GPT-6 Astra 쓰다 토큰 순삭? 메인을 GPT-6.1 Sol로 갈아타고 2주간 달라진 것

ChatGPT Pro $200을 쓰면서 Codex로 게임과 사이드 프로젝트를 만든 지 꽤 됐다.
궁금해서 GPT-6 Astra로만 작업해봤더니 사용량 한도가 순식간에 사라졌다.
그러다 2026년 9월 29일(한국 시간 30일) GPT-6.1 Sol이 나왔고, 약 2주간 Codex 메인 모델로 돌려봤다.
이 글은 두 모델을 어떻게 나눠 쓰는 게 효율적인지 정리한 기록이다.

범위와 표기 안내: 이 글은 ChatGPT Pro의 Codex에서 쓴 경험을 기준으로 한다. 일반 Chat 화면의 모델 선택지와는 다를 수 있다. 비교 대상은 GPT-6 Astra와 GPT-6.1 Sol이다. 버전 숫자는 Sol이 더 높지만, 전반적인 최상위 모델은 여전히 GPT-6 Astra다. 버전 숫자만 보고 상하 관계를 판단하면 안 된다. 본문에서 줄여 쓰는 "Astra"는 GPT-6 Astra, "Sol"은 GPT-6.1 Sol이고, 이전 버전인 GPT-6 Sol은 헷갈리지 않도록 항상 풀네임으로 쓴다.

---

TL;DR

바쁘신 분들을 위해 핵심만 먼저 정리하면 이렇다.

• 대부분 작업은 GPT-6.1 Sol로 시작할 만하다: API 표준 입출력 단가는 GPT-6 Astra의 1/5이고, Artificial Analysis 종합 점수는 Medium 기준 48 대 50이다.
• 메인을 GPT-6.1 Sol로 바꾸니 Codex 사용량 걱정이 크게 줄었다: 통제된 실험은 아니지만 체감상 확실히 그렇다. 다만 API 단가가 1/5이라고 구독 사용량도 정확히 1/5로 줄어드는 건 아니다.
• GPT-6.1 Sol은 Light~Ultra로 난이도에 맞춰 조절한다: 하나의 추론 수준에 고정하지 않고, 작업 복잡도에 따라 아래위로 움직인다.
• GPT-6 Astra는 진짜 어려운 문제에만 꺼낸다: Sol이 막혔을 때, 그리고 로직 검증이나 고난도 과학·수학처럼 Astra 우위가 뚜렷한 영역에서.

---

왜 GPT-6.1 Sol이 나왔나

이름부터 정리하자. 현재 OpenAI 모델 라인업에서 선택지는 대략 이렇게 나뉜다.

모델	포지션	특징
GPT-6 Astra	최상위	성능은 가장 좋지만 사용량이 빠르게 소진됨
GPT-6.1 Sol	중간	GPT-6 Astra에 근접한 성능, API 단가는 1/5
GPT-6 Sol	중간 (이전 버전)	호환성이나 재현성 때문이 아니라면 새 작업의 기본값으로 둘 이유가 줄어듦
GPT-6 Luna	저가	가장 저렴하면서 성능도 의외로 괜찮음

OpenAI는 GPT-6.1 Sol을 복잡한 코딩, 컴퓨터 사용, 전문 업무에서 GPT-6 Astra에 가까운 모델로 소개했다. 동시에 전반적으로 가장 강한 모델은 여전히 Astra라고 밝혔다. 즉 Astra를 대체하는 모델이 아니라, Astra에 가까운 성능을 훨씬 싸게 쓰라고 나온 모델이다.

이전 버전과 비교하면 개선 폭이 꽤 크다. Artificial Analysis 기준으로 GPT-6 Sol Max는 48점이었는데, GPT-6.1 Sol Max는 52점으로 올라갔다.

---

"비용"은 세 가지로 나눠 봐야 한다

모델 비교 글을 읽다 보면 "1/5 가격", "4~5배 저렴", "사용량 1/5" 같은 표현이 섞여 나온다. 그런데 이건 서로 관련은 있지만 같은 수치가 아니다.

1. API 표준 토큰 단가 (입력 272K 토큰 이하 기준, USD, 100만 토큰당)

모델	입력	캐시 입력	출력
GPT-6.1 Sol	$2	$0.10	$10
GPT-6 Astra	$10	$1	$50

입출력 단가는 정확히 1/5이고, 캐시 입력은 1/10이다.

2. 벤치마크 작업당 비용: Artificial Analysis Intelligence Index를 구성하는 평가 과제들의 가중 평균 비용이다. 모델과 추론 수준에 따라 실제로 쓰는 토큰 수가 달라서 API 단가 비율과 일치하지 않는다. 일반적인 코딩 작업 한 번의 예상 비용으로 보면 안 된다. 아래에서 자세히 본다.

3. Codex 포함 사용량: ChatGPT 요금제에서 실제로 차감되는 양이다. 모델뿐 아니라 작업 크기, 입출력 길이, 추론 수준, 도구 사용, Fast 모드 여부에 따라 달라진다. API 단가처럼 고정된 비율이 없다.

이 글에서 말하는 내 체감은 세 번째, Codex 포함 사용량에 대한 이야기다. API 단가 1/5로 그 체감을 "증명"할 수는 없다는 점을 먼저 짚어둔다.

---

벤치마크로 본 비용 대비 지능

같은 추론 수준끼리 비교하면, Artificial Analysis 기준으로 GPT-6.1 Sol의 작업당 비용은 GPT-6 Astra보다 약 4.5~7.3배 낮았다. 이번 측정에서는 추론 수준을 높일수록 Sol의 작업당 비용도 늘어나, Astra와의 격차가 7.3배에서 4.5배로 좁혀졌다.

추론 수준	GPT-6.1 Sol 작업당 비용	GPT-6 Astra 작업당 비용	격차
Medium	$0.21	$1.54	약 7.3배
High	$0.32	$1.73	약 5.4배
Max	$0.72	$3.26	약 4.5배

※ Artificial Analysis Intelligence Index v4.3.2, 2026-10-12 조회 기준

Medium끼리 비교하면 종합 지능 점수는 Sol 48, Astra 50이다. 종합 점수 차이는 작지만, 세부 작업에 따라 차이가 더 벌어지는 영역도 있다.

이전 세대와 비교해도 차이가 크다. GPT-6.1 Sol Medium(48점, $0.21)은 GPT-6 Sol Max(48점, $1.04)와 같은 점수를 약 5배 낮은 비용에 냈고, GPT-5.6 Sol Max(47점, $1.99)보다는 점수가 1점 높으면서 약 9.5배 저렴했다. 물론 Artificial Analysis의 이 과제 구성에서 나온 작업당 비용이다.

영역별로 뜯어보면 그림이 좀 더 구체적이다.

영역	확인된 결과	해석
코딩 (DeepSWE v1.1)	Sol Medium 73.0%·$0.42 / Astra High 73.2%·$3.92	일반적인 코드 구현은 Sol부터 시도할 근거가 충분함
컴퓨터 사용 (OSWorld 2.0)	Max 기준 Sol이 Astra보다 2.1%p 낮고, 비용은 약 1/7	최고점이 꼭 필요하지 않다면 Sol이 실용적
다단계 업무 (AA AutomationBench)	Max 65% vs 68%, Extra High 67% vs 67%	Astra가 약간 앞서거나 동률
과학 (Terminal-Bench Science)	Max 기준 Sol 약 57% / Astra 68.1%	가장 어려운 과학 작업에서는 Astra 우위가 뚜렷함

다만 벤치마크 하나로 결론을 너무 넓히면 안 된다. DeepSWE가 실제 코드베이스를 다루긴 하지만, UI 디자인 품질이나 새 아키텍처 설계, 복잡한 장애 원인 분석까지 대표하지는 않는다. 또 DeepSWE Tracker에서 Sol과 Astra의 결과는 제출 출처와 실행 하네스가 다르다. 두 모델이 비슷한 수준이라는 참고 자료로는 유용하지만, 모델만 바꿔서 돌린 통제 실험은 아니다.

DeepSWE에서는 Sol High가 Extra High보다 점수가 높게 나오는 결과도 있었다. 추론 수준을 올린다고 모든 작업에서 점수가 선형으로 오르는 건 아니고, 표본 변동성과 에이전트 실행 경로의 차이도 함께 봐야 한다.

---

2주간 실제로 어떻게 썼나

메인을 GPT-6 Astra에서 GPT-6.1 Sol로 바꾸고 약 2주 동안 Codex로 작업해보니, 사용량 한도를 걱정하면서 아껴 쓰는 감각이 거의 사라졌다. 통제된 비교 실험은 아니다. 다만 비슷한 종류의 사이드 프로젝트를 하면서, Astra만 쓰던 때는 하루 몇 시간 집중해서 쓰면 한도가 금방 바닥을 보였는데, Sol로 바꾼 뒤에는 비슷한 종류의 작업을 비슷한 빈도로 했는데도 한도를 거의 의식하지 않게 됐다.

GPT-6.1 Sol의 추론 수준은 작업 난이도에 따라 Light부터 Ultra까지 조절한다.

• Light / Medium: 간단한 코드 질문, 짧은 리팩터링, 문서 작성
• High: 중간 규모의 기능 구현, 디버깅, 코드 리뷰
• Extra High / Ultra: 아키텍처 설계, 복잡한 로직 분석, 성능 최적화

하나의 추론 수준에 고정하지 않고 작업마다 아래위로 움직이는 게 핵심이다. 단순한 작업까지 Ultra로 돌리면 Sol의 비용 이점이 사라지고, 복잡한 작업을 Light로 돌리면 제대로 된 답이 안 나온다. 난이도에 맞춰 조절하는 것 자체가 사용량 효율의 큰 축이다. 물론 앞서 본 것처럼, 추론 수준을 높인다고 결과가 항상 좋아지는 것도 아니다.

GPT-6 Astra는 Sol이 해결하지 못한 문제나, 처음부터 높은 신뢰도가 필요한 작업에 쓴다.

• GPT-6.1 Sol Ultra로도 몇 번 시도해서 답을 못 찾을 때
• 로직의 허점이나 놓친 엣지 케이스를 찾아야 할 때 (구현보다 검증이 목적인 경우)
• 고난도 과학·수학처럼 벤치마크상 Astra 우위가 뚜렷한 영역

로직의 허점을 찾는 일은 결국 깊게 추론해야 하는 문제다. 벤치마크에서 Astra가 앞선 영역(과학, 일부 다단계 업무)도 같은 성격이라, 내 사용 방식과 벤치마크 결과가 같은 방향을 가리킨다고 본다.

특히 오류 비용이 큰 작업, 예를 들어 되돌리기 어려운 최종 판단이나 고난도 연구 문제라면, Sol Ultra를 여러 번 재시도하기보다 처음부터 Astra Low나 Medium으로 한 번 비교해보는 편이 낫다. Sol을 반복해서 돌리면 사용량이 쌓이고, 같은 유형의 실패를 되풀이할 수도 있기 때문이다.

Astra를 쓰더라도 처음부터 Max나 Ultra로 가지는 않는다. Artificial Analysis 기준으로 GPT-6 Astra Max는 GPT-6.1 Sol Max보다 작업당 약 4.5배 비싸다. 정말 마지막 한 방울까지 짜내야 할 때만 의미가 있다.

---

Fast 모드는 실험적으로만 썼다

Fast 모드는 몇 번 켜서 써봤지만 메인으로 쓰지는 않았다. 응답은 분명 빨라지는데, 그만큼 사용량이 빠르게 줄어든다.

Fast 모드는 요금제에 포함된 사용량을 Standard의 2.5배로 차감한다. API처럼 토큰 단위로 과금하는 경우는 Standard 요율의 2배다. 여기서 2.5배는 응답 속도가 아니라 사용량 차감 배율이다. 같은 작업이라도 Fast 모드에서는 Standard보다 포함 사용량이 2.5배 더 빠르게 줄어든다.

세팅	내용
GPT-6.1 Sol High (Standard)	지금 쓰는 기본값. 실제 소모량은 작업 크기에 따라 다름
GPT-6.1 Sol High + Fast	Standard보다 포함 사용량을 2.5배로 차감. 실험적으로만 사용
GPT-6 Astra + Fast	Astra 자체 소모가 큰데 2.5배까지 붙어서, 내 작업 패턴에서는 피하는 조합

Fast 모드를 켤 만한 상황은 "같은 작업을 여러 번 반복하면서 응답 지연이 흐름을 끊을 때" 정도로 좁다. 추론 수준을 Medium 이하로 낮추면 응답 자체가 빨라질 수 있어서, Fast 없이도 속도가 충분한 경우가 많다.

참고로 여기서 말하는 Ultra는 추론 수준이고, 이름이 비슷한 Ultrafast는 별도의 고속 처리 옵션이다. 서로 다른 설정이니 헷갈리지 말자.

덤으로, Codex의 포함 사용량과 Chat의 GPT-6 Pro 한도는 따로 잡힌다. Codex 쪽 한도를 다 써도 Chat의 GPT-6 Pro 한도가 남아 있다면 거기서 대화를 이어갈 수 있다.

---

마치며

GPT-6.1 Sol이 나오면서 "좋은 모델을 아껴 쓰는" 고민이 "충분히 좋은 모델을 마음껏 쓰는" 쪽으로 바뀌었다. 이게 약 2주 동안 가장 크게 달라진 지점이다. 사용량 한도를 신경 쓰며 GPT-6 Astra를 아껴 쓰던 긴장감이, GPT-6.1 Sol을 자유롭게 돌리는 여유로 바뀌었다.

그렇다고 Astra의 자리가 사라진 건 아니다. Sol은 대부분의 반복 작업에서 비용 대비 성능이 매우 좋지만, 가장 어려운 과학 문제나 오류 비용이 큰 검증처럼 Astra의 상한선이 여전히 의미 있는 영역도 있다.

최상위 모델이 유일한 선택지였던 시절과 비교하면, 지금은 "내 작업에 맞는 지점을 찾는 것"이 더 중요해졌다. GPT-6.1 Sol을 기본으로 두고 Light부터 Ultra까지 작업 난이도에 맞춰 조절하되, Sol이 해결하지 못한 문제나 오류 비용이 큰 작업에서는 GPT-6 Astra로 전환하는 패턴이 지난 2주간 가장 안정적으로 작동했다.

가장 믿을 만한 벤치마크는 결국 내가 자주 하는 작업이다. GPT-6.1 Sol을 2주만 메인으로 돌려보면, 어디서 막히는지, 어디서 Astra가 필요한지 본인만의 감각이 생긴다.