GPT-5.6 루나 가격 80% 인하, Codex에서 어떤 모델을 써야 할까?

GPT-5.6이 출시되면서 선택할 수 있는 모델이 많아진 것은 분명 반가운 일이지만 최상위 모델인 솔(Sol)부터 균형형 모델인 테라(Terra), 저렴한 루나(Luna)까지 작업의 목적과 비용에 맞게 어떤 모델을 골라서 사용해야 할 지는 상당히 헷갈리고 있습니다.

그런 상황에서 OpenAI가 갑자기 얼마전 출시한 5.6 모델의 가격을 기습 변경했습니다. GPT-5.6 루나의 가격을 80% 내렸고 테라 역시 20% 인하됐지만 솔의 가격은 그대로 유지됐습니다.

AI타임스오픈AI, GPT-5.6 라인업 가격 최대 80% 인하…효율성 경쟁 가속 - AI타임스오픈AI가 GPT-5.6 시리즈의 중·소형 모델 가격을 최대 80% 인하하며 AI 서비스 시장의 가격 경쟁에 본격적으로 뛰어들었다. 중국 오픈웨이트 모델과 구글,https://www.aitimes.com/news/articleView.html?idxno=213381

이번 글에서는 GPT-5.6 가격이 어떻게 바뀌었는지, OpenAI가 왜 이런 선택을 했는지, 그리고 Codex나 코딩 에이전트에서 세 모델을 어떤 방식으로 사용하는 것이 좋을지 살펴보겠습니다.

루나는 80%, 테라는 20% 가격이 내려갔습니다

OpenAI는 미국 현지시간으로 2026년 7월 30일 GPT-5.6의 가격 조정을 발표했습니다.

100만 토큰당 Standard API의 Short context 가격을 기준으로 보면 다음과 같습니다.

모델	기존 입력	기존 출력	현재 입력	현재 출력	변화
GPT-5.6 Luna	$1.00	$6.00	$0.20	$1.20	80% 인하
GPT-5.6 Terra	$2.50	$15.00	$2.00	$12.00	20% 인하
GPT-5.6 Sol	$5.00	$30.00	$5.00	$30.00	변화 없음

루나는 기존 가격의 5분의 1 수준으로 내려갔습니다.

테라도 가격이 낮아졌지만 인하 폭은 상대적으로 작았고, 최상위 모델인 솔은 변화가 없었습니다.

긴 컨텍스트를 사용하는 Long context 가격은 이보다 높습니다. Luna는 입력 $0.40, 출력 $1.80이며 Terra는 $4/$18, Sol은 $10/$45입니다.

다만 Long context에서도 모델 사이의 가격 비율은 동일하게 유지됩니다. ( 출처: OpenAI API Pricing )

OpenAI는 이번 가격 인하가 모델과 추론 시스템, 에이전트 하네스의 효율을 개선한 결과라고 설명했습니다. 실제로 GPT-5.6 개발 과정에서 프로덕션 커널을 최적화해 모델 서빙 비용을 낮추고, 토큰 생성 효율도 개선했다고 밝혔습니다.

OpenAIAdvancing the price-performance frontier with GPT-5.6Explore lower GPT‑5.6 pricing for Luna and Terra—and how OpenAI’s more efficient models help enterprises deploy AI workflows at scale.https://openai.com/index/advancing-the-price-performance-frontier-with-gpt-5-6/

다만 왜 루나는 정확히 80%를 내리고 테라는 20%만 내렸는지까지 구체적으로 설명하지는 않았습니다.

최근에는 GLM과 Kimi를 비롯한 저가 모델의 성능이 빠르게 올라왔고, Claude Sonnet 5 역시 한시적으로 낮은 인트로 가격을 내놓았습니다.

이러한 시장 상황이 가격 인하에 직접적인 영향을 줬는지는 확인할 수 없지만, 적어도 저가 모델의 가격 대비 성능 경쟁이 상당히 치열해졌다는 점은 함께 볼 필요가 있습니다.

중요한 것은 가격이 아니라 모델 사이의 간격입니다

이번 변화에서 흥미로운 점은 루나가 싸졌다는 사실만이 아닙니다.

각 모델의 가격이 서로 다른 비율로 내려가면서 모델 사이의 가격 간격이 완전히 달라졌습니다.

가격 인하 전에는 루나를 1이라고 했을 때 테라는 2.5, 솔은 5 정도였습니다.

가격 인하 전

Luna   1
Terra  2.5
Sol    5

작업이 어려워질 때마다 루나에서 테라로, 다시 테라에서 솔로 한 단계씩 올려가는 구조가 비교적 자연스러웠습니다.

동일한 입력과 출력 토큰을 사용한다는 조건에서는 테라가 루나보다 10배, 솔은 루나보다 25배 비쌉니다.

비교	인하 전	인하 후
Terra ÷ Luna	2.5배	10배
Sol ÷ Terra	2배	2.5배
Sol ÷ Luna	5배	25배

실제 작업에서는 모델마다 추론 토큰과 도구 호출 횟수, 캐시 사용량이 다르기 때문에 총비용이 정확히 이 비율로 나오지는 않습니다. 그럼에도 토큰 단가를 기준으로 모델 사이의 계단이 크게 벌어진 것은 분명합니다.

이전에는 루나에서 테라로 넘어가는 것이 자연스러운 선택이었다면, 지금은 루나에서 테라로 올라가는 순간 비용이 10배가 됩니다.

그렇다면 테라가 루나보다 그만큼 좋은 결과를 제공하는지가 중요해집니다.

코딩 성능 차이는 가격 차이만큼 크지 않습니다

Artificial Analysis의 Coding Agent Index를 보면 GPT-5.6 세 모델의 코딩 성능은 다음과 같습니다.

모두 Codex에서 max 추론 설정으로 측정된 결과입니다.

모델	Coding Agent Index
GPT-5.6 Sol	80.0
GPT-5.6 Terra	77.4
GPT-5.6 Luna	74.6

출처: OpenAI GPT-5.6 공식 발표
출처: Artificial Analysis – GPT-5.6 분석

테라는 루나보다 10배 비싸지만 Coding Agent Index의 차이는 2.8점입니다. 솔은 테라보다 2.5배 비싸고 점수는 2.6점 높습니다.

물론 이 점수 차이가 모든 실제 작업에서 비슷하게 나타나는 것은 아닙니다. 저장소 전체의 구조를 이해하거나 복잡한 문제의 원인을 찾아야 하는 작업에서는 작은 벤치마크 차이가 실제 성공률에서 큰 차이로 나타날 수 있습니다.

반대로 수정할 파일과 요구사항이 명확한 작업이라면 루나로도 충분히 좋은 결과가 나올 수 있습니다.

Artificial Analysis는 GPT-5.6 출시 당시부터 루나와 솔이 비용 대비 성능의 경계에 있고, 테라는 어떤 추론 설정을 선택하더라도 비슷한 성능을 더 저렴하게 제공하는 루나 또는 더 높은 성능을 제공하는 솔이 존재한다고 평가했습니다.

가격 인하 전에도 테라의 위치가 애매하다는 분석이 있었는데, 루나 가격이 80% 내려가면서 그 차이가 더 커진 것입니다.

artificialanalysis.aiHow GPT-5.6 Sol, Terra, Luna compare on intelligence vs costGPT-5.6 Sol and Luna are ahead of Terra at every point on the Intelligence vs Cost per Task chart. GPT-5.6 Luna stands out as a particularly cost efficient modelhttps://artificialanalysis.ai/articles/gpt-5-6-intelligence-vs-cost-across-sol-terra-luna

Codex에서도 루나로 할 수 있는 작업량이 크게 늘었습니다

가격 인하는 API에만 반영된 것이 아닙니다.

ChatGPT 유료 구독으로 Codex를 사용할 때 모델별로 처리할 수 있는 예상 작업량도 달라졌습니다.

현재 OpenAI가 Plus 요금제에 안내하는 5시간당 예상 로컬 메시지 범위는 다음과 같습니다.

모델	5시간당 예상 로컬 메시지
GPT-5.6 Sol	10~100
GPT-5.6 Terra	25~200
GPT-5.6 Luna	250~2,000

출처: OpenAI Codex Pricing and Usage Limits

다만 OpenAI가 구독자의 전체 사용량 예산을 크게 늘린 것은 아닙니다.

루나와 테라를 사용할 때 소모되는 크레딧이 낮아지면서, 같은 사용량 예산으로 처리할 수 있는 예상 메시지 수가 늘어난 구조입니다. 실제로 처리 가능한 작업량은 프롬프트 길이, 저장소 크기, 추론 강도, 도구 호출, 캐시 적중 여부에 따라 달라집니다.

간단한 수정 요청과 대규모 저장소 분석이 같은 메시지 한 번으로 표시되더라도 실제 사용량은 크게 다를 수 있습니다. 별도의 주간 한도도 적용될 수 있습니다.

그럼에도 루나의 예상 처리량이 크게 늘었다는 사실은 분명합니다.

가격과 사용량 정책이 모두 루나를 반복적인 기본 작업에 더 많이 활용하는 방향으로 바뀌었습니다.

루나가 싸다고 저장소 전체를 맡기는 것은 위험합니다

가격과 코딩 점수만 보면 이제 모든 작업을 루나로 처리해도 될 것처럼 보입니다.

하지만 루나에는 분명한 약점도 있습니다.

OpenAI가 공개한 장문 컨텍스트 평가 중 MRCR v2는 긴 문맥 안에 흩어진 여러 정보를 모델이 제대로 찾아낼 수 있는지를 측정합니다.

50만~100만 토큰 구간의 8-needle 평가 결과는 다음과 같습니다.

모델	MRCR v2 8-needle 512K~1M
GPT-5.5	74.0%
GPT-5.6 Sol	73.8%
GPT-5.6 Terra	72.5%
GPT-5.6 Luna	41.3%

출처: OpenAI GPT-5.6 Long-context Evaluation

이 평가에서는 루나가 솔과 테라보다 약 31%포인트 낮았습니다.

루나 역시 100만 토큰 이상의 컨텍스트를 지원하지만, 넓은 문맥에서 여러 단서를 정확히 찾아야 하는 작업에서는 불리할 수 있다는 의미입니다.

물론 모든 장문 평가에서 루나가 낮았던 것은 아닙니다. 같은 공식 발표에 포함된 GraphWalks BFS 100만 토큰 평가에서는 루나가 51.2점을 기록해 GPT-5.5의 45.4점보다 높았습니다.

따라서 루나의 장문 처리 능력이 무조건 다른 모델의 절반이라고 말할 수는 없습니다.

다만 대규모 저장소에서 여러 파일에 흩어진 코드를 추적하거나, 오래된 구현과 새 구현 사이의 관계를 찾아야 하는 작업에서는 주의가 필요합니다.

루나를 사용할 때는 가능한 한 작업의 범위를 좁혀주는 편이 좋습니다.

수정해야 할 파일이나 폴더를 지정합니다.
어떤 결과가 나와야 작업이 완료되는지 적습니다.
수정하면 안 되는 영역을 명시합니다.
작업이 끝난 뒤 실행할 테스트 명령을 함께 제공합니다.

예를 들어 “로그인 기능을 고쳐줘”라고 요청하는 것보다 다음처럼 요청하는 편이 좋습니다.

src/auth와 api/session 폴더 안에서만 원인을 확인합니다.
로그인 만료 이후 재인증이 반복되는 문제를 수정합니다.
기존 회원가입 로직은 변경하지 않습니다.
수정 후 auth 관련 테스트와 npm run typecheck를 실행합니다.

이런 지시는 루나가 저장소 전체에서 필요한 정보를 찾는 부담을 줄여줍니다.

다만 지시가 명확하더라도 모델의 문맥 회수나 판단 한계로 실패할 수 있습니다. 루나의 실패를 모두 프롬프트 문제로 돌릴 수는 없습니다.

커뮤니티에서 루나 평가가 갈리는 이유

실제 사용자들의 반응도 한쪽으로 모이지 않고 있습니다.

같은 프론트엔드 작업을 세 모델에 맡긴 한 Reddit 비교에서는 솔이 약 20만 토큰, 테라가 약 15만 토큰, 루나가 약 9만 4천 토큰을 사용했습니다.

작성자는 세 결과 중 루나의 결과물을 가장 높게 평가했습니다.

출처: Reddit – GPT-5.6 Sol·Terra·Luna 동일 프롬프트 비교

다만 하나의 랜딩 페이지 제작 사례이고, 각 모델의 추론 설정도 완전히 동일하지 않았습니다. 통제된 벤치마크보다는 개인적인 사용 사례로 보는 것이 맞습니다.

JetBrains 역시 AI 기능의 권장 에이전트 조합으로 Codex + GPT-5.6 Luna, medium reasoning을 선택했습니다.

JetBrains가 내부 평가를 거쳐 권장 조합으로 지정했다는 점에서, 루나가 일반적인 IDE 작업에서는 충분히 활용 가능한 모델이라는 신호로 볼 수 있습니다.

The JetBrains BlogIntroducing a Recommended Agent in AI Chat, With Codex as the Current Default - The JetBrains BlogWe evaluated coding agents across the JVM, .NET, and Python – and Codex was the winning agent.https://blog.jetbrains.com/ai/2026/06/codex-is-now-the-recommended-agent-in-jetbrains-ai/

반대 사례도 있습니다.

웹사이트 약관 페이지를 데스크톱과 태블릿, 모바일 화면에 맞게 수정하는 작업에서 솔은 많은 사용량을 소모했지만 작업을 완성했고, 루나는 적은 사용량만 쓰고 태블릿과 모바일 대응을 빠뜨렸다는 보고가 있었습니다.

출처: Reddit – Codex 모델별 사용량과 결과 비교 사례

이처럼 평가가 달라지는 이유는 작업의 성격이 다르기 때문입니다. 수정 범위가 명확하고 테스트가 준비된 작업에서는 루나가 상당히 좋은 결과를 낼 수 있습니다.

반대로 무엇이 문제인지부터 찾아야 하거나, 여러 파일과 화면을 함께 확인해야 하는 작업에서는 솔이 더 안정적일 가능성이 높습니다.

프롬프트를 얼마나 구체적으로 작성했는지도 중요하지만, 저장소 크기와 작업의 모호성, 장문 검색 필요 여부, 자동 테스트 환경도 함께 영향을 줍니다.

결과가 좋지 않을 때 바로 솔로 바꿔야 할까

루나로 작업한 결과가 마음에 들지 않는다고 무조건 상위 모델로 바꾸는 것도 효율적인 방법은 아닙니다.

먼저 어떤 종류의 실패인지 확인할 필요가 있습니다.

Luna Medium 또는 High로 시작

결과가 이상하다
│
├─ 요구사항을 제대로 전달하지 못했다
│  └─ 프롬프트를 수정하고 Luna로 다시 시도
│
├─ 방향은 맞지만 테스트나 예외 처리가 부족하다
│  └─ Luna High·XHigh·Max로 추론 강도 조정
│
└─ 문제의 원인이나 수정 방향을 잘못 잡았다
   └─ 내용을 다시 정리해 Sol Medium 또는 High로 전환

예를 들어 모바일 화면까지 고쳐야 한다는 조건을 작성하지 않았다면 모델을 바꾸기 전에 요구사항을 다시 적는 것이 맞습니다. 반대로 모델이 엉뚱한 파일을 수정하거나 증상만 가리고 실제 원인을 찾지 못했다면 판단의 문제일 수 있습니다.

이 경우에는 같은 루나에서 추론 강도만 올리기보다 솔로 전환하는 편이 나을 수 있습니다.

모델을 전환할 때는 실패했던 대화를 그대로 이어가기보다 새 세션에 필요한 정보만 다시 전달하는 방법도 생각해볼 수 있습니다.

1. 처음 해결하려던 문제
2. 현재 변경된 파일
3. 실패한 테스트와 오류 메시지
4. 이미 확인했지만 원인이 아니었던 부분
5. 새 모델이 다시 판단해야 할 질문

기존 대화에는 잘못된 가정과 실패한 수정 과정도 함께 남아 있습니다.
필요한 정보만 다시 정리하면 새로운 모델이 이전 판단에 끌려가는 것을 줄일 수 있습니다.

루나에서 실패한 뒤 솔로 넘어가도 괜찮을까

현재 모델별 토큰 단가를 단순하게 다음과 같이 놓고 계산해보겠습니다.

Luna  1
Terra 10
Sol   25

모든 모델이 정확히 같은 양의 토큰을 사용한다고 가정했을 때 처음부터 솔을 사용하면 비용은 25입니다.

루나로 한 번 시도했다가 실패한 뒤 솔로 다시 작업하면 다음과 같습니다.

Luna 1 + Sol 25 = 26
26 ÷ 25 = 1.04배

단순한 단가 계산에서는 처음부터 솔을 사용했을 때보다 4%가 더 듭니다.

반면 테라로 먼저 시도했다가 실패한 뒤 솔로 넘어가면 다음과 같습니다.

Terra 10 + Sol 25 = 35
35 ÷ 25 = 1.4배

처음부터 솔을 사용한 것보다 40%가 늘어납니다.

물론 실제 작업에서는 모델마다 사용하는 추론 토큰과 도구 호출 횟수가 다릅니다.

루나가 코드를 잘못 수정했다면 솔이 이를 다시 분석하고 되돌리는 비용도 생길 수 있습니다. 따라서 실제 비용이 항상 1.04배가 된다는 의미는 아닙니다. 그래도 현재처럼 루나의 단가가 크게 낮은 상황에서는 범위가 명확한 작업을 루나로 먼저 시도하는 부담이 상대적으로 작습니다.

반대로 테라는 실패했을 때 추가되는 비용이 이미 솔 가격의 40% 수준입니다.

이 부분에서도 테라는 루나와 솔 사이에서 다소 애매한 위치에 놓입니다.

지금은 루나와 솔을 중심으로 쓰는 방식이 현실적입니다

OpenAI는 공식적으로 솔을 복잡하고 세밀한 작업, 테라를 일상적인 작업, 루나를 범위가 명확하고 반복 가능한 작업에 적합한 모델로 설명합니다.

ChatGPT LearnModels | ChatGPT LearnMeet the AI models that power ChatGPT Work and Codexhttps://learn.chatgpt.com/docs/models

기업이나 대규모 서비스에서는 세 모델 모두 역할이 있을 수 있습니다.

OpenAI의 공식 사례를 보면 Notion은 일상적인 워크스페이스 질의와 범위가 정해진 작업에 테라를 사용하고 있습니다. GPT-5.5와 비슷한 품질을 더 적은 비용과 짧은 시간에 제공했다고 설명했습니다.

대규모 서비스에서는 모델의 성공률과 응답 속도, 처리량을 측정해 테라가 가장 안정적인 지점이 될 수도 있습니다.

하지만 개인이 Codex에서 직접 모델을 고르는 상황에서는 조금 다르게 볼 수 있습니다.

현재 가격표를 기준으로 제가 가장 현실적이라고 보는 사용 방식은 다음과 같습니다.

작업 상황	먼저 사용할 모델
파일과 수정 범위가 명확한 작업	Luna Medium
반복 구현, 테스트 추가, 간단한 리팩터링	Luna High
방향은 맞지만 마무리가 부족한 작업	Luna XHigh 또는 Max
문제의 원인과 수정 방향을 판단해야 하는 작업	Sol Medium
여러 파일과 시스템을 함께 추적해야 하는 작업	Sol High
하나로 얽힌 어려운 문제	Sol Max
독립된 여러 작업을 동시에 탐색할 수 있는 경우	Ultra 검토

핵심은 루나, 테라, 솔을 순서대로 한 단계씩 올려가며 사용하는 것이 아닙니다. 작업의 범위를 명확하게 나눌 수 있다면 루나로 시작하고, 문제의 방향 자체를 잘못 잡았을 때 솔로 넘어가는 방식에 가깝습니다.

테라가 쓸모없는 모델이라는 뜻은 아닙니다. 다만 개인 사용자가 직접 모델을 선택하는 상황에서는 루나보다 10배 비싸고, 솔처럼 가장 높은 판단 능력을 제공하는 것도 아니기 때문에 선택하기가 어려워졌습니다.

GPT-5.6이 처음 출시됐을 때는 세 모델이 각각 저가형, 균형형, 고성능 모델로 자연스럽게 나뉘는 것처럼 보였습니다.

하지만 루나의 가격이 80% 내려가면서 이 구분이 흔들리기 시작했습니다.

성능 점수는 그대로인데 가격표가 바뀌자, 중간 모델을 거쳐야 할 이유가 줄어든 것입니다.

지금 GPT-5.6을 사용할 때 가장 먼저 생각해야 할 질문은 어떤 모델이 가장 강한지가 아닐지도 모릅니다.

이 작업을 루나가 이해할 수 있을 정도로 명확하게 나눌 수 있는가?

파일과 완료 조건, 테스트 방법을 분명하게 지정할 수 있다면 루나로 시작할 이유가 충분해졌습니다.

반대로 어디가 문제인지부터 찾아야 하고 여러 파일 사이의 관계까지 판단해야 한다면, 테라를 중간에 거치기보다 처음부터 솔을 선택하는 편이 결과적으로 더 나을 수 있습니다.