GPT-5.6 Sol·Terra·Luna 완전 비교 2026 — 모델별 특화 영역과 장단점 분석
OpenAI가 2026년 7월 9일, 차세대 모델 GPT-5.6을 세 갈래로 나눠 정식 출시했다. 하나의 만능 모델 대신 Sol(플래그십)·Terra(균형)·Luna(초고속·저가)로 티어를 쪼갠 것이 이번 세대의 핵심이다. ChatGPT·Codex·API에 동시 적용됐다.
이 글은 세 모델이 각각 어디에 특화됐고, 무엇을 잘하고 못하는지를 스펙·가격·벤치마크로 분석한다. 성능 수치는 OpenAI 발표와 제3자 벤치를 함께 표기했고, 자체 보고 수치는 별도로 명시했다. 특정 모델을 띄우기보다, 용도에 맞는 선택 기준을 제공하는 것이 목표다.
왜 셋으로 나눴나 — 3분할 구조 개요
GPT-5.6이 하나가 아니라 셋인 이유는 “모든 작업에 최고 모델을 쓰는 건 낭비”라는 판단 때문이다. 요약·분류 같은 단순 작업에 플래그십을 돌리면 비용만 커진다. 그래서 성능과 비용을 계단식으로 나눴다.
Terra(테라) — 균형형 주력 모델. 대부분의 일상·업무를 커버하는 기본값
Luna(루나) — 가장 빠르고 저렴한 티어. 대량 처리·단순 작업용
이름의 규칙: Sol(태양)·Terra(지구)·Luna(달)로, 크기이자 성능 순서를 천체에 빗댔다. Sol이 가장 크고 강력하며, Luna가 가장 작고 빠르다. API 모델명은 각각
gpt-5.6-sol, gpt-5.6-terra, gpt-5.6-luna이고, Sol에는 최대 추론을 쓰는 Sol Ultra 고성능 모드가 별도로 있다.
공통 스펙·가격·벤치마크 비교
세 모델은 기본 스펙을 공유한다. 컨텍스트 창, 최대 출력, 지식 컷오프가 동일하고, 차이는 성능 등급과 가격에서 갈린다.
| 항목 | Sol | Terra | Luna |
|---|---|---|---|
| 포지션 | 플래그십 | 균형·기본값 | 초고속·저가 |
| 입력 가격(100만 토큰) | $5 | $2.50 | $1 |
| 출력 가격(100만 토큰) | $30 | $15 | $6 |
| 컨텍스트 창 | 100만 토큰 (동일) | ||
| 최대 출력 | 128,000 토큰 (동일) | ||
| 지식 컷오프 | 2026년 2월 16일 (동일) | ||
| 입력 형식 | 텍스트 + 이미지 (오디오·영상 미지원) | ||
성능 차이는 벤치마크에서 드러난다. 아래는 OpenAI 및 제3자 벤치 수치를 정리한 것으로, 일부는 OpenAI 자체 보고임을 감안해야 한다.
| 벤치마크 | 내용 | 결과 |
|---|---|---|
| Agents’ Last Exam | 55개 분야 장기 워크플로우 | Sol 53.6 (신기록) 1위 |
| Terminal-Bench 2.1 | 에이전트 코딩 | Sol Ultra 91.9% / Sol 88.8% |
| Coding Agent Index | Artificial Analysis 코딩 지표 | Sol 80점 (최상위) |
| SWE-Bench Pro | 프로덕션급 코딩 | Claude Fable 5 80% > Sol 64.6% |
벤치마크는 균형 있게 읽어야 한다: Sol은 장기 에이전트·터미널 코딩 벤치에서 앞섰지만, 실제 프로덕션 코딩을 재는 SWE-Bench Pro에서는 Claude Fable 5(80%)에 Sol(64.6%)이 크게 뒤졌다. OpenAI는 “SWE-Bench Pro 과제의 약 30%가 결함이 있다”고 반박했으나, 이는 OpenAI 측 주장이다. 벤치마크 승패보다 내 작업 유형에 맞는지가 중요하다.
Sol — 프론티어 플래그십 분석
Sol은 여러 파일·테스트·후속 수정을 넘나드는 장기 작업에서 가장 강하다. 작업의 윤곽이 명확할수록 진가를 발휘한다. Cerebras 추론 파트너십으로 초당 최대 750토큰의 빠른 속도도 지원한다. Sol Ultra 모드에서는 최대 추론과 서브에이전트를 활용한다.
👍 장점
- 장기 에이전트 워크플로우 최상위(ALE 53.6)
- 터미널·에이전트 코딩에서 강력
- 대규모 문제를 끝까지 끌고 가는 지구력
- Sol Ultra로 고난도 추론 확장
👎 단점
- 가장 비쌈($5/$30) — 단순 작업엔 낭비
- 정답이 여러 개인 판단(설계 논쟁 등)엔 애매
- 프로덕션급 코딩은 Claude에 밀림(SWE-Bench Pro)
- 과한 스펙이 필요 없는 작업이 대부분
Sol이 맞는 순간: “여러 단계를 거쳐 끝까지 완성해야 하는, 구조가 분명한 큰 작업”. 반대로 설계 방향이 여러 갈래로 갈리는 모호한 판단 문제에서는 다른 모델과 병행해 교차검증하는 편이 안전하다.
Terra — 균형형 주력 모델 분석
Terra는 이전 세대 GPT-5.5급 성능을 약 절반 가격에 내는 것을 목표로 한 균형 모델이다. OpenAI가 비용 설계의 중심으로 내세운 티어로, 개발자·업무 사용자 대부분에게 “기본값”으로 권장된다. Sol만큼 비싸지 않고 Luna의 한계도 없다.
👍 장점
- 성능·비용 균형이 가장 좋음
- GPT-5.5급 성능을 약 절반 값에
- 일반 코딩·문서·분석 대부분 커버
- Fable 5를 약 1/16 비용으로 상회(OpenAI 주장)
👎 단점
- 최고 난도 작업은 Sol에 못 미침
- 초대량·초저가가 목적이면 Luna가 유리
- “애매하게 중간”이라 극단적 요구엔 불리
- 플래그십급 지구력은 기대하기 어려움
고민되면 Terra: 어떤 티어를 쓸지 확신이 안 서면 Terra가 정답에 가깝다. 대부분의 전문 작업을 Sol의 비용 부담 없이, Luna의 성능 한계 없이 처리한다. 여기서 시작해 무거우면 Sol로, 너무 과하면 Luna로 조정하는 방식이 합리적이다.
Luna — 초고속·저가 모델 분석
Luna는 대량·고빈도 작업을 위한 티어다. 요약·라벨링·추출·초안 같은 “가벼운 첫 패스” 작업에 최적이며, 비싼 모델로 넘기기 전 1차 필터로 부하를 줄이는 데 유용하다. 입력·출력 모두 Sol의 5분의 1 가격이다.
👍 장점
- 압도적 저가($1/$6)·빠른 속도
- 대량·반복 작업에 최적
- 요약·분류·추출·초안에 충분
- 상위 모델 escalation 전 1차 필터로 유용
👎 단점
- 복잡한 분석·다단계 추론에 확연히 약함
- 롱폼(장문) 처리에 취약
- 정교함이 필요한 작업엔 부적합
- 품질보다 처리량이 목적일 때만 유효
Luna를 쓰면 안 되는 곳: 복잡한 추론·다단계 논리·긴 문서 정밀 처리에 Luna를 쓰면 Terra·Sol보다 눈에 띄게 결과가 나빠진다. Luna는 “품질을 조금 희생하고 양·속도·비용을 얻는” 용도라는 점을 분명히 하고 써야 한다.
용도별 선택 가이드와 체크리스트
세 모델의 특화와 장단점을 종합하면, 선택은 작업의 난도와 양, 그리고 비용으로 갈린다.
| 이런 작업이면 | 추천 모델 | 이유 |
|---|---|---|
| 여러 파일·테스트 걸친 큰 코딩·에이전트 | Sol | 장기 지구력·에이전트 성능 최상위 |
| 일상 업무·일반 코딩·콘텐츠 작성 | Terra | 성능·비용 균형, 대부분 커버 |
| 대량 요약·분류·추출·초안 | Luna | 초저가·초고속, 1차 처리 최적 |
| 정답이 여러 개인 전략·설계 판단 | Sol + 타 모델 병행 | 모호한 판단은 교차검증 권장 |
| 정밀 프로덕션 코딩 | Sol / Claude 비교 검토 | SWE-Bench Pro는 Claude 우세 |
GPT-5.6 티어 선택 — 5단계
- 1 기본은 Terra: 확신이 없으면 Terra로 시작. 성능·비용 균형이 가장 좋다
- 2 무거우면 Sol: 여러 단계·구조가 분명한 큰 작업이면 Sol(필요 시 Ultra)
- 3 대량이면 Luna: 요약·분류·추출은 Luna로 비용·속도 확보
- 4 파이프라인 조합: Luna로 1차 필터 → Terra/Sol로 escalation하면 비용 최적화
- 5 코딩은 실측 비교: 프로덕션 코딩은 벤치마다 엇갈리니 내 코드베이스로 직접 테스트
· OpenAI — GPT-5.6 공식 발표 (2026.7.9 GA)
· Simon Willison — GPT-5.6 family: Luna, Terra, Sol (가격·스펙 정리)
? 벤치·용도 분석 (제3자·자체보고 혼재):
· Vellum — Sol vs Terra vs Luna: 어느 티어를 쓸까
· MindStudio — Sol·Terra·Luna 티어 설명
📊 유의: Agents’ Last Exam·Terminal-Bench 등 일부 수치는 OpenAI 자체 보고다. SWE-Bench Pro의 Claude 우세는 OpenAI가 벤치 결함을 주장하며 반박한 상태로, 실사용에선 코드베이스별 직접 비교를 권장한다. 모델 성능 평가는 필자 해석이 포함될 수 있다.