GPT-6 Sol / Luna로 생각하는 코딩 에이전트의 모델 선택과 비용

2026년 9월에 발표된 GPT-6 Sol / Luna에서 주목한 것은 최고 성능 모델 자체의 성능이라기보다, 저비용 모델의 실용 범위가 넓어졌다는 점이었습니다.

에이전트에서는 한 번의 단가가 쌓인다

코딩 에이전트는 코드 검색, 파일 편집, 테스트, 리뷰를 반복합니다. 어려운 설계 판단과 기존 패턴을 따르는 단순한 편집을 같은 모델에 맡길 필요는 없습니다.

다음은 GPT-6 Sol / Luna가 발표된 2026년 9월 시점의 API 공개 가격입니다. 현재의 모델 구성이나 가격과는 다를 수 있습니다. 입력 및 출력 100만 토큰당 다음과 같은 차이가 있었습니다.

입력 10만 토큰, 출력 2만 토큰을 사용하는 작업을 단순 계산하면, Astra가 약 $2, Sol이 약 $0.40, Luna가 약 $0.02입니다. 캐시(cache), 추론 토큰(reasoning token)이나 도구 사용은 이 예시에서 고려하지 않았습니다.

한 번의 차이는 작더라도, 에이전트가 시도를 여러 번 반복하면 그 차이가 커집니다.

태스크별로 모델을 분리한다

예를 들어, 다음과 같이 생각할 수 있습니다.

• Luna: 코드 탐색, 분류, 정형적인 소규모 수정, 서브태스크 -
• Sol: 평소의 구현, 리뷰, 여러 파일 변경 -
• Astra: 설계가 어려운 부분, 원인 불명의 장애, 광범위한 판단

물론, 이것이 고정적인 우열 순위는 아닙니다. 실제 리포지토리에서 실패율이나 재작업(handover)을 측정하지 않으면, 가장 저렴한 모델이 가장 적게 드는 것은 아닐 수 있습니다.

OpenAI의 모델 선택 가이드도 태스크에 따라 경량 구성부터 시도하는 방법을 안내하고 있습니다.

최적화하고 싶은 것은 토큰 단가만은 아니다

예를 들어 Luna로 실패하여 여러 번 재시도하면, Sol로 한 번에 완료하는 것보다 비싸질 수도 있습니다. 반대로, 단순한 포맷팅을 매번 상위 모델에게 보내는 것도 낭비입니다.

따라서 코딩 에이전트에서는 가격표만으로 판단하기보다는, 성공률, 수정 후의 리뷰 부하, 실행 횟수까지 포함하여 보는 것이 실태에 가깝다고 생각합니다.

모델이 똑똑해지는 것은 물론 환영할 일입니다. 하지만 평소 개발에서 체감하기 쉬운 발전은 **'같은 예산으로 실패를 포함한 시도와 오류를 얼마나 맡길 수 있는가'**일지도 모릅니다.

원문 기사에서는 세대 간의 가격 비교, 모델명 계층 구조, ChatGPT에서의 제공 상황 등도 자세히 정리하고 있습니다.

Discussion