GPT-5.6 공개 일정은 왜 단계적으로 열릴까? SOL 릴리스 흐름 읽기

원문 링크: WordPress 원문

AI NOTES · KO KOREAN EDITION

GPT-5.6, 모두에게 바로 열리지 않는다

OpenAI는 미국 정부와 먼저 공유했고, trusted partners부터 제한 공개한다.

LANGUAGE

Read the English version

KO ↔ EN

GPT-5.6은 왜 바로 전면 공개되지 않았나

OpenAI는 GPT-5.6 Sol·Terra·Luna를 수 주 안에 더 넓게 공개하겠다고 밝혔다. 하지만 출발은 전면 공개가 아니다. 시스템 카드에 따르면 OpenAI는 출시 전 미국 정부와 모델 계획·능력을 공유했고, 정부 요청에 따라 신뢰할 수 있는 소수 파트너에게 먼저 제한적으로 제공한다. 해당 파트너의 참여 사실도 정부와 공유된다.

이 공개 방식은 모델의 성격과 맞물린다. GPT-5.6은 Sol·Terra·Luna 세 단계로 나뉘고, 각 모델은 깊은 추론, 균형, 빠른 반복 작업을 맡는다. 새 챗봇 하나를 여는 것이 아니라, 작업 난이도와 위험도에 따라 골라 쓰는 모델군을 단계적으로 풀고 있는 셈이다.

Sol, Terra, Luna는 같은 GPT-5.6 세대 안에서 깊이와 속도가 다른 성능 계층이다.

Sol·Terra·Luna는 성능 단계가 다르다

OpenAI가 Sol·Terra·Luna를 나눈 핵심은 단순한 이름 구분이 아니라 성능 단계다. Sol은 가장 깊게 추론하는 상위 모델, Terra는 성능과 속도의 균형형, Luna는 빠른 반복 작업에 맞춘 모델로 설명된다. 그래서 세 모델의 차이는 “같은 모델의 크기만 다른 버전”이 아니라 “어떤 수준의 문제를 맡길 수 있느냐”의 차이에 가깝다.

deep reasoning

GPT-5.6 Sol

$5 input / $30 output 1M tokens 기준. Luna 대비 input/output 모두 5.0×. 예시 작업 비용은 약 $1.10.

balanced

GPT-5.6 Terra

$2.50 input / $15 output Luna 대비 2.5×. 예시 작업 비용은 약 $0.55. 속도와 성능의 중간 계층.

fast / lightweight

GPT-5.6 Luna

$1 input / $6 output 가장 가벼운 기준점. 예시 작업 비용은 약 $0.22. 반복·저위험 작업에 어울린다.

예시 작업 비용은 OpenAI pricing 기준으로 input 100,000 tokens + output 20,000 tokens를 한 번 처리한다고 가정했다. 짧은 분석 요청 1회 기준의 계산이므로, agent workflow처럼 output이 길어지는 작업에서는 총비용이 달라질 수 있다. Cache write는 uncached input의 1.25배, cache read는 90% 할인된 cached-input 요율이다.

벤치마크는 긴 작업을 겨냥한다

이번 발표에서 벤치마크를 눈여겨봐야 하는 이유는 점수가 올랐다는 사실 자체가 아니다. 무엇을 시키는 평가인지, 그 과제의 성격이 달라졌기 때문이다. Terminal-Bench는 터미널 안에서 스스로 계획하고, 실행하고, 틀리면 다시 고치는 과정을 끝까지 해내는지 본다. GeneBench는 생물학 분석을 여러 단계에 걸쳐 수행하는 능력을 보고, 사이버 쪽 평가는 취약점 분석이 실제로 작동하는 공격 코드까지 이어지는지를 따진다. 하나같이 ‘한 번에 답하기’가 아니라 ‘끝까지 해내기’를 묻는 문제들이다.

agent coding

Terminal-Bench 2.1

2.1 / 26개 task 수정 GitHub README 기준. terminal 안에서 계획·실행·반복·도구 사용을 끝까지 하는지 본다. OpenAI는 Sol이 여기서 새 SOTA라고 설명한다.

biology workflow

GeneBench v1

long-horizon biology workflow OpenAI는 Sol이 GPT-5.5보다 강하고 token 사용이 적다고 설명한다. 공개 텍스트에 정확 점수는 없어 퍼센트를 만들지 않았다.

NOTE

아래 수치는 모두 OpenAI가 공개한 시스템 카드 기준이며, 아직 독립 기관이 재현·검증한 값은 아니다. 절대 점수 하나로 결론을 내리기보다, 모델의 방향을 읽는 참고선으로 보는 편이 안전하다.

생물학 benchmark: 강하지만 전문가 대체는 아니다

OpenAI 시스템 카드의 생물학 그래프를 보면, Sol은 실험이 어긋났을 때 원인을 찾는 유형의 문제에서 확실히 나아졌다. 다만 ProtocolQA Open-Ended에서 Sol의 점수는 43.5%로, 전문가 상위 20% 수준인 54%에는 아직 못 미친다. 그래서 “생물학 작업을 돕는 힘이 커졌다”까지는 맞는 말이지만, “전문가를 대신한다”는 표현은 데이터보다 앞서 나간 과장이다.

virology

350

troubleshooting questions

Sol score

55.5%

신규 모델 중 최고

ProtocolQA

108

open-ended questions

Sol vs expert

43.5% vs 54%

전문가 80th percentile 기준 아래

원문 데이터 이미지: OpenAI GPT-5.6 Preview System Card — 바이올로지 문제 해결 평가. 본문에서는 Sol 55.5% 수치와 함께 읽었다.

데이터 쉽게 읽기 · 바이올로지 문제 해결

쉽게 말하면, 바이러스 실험이 꼬였을 때 모델이 원인을 짚어 내고 어떻게 풀지 방향을 제시할 수 있는지 보는 시험이다. 문항은 350개이고, 글로 된 설명만이 아니라 실험 상황을 함께 읽어야 하는 문제까지 들어 있다.

눈여겨볼 숫자는 Sol의 55.5%다. 이번 GPT-5.6 세 모델 중 가장 높다는 건 “생물학 문제를 한결 잘 다룬다”는 신호로 읽을 수 있다. 다만 이 점수가 곧 실험실을 통째로 맡길 수 있다는 뜻은 아니다. 어디까지나 주어진 상황에서 답을 짜 맞추는 능력을 측정한 것이다.

원문 데이터 이미지: OpenAI GPT-5.6 Preview System Card — ProtocolQA Open-Ended 평가. Sol 43.5%, 전문가 80th-percentile 기준 54% 아래라는 점이 중요하다.

데이터 쉽게 읽기 · ProtocolQA

이 시험은 실험 절차서 안에 일부러 심어 둔 큰 오류를 모델이 잡아내는지 본다. 원래 객관식에 가깝던 108개 문항을 짧은 서술형으로 바꿔, 보기에서 하나 고르는 대신 “무엇이 왜 틀렸고 어떻게 고쳐야 하는지”를 직접 설명하게 만들었다.

여기서 기준선이 되는 건 전문가의 실력이다. OpenAI는 실험실 경험이 있는 박사급 과학자 19명으로 기준을 세웠고, 그중 상위 20%에 해당하는 성적을 54%로 잡았다. Sol은 43.5%. 예전보다 올랐지만 아직 그 선 아래다. 그래서 “전문가를 대체한다”기보다, 전문가 곁에서 문제를 함께 정리해 주는 든든한 보조 도구로 보는 편이 실제에 가깝다.

사이버 benchmark: 성능보다 더 중요한 건 작업 단계다

보안 쪽으로 오면 숫자가 한결 구체적이다. ExploitBench는 V8 취약점 41개를 놓고, 모델이 어디까지 해냈는지를 16개 항목으로 나눠 각 취약점을 5번씩 반복 측정한다. ExploitGym은 여기서 한 단계 더 깐깐하다. 총 869개 문제(사용자 영역 502개, V8 181개, 리눅스 커널 186개)를 놓고, 분석에서 그치지 않고 실제로 코드를 실행시키는 데까지 성공했는지를 본다.

ExploitBench

41

V8 vulnerabilities

Capability flags

16

5 seeds로 평가

ExploitGym

869

502 + 181 + 186 challenges

Time caps

2h / 6h

wall-clock caps

원문 데이터 이미지: OpenAI GPT-5.6 Preview System Card — ExploitBench. 41개 V8 취약점, 16개 capability flag, 5 seeds로 exploit primitive 진행도를 본다.

데이터 쉽게 읽기 · ExploitBench

ExploitBench는 “이미 알려진 취약점을 놓고 모델이 분석을 어디까지 밀어붙일 수 있나”를 보는 시험이다. V8 취약점 41개를 쓰고, 모델에게 소스 코드 전체와 수정 이력, 버그 설명, 패치 내용, 취약한 버전과 고친 버전의 실행 파일, 디버깅 도구까지 통째로 쥐여 준다. 단답형 퀴즈가 아니라, 실제 보안 분석가의 책상에 가까운 환경인 셈이다.

채점도 성공이냐 실패냐로 딱 잘리지 않는다. 16개 항목으로 중간 과정을 쪼개서 본다. 예를 들어 취약한 코드까지 도달했는지, 프로그램을 멈추게(crash) 만들었는지, addrof·fakeobj 같은 V8 공격 기반 기술을 구현했는지, 나아가 메모리 주소를 읽어 내거나 원하는 위치를 마음대로 읽고 쓰는 단계까지 갔는지를 따로따로 표시한다. 그래서 이 숫자들은 “공격이 최종적으로 성공했느냐”보다 “취약점 분석이 얼마나 깊이 들어갔느냐”를 보여준다.

원문 데이터 이미지: OpenAI GPT-5.6 Preview System Card — ExploitGym. 869개 challenge에서 실제 code execution exploit 성공까지 보는 더 엄격한 평가다.

데이터 쉽게 읽기 · ExploitGym

ExploitGym은 잣대가 한 단계 더 높다. 여기서는 “분석을 잘했다”로는 점수가 나오지 않고, 실제로 작동하는 공격 코드를 끝까지 완성해야 한다. 문제는 모두 869개이고, 그 안에는 사용자 영역 C/C++ 502개, V8 181개, 리눅스 커널 186개 취약점이 들어 있다.

모델은 버그를 건드리는 출발점에서 시작하지만, 성공으로 인정받으려면 원격 대상에서 그때그때 새로 만들어지는 인증값(flag)을 실제로 빼내야 한다. 게다가 채점자가 “노린 취약점을 제대로 이용했다”고 확인해 줘야 한다. 도중에 원하는 위치를 마음대로 읽고 쓰는 단계까지 갔더라도, 이 인증값을 얻지 못하면 부분 점수조차 없다. 그래서 이 결과는 방어 연구에 쓸모 있는 능력과, 공격을 자동화할 수 있다는 우려가 같은 속도로 커지는 지점을 동시에 보여준다.

Sol은 짧은 답변보다 긴 작업에 맞춰져 있다

모델 계층과 벤치마크를 함께 보면 Sol이 어디에 서 있는지가 더 뚜렷해진다. Sol은 짧은 답을 빠르게 내는 모델이라기보다, 어려운 작업을 오래 붙잡고 풀도록 설계된 상위 모델에 가깝다. 복잡한 문제에서 시행착오가 줄어든다면, 단순한 토큰 단가보다 전체 작업의 성공률이 더 중요해진다.

반대로 짧은 요약이나 반복적인 문서 정리처럼 틀려도 크게 손해 볼 일이 없는 작업이라면, 굳이 Sol을 쓸 이유가 없다. Luna나 Terra가 더 어울린다. 결국 GPT-5.6이 던지는 질문은 “가장 좋은 모델이 무엇인가”가 아니라 “이 작업의 위험도와 길이에 맞는 계층이 무엇인가”이다.

max reasoning과 ultra mode 같은 ChatGPT 내 확장 추론 옵션은 GPT-5.6을 단순 답변창보다 장기 작업 workflow 쪽으로 밀어준다.

도구를 쓰는 모델에서는 안전성도 성능이다

모델이 브라우저나 검색, 외부 커넥터, 함수 호출 같은 도구를 직접 다루기 시작하면, 프롬프트 인젝션은 곁가지 문제가 아니게 된다. 바깥에서 읽어 온 자료 속에 악의적인 지시가 숨어 있을 때 모델이 그걸 얼마나 버텨 내는지가, 그대로 제품을 믿고 맡길 수 있느냐의 문제로 직결되기 때문이다. 도구를 쓰는 모델에서는 안전성이 곧 성능의 일부다.

system card Table 5

Connectors

Sol 1.000 · Terra 1.000 · Luna 0.999 connector 경로를 통한 prompt injection 방어 점수가 세 모델 모두 거의 만점에 가깝다.

tool safety

Search and Function-Calling

Sol 0.910 · Terra 0.946 · Luna 0.897 이 항목에서는 Terra가 Sol보다 높다. 큰 모델이 모든 안전 지표에서 항상 최고는 아니라는 점도 함께 드러난다.

사이버보안은 High이지 Critical은 아니다

OpenAI는 Sol·Terra·Luna를 사이버보안과 생물·화학 위험 영역에서 모두 High capability로 분류했다. 여기서 High는 마케팅 표현이 아니라 자체 Preparedness Framework 안의 안전·능력 등급이다. 다만 사이버보안은 의미 있는 진전(meaningful step up)이지만 가장 높은 Critical 수준에는 도달하지 않았다고 밝혔고, AI self-improvement도 High 기준에 닿지 않았다고 설명했다.

그래서 핵심은 “위험하다”는 단순 결론이 아니다. 더 긴 작업을 수행할 수 있는 모델군이 나오면서, 테스트·파트너 조율·접근 권한 관리가 함께 붙는 공개 방식이 나타났다는 점이다.

제한 공개와 안전 점검은 GPT-5.6의 성능 발표와 분리된 부록이 아니라, 같은 출시 전략 안에 들어 있다.

정리

한 줄로 정리하면

GPT-5.6의 뉴스 포인트는 성능표 하나가 아니다. OpenAI는 Sol·Terra·Luna를 수 주 안에 더 넓게 공개하겠다고 했지만, 시작은 trusted partners 제한 공개로 잡았다. 세 모델은 성능 단계가 다르고, 벤치마크는 터미널·생물학·보안처럼 긴 작업 능력을 보여준다. GPT-5.6은 더 좋은 챗봇 하나보다, 더 오래 일하는 모델군과 그에 맞는 접근 관리의 조합에 가깝다.

공개 출처

• OpenAI — API pricing

• OpenAI — Previewing GPT-5.6 Sol (2026-06-26)

• OpenAI — GPT-5.6 Preview System Card (2026)

• Terminal-Bench 2.1 GitHub (2026)

• ExploitGym arXiv (2026)

• LAB-Bench / ProtocolQA arXiv (2024)

• OpenAI — Introducing ChatGPT Gov (2025-01-28)

• OpenAI — Protecting ChatGPT to the entire U.S. federal workforce (2025)

• DoD CDAO — Frontier AI partnerships (2025)

• White House — America’s AI Action Plan (2025-07)

• Federal Register — Framework for Artificial Intelligence Diffusion (2025-01-15)

• NIST — Generative AI Profile for AI RMF (2024-07-26)

다음에 같이 읽기

• GPT-5.6 release timing: why access will not open to everyone at once

• Google AI Computer Use explained: AI leaving the chat window

• AI 도구 비교