 ├─ Luna
 ├─ Terra
 └─ Sol

세 모델은 같은 GPT-5.6 계열이지만 가격과 추론 성능에서 큰 차이가 있다.

---

2. GPT-5.6 모델별 API 가격

2026년 8월 19일 기준 가격은 다음과 같다.

모델입력 100만 토큰캐시 입력출력 100만 토큰

GPT-5.6 Luna	$0.20	$0.02	$1.20
GPT-5.6 Terra	$2.00	$0.20	$12.00
GPT-5.6 Sol	$5.00	$0.50	$30.00

가격만 보면 차이가 상당히 크다.

Luna → Terra

입력과 출력 모두 약 10배 비싸진다.

Terra → Sol

약 2.5배 비싸진다.

Luna → Sol

무려 25배 차이가 난다.

즉 단순 API 비용만 생각하면 Luna가 압도적으로 저렴하다.

---

3. Luna, Terra, Sol의 포지션

모델을 쉽게 구분하면 다음과 같다.

GPT-5.6 Luna

대량 처리 + 비용 최적화 모델

예를 들면 다음과 같은 작업에 적합하다.

• 문서 요약
• 번역
• 정보 분류
• 간단한 챗봇
• 데이터 가공
• 검색 결과 정리
• 대량 콘텐츠 처리
• 간단한 AI Agent

API 호출량이 많은 서비스라면 가장 먼저 고려할 수 있는 모델이다.

---

GPT-5.6 Terra

성능과 비용의 균형형 모델

Luna보다 훨씬 높은 비용이 들지만 복잡한 작업에서 안정적인 성능을 기대할 수 있는 위치다.

예를 들면 다음과 같다.

• AI 코딩 에이전트
• 복잡한 문서 분석
• 업무 자동화
• 데이터 분석
• 리서치
• 코드 리뷰
• 디버깅
• 다단계 Agent Workflow

실제 SaaS나 AI Agent 서비스를 만든다면 가장 범용적인 모델이 될 가능성이 높다.

---

GPT-5.6 Sol

최고 수준의 복잡한 추론 모델

가장 비싸지만 어려운 문제를 풀어야 할 때 사용하는 모델이다.

대표적인 영역은 다음과 같다.

• 복잡한 시스템 설계
• 고난도 프로그래밍
• 대규모 코드 분석
• 수학 문제
• 과학적 추론
• 장시간 Agent 작업
• 복잡한 의사결정
• 멀티스텝 리서치

쉽게 말하면 비용보다 결과 품질이 중요한 작업에 사용하는 모델이다.

---

4. 추론 강도도 조절할 수 있다

GPT-5.6의 재미있는 점은 모델만 선택하는 것이 아니라 Reasoning Effort, 즉 추론 강도까지 선택할 수 있다는 것이다.

지원되는 단계는 다음과 같다.

none
low
medium
high
xhigh
max

즉 Luna라고 해서 항상 단순한 모델처럼 동작하는 것은 아니다.

예를 들어

Luna + none

으로 사용하면 매우 저렴하고 빠른 작업 처리가 가능하다.

반대로

Luna + high

를 사용하면 Luna에서도 훨씬 깊은 추론을 수행하도록 설정할 수 있다.

---

5. Reasoning을 높이면 API 단가도 올라갈까?

여기서 중요한 부분이 하나 있다.

Reasoning을

low
→ medium
→ high
→ xhigh
→ max

로 높인다고 해서 토큰 단가 자체가 변경되는 것은 아니다.

하지만 실제 비용은 증가할 수 있다.

그 이유는 모델이 문제를 해결하기 위해 사용하는 Reasoning Token이 증가할 수 있기 때문이다.

즉

토큰 가격
=
동일

이지만

사용 토큰 수
=
증가 가능

하기 때문에 최종 API 비용은 올라갈 수 있다.

---

6. 모델별 추론 성능 비교

공개된 벤치마크 기준으로 모델 간 성능을 비교하면 다음과 같다.

BenchmarkLunaTerraSol

Artificial Analysis Intelligence Index	51.2	55.0	58.9
Coding Agent Index	74.6	77.4	80.0
Agents' Last Exam	50.3%	50.4%	52.7%
GPQA Diamond	92.3%	92.9%	94.6%
FrontierMath Tier 1–3	78.6%	84.9%	89.0%
FrontierMath Tier 4	58.5%	68.3%	83.0%
BrowseComp	83.3%	87.5%	90.4%
OSWorld 2.0	45.6%	50.2%	62.6%

여기서 상당히 흥미로운 특징이 나타난다.

---

7. 쉬운 문제에서는 Luna도 상당히 강하다

가격은 Luna와 Sol이 무려 25배 차이가 난다.

하지만 전체 Intelligence Index를 보면

Luna   51.2
Terra  55.0
Sol    58.9

정도다.

가격 차이에 비해 일반적인 벤치마크 차이는 생각보다 크지 않다.

따라서 단순한 작업에서 무조건 Sol을 사용하는 것은 비용 효율이 떨어질 수 있다.

---

8. 어려운 문제에서는 Sol의 차이가 커진다

반대로 문제 난도가 높아질수록 Sol의 강점이 분명하게 나타난다.

대표적인 사례가 FrontierMath Tier 4다.

Luna   58.5%
Terra  68.3%
Sol    83.0%

Luna와 Sol의 차이가 무려 24.5%p다.

OSWorld 2.0에서도 비슷하다.

Luna   45.6%
Terra  50.2%
Sol    62.6%

즉 일반적인 작업에서는 Luna도 충분히 강하지만, 매우 복잡한 Agent 작업이나 고난도 추론에서는 Sol의 가치가 커지는 구조라고 볼 수 있다.

---

9. 가격 대비 성능을 계산해보면 Luna가 상당히 강하다

가격과 Intelligence Index를 단순 비교해보자.

Luna

입력

$0.20 / 1M tokens

Intelligence Index

51.2

Terra

입력

$2.00 / 1M tokens

Intelligence Index

55.0

Sol

입력

$5.00 / 1M tokens

Intelligence Index

58.9

Luna → Terra로 넘어가면서 비용은 약 10배 증가하지만 Intelligence Index는 약 7% 정도 올라간다.

Sol까지 올라가면 Luna 대비 가격은 25배지만 Intelligence Index 차이는 약 15% 수준이다.

물론 벤치마크 하나만으로 모델의 실제 성능을 평가할 수는 없다.

하지만 대량 API 서비스에서는 Luna의 가격 경쟁력이 매우 크다는 점은 눈여겨볼 만하다.

---

10. 그렇다면 실제 서비스에서는 어떤 모델을 써야 할까?

[Inference] 서비스에서 모델을 하나만 사용하는 것보다 작업 난도에 따라 모델을 나누는 구조가 비용 효율적일 수 있다.

예를 들어 다음처럼 구성할 수 있다.

작업모델Reasoning

단순 분류	Luna	none
요약	Luna	low
번역	Luna	low
일반 챗봇	Luna	medium
복잡한 질문	Luna	high
업무 자동화	Terra	medium
AI 코딩	Terra	high
복잡한 디버깅	Terra	high
시스템 설계	Sol	high
고난도 연구	Sol	xhigh
매우 어려운 문제	Sol	max

---

11. 가장 흥미로운 구조는 AI Model Routing

[Inference] 개인적으로 가장 효율적인 아키텍처는 세 모델을 계층적으로 사용하는 방식이다.

예를 들어 사용자의 모든 요청을 처음부터 Sol에게 보내지 않는다.

먼저 Luna가 처리한다.

사용자 요청
      ↓
    Luna
      ↓
처리 가능?
   ↓       ↓
 YES       NO
 ↓          ↓
응답       Terra
             ↓
          처리 가능?
          ↓       ↓
         YES      NO
          ↓        ↓
         응답      Sol

이런 방식을 Model Routing 또는 Model Escalation 구조라고 볼 수 있다.

---

12. Luna → Terra → Sol 자동 승격

[Inference] 실제 AI 서비스를 만든다면 다음과 같은 구조도 고려할 수 있다.

Level 1

Luna + low

대부분의 일반 요청 처리

Level 2

Luna + high

조금 더 어려운 문제

Level 3

Terra + high

복잡한 Agent / Coding

Level 4

Sol + high

고난도 문제

Level 5

Sol + max

최종 문제 해결 시도

이렇게 하면 비용을 상당히 세밀하게 제어할 수 있다.

---

13. AI Coding Agent에도 이 구조를 적용할 수 있다

[Inference] 예를 들어 AI 개발 플랫폼을 만든다고 가정해보자.

단순한 코드 작업은 Luna가 처리한다.

변수명 변경
README 수정
간단한 API 작성
테스트 코드 생성

조금 더 복잡하면 Terra로 승격한다.

버그 분석
리팩터링
DB 설계
API 구조 변경

더 어려운 작업은 Sol에게 보낸다.

전체 시스템 설계
복잡한 성능 문제
Race Condition
Distributed System
대규모 Architecture 변경

이런 식으로 만들면 모든 개발 작업에 비싼 모델을 사용하는 것을 피할 수 있다.

---

14. 컨텍스트 길이도 상당히 크다

세 모델 모두 최대 약

1.05M tokens

수준의 컨텍스트를 지원하고 최대 출력은

128K tokens

수준이다.

따라서 대규모 코드베이스 분석이나 긴 문서를 처리하는 Agent를 만드는 데도 활용할 수 있다.

다만 매우 긴 컨텍스트를 사용할 경우 별도의 Long Context 가격 정책이 적용될 수 있으므로 대규모 문서를 항상 전체 입력하는 방식보다는 검색·RAG·Context Engineering과 함께 사용하는 것이 비용 측면에서 중요하다.

---

15. 결론

GPT-5.6 Luna, Terra, Sol을 한 문장으로 정리하면 다음과 같다.

Luna

가격 대비 성능 최강

대량 서비스와 일반적인 AI 기능에 적합하다.

Terra

AI Agent와 코딩의 균형점

성능과 가격을 모두 고려해야 하는 업무형 서비스에 적합하다.

Sol

최고 난도의 문제 해결

비용보다 결과 품질이 중요한 복잡한 작업에 적합하다.

---

그리고 실제 서비스를 만든다면 가장 흥미로운 전략은 특정 모델 하나를 선택하는 것이 아니다.

[Inference] 오히려

Luna
 ↓
Terra
 ↓
Sol

형태의 다단계 AI Model Router를 만드는 것이 비용과 성능을 동시에 관리하는 데 유리할 수 있다.

대부분의 요청은 저렴한 Luna가 처리하고, Luna가 해결하지 못하는 문제만 Terra로 넘긴다.

그래도 해결이 어렵다면 마지막으로 Sol을 사용한다.

AI 모델의 성능이 계속 높아지는 시대에는 결국

“가장 좋은 모델을 사용하는 것”보다
“어떤 문제에 어떤 모델을 배치하는가”가 더 중요해질 수 있다.

이것이 GPT-5.6 Luna, Terra, Sol을 바라볼 때 가장 중요한 포인트다.

---

기준일: 2026년 8월 19일

※ API 가격과 모델 정책은 변경될 수 있으므로 실제 개발 및 서비스 적용 전 OpenAI 공식 API 문서에서 최신 가격과 모델 사양을 다시 확인하는 것이 좋다.