GPT-6가 아직 새 모델이지만, OpenAI는 이미 그 이후를 훨씬 더 멀리 내다보고 있습니다.
2026년 9월 23일 Fellows Forum AI Summit에서 OpenAI 응용 연구 총괄인 Boris Power는 회사 연구의 약 **80%~90%**가 이미 다음에 집중되어 있다고 추정했습니다.
GPT-7
GPT-8
그리고 그 이후 세대
이 발언은 프런티어 모델이 연구 단계에서 에이전트와 실제 환경의 시스템으로 어떻게 이동하는지를 주제로 Zachary Lipton과 진행한 공개 대화에서 나왔습니다.
Power의 요점은 GPT-6가 더는 중요하지 않다는 뜻이 아니었습니다.
OpenAI는 여전히 현세대 모델을 적극적으로 개선하고 있습니다. 9월 초 회사는 GPT-6 중 가장 높은 성능을 갖춘 모델인 GPT-6 Astra를 출시했습니다. 9월 22일에는 더 빠르고 저렴한 GPT-6 Sol 및 GPT-6 Luna로 제품군을 확장했습니다.
이로 인해 겉보기에는 모순처럼 보이는 질문이 생깁니다.
- 연구 노력의 대부분이 이미 GPT-7과 GPT-8을 향하고 있다면, 왜 GPT-6를 계속 최적화할까요?
- 모델의 성능을 높이는 것이 목표라면, 왜 더 작고 저렴한 모델에도 투자할까요?
Power의 설명은 이 두 가지를 연결합니다.
OpenAI는 그러한 개선이 현재 제품을 더 좋게 만들고 연구팀에 유용한 교훈을 주기 때문에 오늘의 모델을 계속 향상할 수 있습니다. 동시에 가장 큰 장기적 성과는 훨씬 더 강력한 차세대 모델을 구축하고, 그 모델을 사용해 더 저렴한 시스템을 훈련하는 데서 나올 수 있습니다.
그 결과는 두 갈래 전략입니다.
역량의 최전선을 앞으로 밀어 나가기
+
유용한 역량을 비용 곡선 아래로 확산하기
오늘의 모델을 개선하는 일이 왜 "극도로 단기적"일 수 있는가
Power는 현세대 시스템을 대상으로 한 일부 작업에 대해 이례적으로 강한 표현을 사용했습니다.
그는 오늘의 모델을 대상으로 한 일부 투자가 내부적으로 **"극도로 단기적"**으로 여겨진다고 말했습니다.

그렇다고 이 작업이 무의미하다는 뜻은 아닙니다.
예를 들어 현재 모델이 도구 호출에 어려움을 겪는다고 가정해 보겠습니다.
한 팀은 다음과 같이 할 수 있습니다.
- 실패 사례를 수집합니다.
- 더 나은 훈련 데이터를 추가합니다.
- 훈련 또는 평가 프로세스를 조정합니다.
- 테스트를 다시 실행합니다.
- 개선 사항을 배포합니다.
이 작업은 제품을 즉시 개선할 수 있습니다.
또한 연구자에게 모델이 실패한 이유와 어떤 개입이 도움이 되었는지를 가르쳐 줄 수 있습니다.
Power의 경고는 수정 사항의 수명에 관한 것입니다.
GPT-6에서 신중한 개입이 필요한 문제는 차세대 모델이 기저 역량을 단순히 더 잘 갖추게 되면서 GPT-7에서는 자연스럽게 사라질 수 있습니다.
다시 말해,
오늘의 패치가
내일에는
쓸모없어진 우회책이 될 수 있습니다
이 때문에 연구 조직은 어떤 문제에 깊이 투자할 가치가 있는지를 끊임없이 결정해야 합니다.
단기 작업도 여전히 중요합니다
어떤 수정이 언젠가 쓸모없어질 수 있다고 해서 사용자가 기다릴 수 있다는 의미는 아닙니다.
사람들은 오늘도 현재 제품을 사용하고 있습니다.
모델이 목표를 반복해서 놓치거나, 도구를 올바르게 사용하지 못하거나, 지나치게 많은 수동 감독을 필요로 한다면 그 문제는 여전히 중요합니다.
따라서 Power가 구분한 것은 다음 두 가지입니다.
지금 제품을 개선하는 일
그리고
가장 큰 장기 연구 가치를 만드는 일
OpenAI의 GPT-6 Astra 출시는 회사가 첫 번째 범주에도 여전히 상당한 작업을 하고 있음을 보여줍니다.
공식 Astra 발표에서 OpenAI는 더 빠른 컴퓨터 사용과 Codex 내 협업 개선을 포함해 실무 작업을 겨냥한 향상점을 설명합니다.
Astra는 사용자의 답변에 의존하지 않는 작업을 계속 진행하면서, 사용자에게 집중된 질문을 할 수 있습니다. 결정의 중요성이 크면 기다립니다. 누락된 세부 사항이 일상적인 수준이라면 합리적인 가정을 바탕으로 진행할 수 있습니다.
OpenAI는 또한 사용자가 작업 도중 새로운 요구사항을 추가해도 Astra가 최초의 목표와 제약 조건을 더 잘 유지한다고 말합니다.
이러한 세부 사항은 벤치마크 점수만큼 극적으로 들리지 않을 수 있지만, AI 시스템이 도구에 가까운 방식으로 행동하는지 혹은 유능한 동료에 가까운 방식으로 행동하는지에 직접 영향을 줍니다.
먼저 강력한 모델을 구축한 뒤, 더 작은 모델을 가르치기
Power 주장의 후반부는 모델 크기에 관한 것입니다.
많은 사용자가 결국 더 빠르고 저렴한 모델을 원한다면, 왜 비용이 많이 드는 프런티어 모델에 그렇게 크게 투자할까요?
더 강력한 모델이 교사가 될 수 있기 때문입니다.
Power는 다음과 같은 패턴을 설명했습니다.
매우 유능한 범용 모델을 훈련한다
→ 이를 사용해 고품질 예시를 생성한다
→ 유용한 출력을 선택하거나 필터링한다
→ 그 예시로 더 작은 모델을 훈련한다
→ 더 작은 모델을 더 낮은 비용으로 배포한다
이는 모델 증류의 한 형태입니다.
학생 모델이 교사의 모든 역량을 재현할 필요는 없습니다.
대상 작업에 필요한 교사의 유용한 행동을 충분히 이어받기만 하면 됩니다.
따라서 프런티어 모델에 대한 작업은 프런티어 모델을 직접 사용하지 않는 고객에게도 여전히 중요할 수 있습니다.
OpenAI는 이미 이 패턴을 사용해 왔습니다
OpenAI는 이전 제품 세대에서 증류를 공개적으로 설명한 바 있습니다.
2025년 3월 회사는 새 세대 오디오 모델을 발표하면서, 더 큰 오디오 모델의 지식을 더 작고 효율적인 시스템으로 이전하기 위해 고급 증류 방법을 사용했다고 밝혔습니다.
또한 더 작은 모델도 유용하고 반응성이 뛰어난 상태를 유지하도록, 보다 현실적인 대화 역학을 포착하기 위해 자기 대전 데이터를 사용했다고 설명했습니다.
별도의 OpenAI Cookbook 예시는 교사-학생 개념을 더 쉽게 보여 줍니다.
이 예시는 포도 품종 분류 작업에서 GPT-4o를 GPT-4o mini의 교사로 사용합니다.
300개 예시로 구성된 한 검증 세트에서 보고된 정확도는 다음과 같습니다.
GPT-4o:
79.67%
GPT-4o mini:
64.67%
증류된 GPT-4o mini:
79.33%

증류된 학생 모델은 그 특정 작업에서 교사 모델의 성능에 거의 도달했습니다.
이는 더 작은 모델이 일반적으로 GPT-4o와 동등해졌다는 의미는 아닙니다.
이는 유능한 교사가 목표 행동을 충분히 효과적으로 전달할 수 있어, 더 작은 모델이 좁은 워크로드에서 훨씬 더 유용해질 수 있음을 뜻합니다.
Astra, Sol, Luna도 같은 광범위한 논리를 따릅니다
GPT-6 제품군은 제품 규모에서 비슷한 발상을 적용합니다. 다만 OpenAI는 Luna를 단순히 "증류된 Astra"라고 부를 만한 완전한 훈련 레시피를 공개하지 않았습니다.
OpenAI는 GPT-6 Sol과 GPT-6 Luna가 GPT-6 Astra에 사용된 것과 유사한 방법으로 훈련되었으며, Astra 세대의 발전을 더 빠르고 저렴한 모델로 가져왔다고 말합니다.
회사는 제품군을 다음과 같이 포지셔닝합니다.
GPT-6 Astra
최고 수준의 역량
GPT-6 Sol
더 낮은 비용에서 강력한 범용 성능
GPT-6 Luna
대량 작업을 위한 훨씬 저렴한 모델
9월 22일 출시 당시 OpenAI의 공식 GPT-6 가격은 다음과 같았습니다.
| 모델 전환 | 입력 | 출력 | 인하율 |
|---|---|---|---|
| GPT-5.6 Sol → GPT-6 Sol | $4 → $2 / 100만 토큰 | $20 → $10 / 100만 토큰 | 50% |
| GPT-5.6 Luna → GPT-6 Luna | $0.20 → $0.10 / 100만 토큰 | $1.20 → $0.50 / 100만 토큰 | 50% |

OpenAI는 프런티어 지능을 다양한 예산과 워크로드에 걸쳐 확산하는 것이 목표라고 명시적으로 설명합니다.
더 큰 모델은 역량의 상한을 높입니다.
더 작은 모델은 더 많은 역량을 일상적인 사용으로 옮깁니다.
왜 가장 큰 모델을 모든 작업에 사용하지 않을까요?
대부분의 워크플로는 시작부터 끝까지 동일한 난이도를 갖지 않기 때문입니다.
프로젝트 보고서는 좋은 예시입니다.
다음과 같은 여러 소스 문서가 있다고 가정해 보겠습니다.
- 일관되지 않은 정의를 사용합니다.
- 핵심 수치에 대해 서로 다르게 말합니다.
- 근거가 누락되어 있습니다.
- 서로 다른 결론을 가리킵니다.
작업의 첫 부분에는 더 강한 판단력이 필요합니다.
유능한 모델은 다음을 수행할 수 있습니다.
- 충돌하는 출처를 조정합니다.
- 근거가 부족한 주장을 식별합니다.
- 누락된 근거를 표시합니다.
- 일관된 구조를 제안합니다.
- 어떤 문제에 사람의 검토가 필요한지 결정합니다.
몇 분 만에 쇼케이스 사이트를 만들고 리드를 늘리세요
아이디어를 한 문장으로 입력하면 We0 AI가 쇼케이스 사이트, 페이지, CMS를 생성하고 출시 후 고객과 트래픽 확보를 돕습니다.
무료 등록을 위한 하나의 완전한 프로젝트 생성
하나의 완전한 생성 흐름을 시도하고 첫 번째 프로젝트 초안을 빠르게 보는 데 가장 적합합니다.
방향이 정해진 뒤에는 남은 많은 단계가 더 일상적인 작업이 됩니다.
더 작은 모델은 다음 작업에 완벽히 적합할 수 있습니다.
- 자료의 형식을 다시 구성하기
- 검증된 메모를 섹션으로 전환하기
- 반복되는 변형 만들기
- 알려진 템플릿 적용하기
- 표 업데이트하기
- 명확한 요약 작성하기
새로운 모호성이 나타나면 작업은 다시 더 강력한 모델로 이관할 수 있습니다.
따라서 실용적인 워크플로는 다음과 같을 수 있습니다.
강력한 모델
→ 어려운 판단
작은 모델
→ 반복 실행
강력한 모델
→ 예외 처리
진정한 지표는 전체 워크플로 비용입니다
저렴한 토큰이 자동으로 저렴한 작업을 뜻하지는 않습니다.
작은 모델은 요청당 비용이 낮을 수 있지만 다음이 더 많이 필요하다면 사용자에게 더 많은 일을 만들 수 있습니다.
- 더 상세한 프롬프트
- 더 많은 수동 작업 분해
- 더 많은 검토
- 더 많은 재시도
- 더 많은 수정
- 더 많은 상위 모델 이관
따라서 유용한 질문은 다음이 아닙니다.
어떤 모델의 토큰 가격이 가장 낮은가?
대신 다음과 같습니다.
승인 가능한 결과물 전체의 비용은 얼마인가?
여기에는 기계 비용과 사람의 시간이 모두 포함됩니다.
더 저렴한 모델을 성공시키기 위해 사용자가 전업 AI 프로젝트 관리자가 되어야 한다면, API 비용이 낮아도 큰 이점은 아닙니다.
따라서 최선의 업무 분담은 작업에 따라 달라집니다.
작은 모델은 명확히 정의된 작업을 낮은 비용으로 안정적으로 완료할 수 있을 때 가치가 있습니다.
더 큰 모델은 작업에 실제로 더 강한 판단력이 필요할 때 높은 가격을 정당화합니다.
모델 역량이 높아지면서 인간의 역할은 변화하고 있습니다
Power는 또한 사람들이 연속된 모델 세대와 상호작용하는 방식의 변화를 설명했습니다.
원문 기사는 이러한 진행을 대략 다음과 같이 요약합니다.
GPT-4:
사람이 단계를 세심하게 설계한다
GPT-5:
사람이 프로세스를 안내하고 계속 수정한다
GPT-6:
사람이 점점 더 목표를 제시하고 핵심 결정을 감독한다
이는 단순화된 설명이며, 모든 작업에 대한 보장은 아닙니다.
그러나 OpenAI 자체 Astra 문서도 같은 일반적 방향을 설명합니다.
Astra는 다음을 할 수 있습니다.
- 사용자의 답을 기다리는 동안 독립적인 작업을 계속합니다.
- 맥락을 사용해 일상적인 빈틈을 채웁니다.
- 결정이 결과를 실질적으로 바꿀 수 있을 때 멈추고 질문합니다.
- 작업이 발전하는 동안 목표와 제약 조건을 보존합니다.
- Codex에서 긴 세션에 걸쳐 작업할 때 이전 맥락을 검색합니다.
이는 인간의 역할을 바꿉니다.
사용자는 모든 단계를 수동으로 지정하는 대신 점점 더 다음과 유사한 역할을 수행합니다.
목표 설정
→ 제약 조건 정의
→ 중요한 선택 검토
→ 결과 확인
GPT-7과 GPT-8의 핵심 질문은 이 변화가 얼마나 더 진행될 수 있는가입니다.

사용자에게 중요한 지표는 감독 부담입니다
모델의 진전은 흔히 벤치마크 점수로 제시됩니다.
그러나 일상 업무에서는 다른 지표가 더 중요할 수 있습니다.
모델에 목표를 제시한 뒤에도 사용자가 얼마나 많은 감독을 제공해야 하는가?
- 사용자는 여전히 몇 개의 단위 작업으로 나누어야 할까요?
- 무엇이 중요한지 모델에 몇 번이나 다시 알려야 할까요?
- 모델은 원래의 제약 조건을 얼마나 자주 놓칠까요?
- 실패한 시도를 몇 번이나 정리해야 할까요?
- 사용자가 직접 개입해야 하는 경우는 얼마나 자주 발생할까요?
GPT-7 또는 GPT-8이 이러한 부담을 줄인다면, 이는 작은 벤치마크 개선보다 더 가치 있을 수 있습니다.
이것이 더 큰 모델에 대한 연구와 더 작은 모델에 대한 작업이 서로를 강화하는 이유이기도 합니다.
프런티어 모델은 더 유능한 행동을 발견하려고 합니다.
더 저렴한 모델은 그 행동 중 충분한 부분을 규모 있게 감당 가능한 비용으로 만들려고 합니다.
Power의 80~90% 수치가 실제로 의미하는 것
이 헤드라인 수치에는 한 가지 중요한 단서가 필요합니다.
Power의 "80%~90%" 발언은 공개 대화 중 제시된 추정치였습니다.
이는 다음이 아니었습니다.
- 감사를 거친 연구 예산 내역
- 공개된 인력 배치 표
- 컴퓨팅 자원 배분 공개
- 제품 로드맵
- GPT-7 또는 GPT-8의 출시일 발표
Fellows Forum 의제는 Power가 9월 23일 **"Where Models Meet Reality"**라는 제목의 파이어사이드 챗에서 OpenAI 응용 연구 총괄로 발언했음을 확인합니다.
녹화본에 대한 독립 보도는 전체 행사 녹화 영상의 약 1:32:52 지점에 80~90% 발언이 나온다고 전합니다.
따라서 가장 안전한 해석은 다음과 같습니다.
Power는 근본적으로 가장 큰 성과가 나올 것으로 예상하는 GPT-6 이후 세대에 OpenAI 연구 관심의 대다수가 집중되어 있다고 믿습니다.
이를 문자 그대로의 회계 수치로 읽어서는 안 됩니다.
시점 참고: Fellows Forum 이후 GPT-6.1 Sol이 출시되었습니다
Power는 9월 23일에 발언했습니다.
6일 후인 9월 29일, OpenAI는 GPT-6.1 Sol을 출시했습니다.
이 모델은 논의가 행사에서 Power가 설명한 Astra → Sol/Luna 교사-학생 논리에 초점을 맞추고 있으므로, 원래 기사의 주장의 중심은 아닙니다.
그럼에도 지금 기사를 게시하는 독자에게는 유용한 맥락입니다.
OpenAI는 GPT-6.1 Sol을 GPT-6 시리즈의 최신 모델 제품군으로 설명하며, 훨씬 낮은 표준 API 가격으로 코딩, 컴퓨터 사용, 전문 업무에서 Astra에 근접하는 역량을 제공한다고 밝힙니다.
그 존재는 인터뷰에서 논의된 동일한 패턴을 강화합니다.
프런티어 역량이 향상된다
→ 더 저렴한 모델이 더 많은 역량을 흡수한다
→ 사용자는 더 낮은 비용으로 더 강한 성능을 얻는다
또한 개별 중간 릴리스의 명칭보다 더 광범위한 연구 전략이 중요하다는 점을 보여 줍니다.
FAQ
OpenAI가 실제로 연구의 80~90%가 GPT-7과 GPT-8에 집중되어 있다고 말했나요?
OpenAI 응용 연구 총괄 Boris Power는 Fellows Forum 2026에서 OpenAI 연구의 약 80~90%가 GPT-7, GPT-8 및 그 이후 세대에 집중되어 있다고 추정했습니다. 이 수치는 감사를 거친 회사 자원 배분 보고서가 아니라 그의 공개 추정치였습니다.
OpenAI는 GPT-7 또는 GPT-8을 발표했나요?
Power의 발언에서 GPT-7 또는 GPT-8의 공개 출시일이나 상세 제품 로드맵은 발표되지 않았습니다. 그는 자신이 장기 연구 관심의 대부분이 투입되고 있다고 믿는 GPT-6 이후 세대를 설명하기 위해 이 이름을 사용했습니다.
연구가 이미 다음 세대로 넘어갔다면 OpenAI는 왜 GPT-6를 계속 개선하나요?
현세대 작업은 오늘의 제품을 개선하고 연구자에게 더 빠른 피드백을 제공합니다. Power의 요점은 일부 수정이 수명이 짧을 수 있다는 것입니다. 더 유능한 차세대 모델은 근본 문제를 더 쉽게 해결하거나 문제 자체를 완전히 없앨 수 있기 때문입니다.
모델 증류란 무엇인가요?
모델 증류는 더 강력한 교사 모델이 더 작은 학생 모델의 훈련을 돕는 기법군입니다. 일반적인 워크플로는 교사 모델로 고품질 예시를 생성하고, 이 예시를 필터링한 뒤, 작은 모델이 대상 작업에 필요한 행동을 재현하도록 훈련하는 방식입니다.
GPT-6 Sol과 Luna는 Astra의 단순한 소형 버전인가요?
OpenAI는 Sol과 Luna가 Astra와 유사한 방법으로 훈련되었고 같은 세대의 발전을 이어받았다고 말하지만, Luna나 Sol을 Astra의 압축 복제본이라고 단순히 설명할 만큼 충분한 세부 정보를 공개하지는 않았습니다. 이들이 관련된 역량 발전을 저비용 계층으로 가져온다고 설명하는 편이 더 정확합니다.
GPT-6 Sol과 Luna의 가격은 얼마인가요?
9월 22일 출시 당시 OpenAI는 GPT-6 Sol의 가격을 입력 100만 토큰당 $2, 출력 100만 토큰당 $10으로 책정했습니다. GPT-6 Luna는 입력 100만 토큰당 $0.10, 출력 100만 토큰당 $0.50이었습니다. OpenAI는 두 모델 모두 GPT-5.6 대응 모델의 프로모션 가격보다 50% 저렴하다고 설명했습니다.
팀은 언제 더 작은 모델 대신 더 큰 모델을 사용해야 하나요?
작업에 어려운 판단, 모호한 추론, 예외 처리 또는 중요한 의사결정이 필요할 때 더 강력한 모델을 사용하세요. 주요 방향이 정해진 뒤에는 작은 모델이 대량의 명확히 규정된 반복 작업에 더 적합한 경우가 많습니다.
최신 모델에서 사용자의 역할은 어떻게 변하고 있나요?
추세는 모든 단계를 작성하는 방식에서 목표를 설정하고, 제약 조건을 정의하며, 중요한 결정을 검토하는 방식으로 이동하고 있습니다. OpenAI의 Astra 문서는 비동기 질문, 답변을 기다리는 동안의 작업 지속, 긴 작업 중 원래 목표를 더 잘 유지하는 기능을 구체적으로 설명합니다.
관련 도구
- ChatGPT: 일상 업무에서 현재 GPT 모델을 사용할 수 있는 OpenAI의 주요 인터페이스입니다.
- Codex: 장시간 실행되는 소프트웨어 작업을 위한 OpenAI의 에이전트형 코딩 환경입니다.
- OpenAI API: 애플리케이션에 GPT 모델과 도구를 통합하기 위한 공식 개발자 문서입니다.
- OpenAI Cookbook: 보관된 모델 증류 안내를 포함한 공식 예시와 가이드입니다.
- OpenAI Developer Changelog: 모델 출시, API 기능, 가격 참고 사항 및 플랫폼 변경 내역의 공식 기록입니다.
관련 링크
- Original BAAI Hub Article: 여기에서 각색 및 사실 확인한 중국어 New Intelligence 원문 기사입니다.
- Fellows Forum 2026: Boris Power의 “Where Models Meet Reality” 세션을 안내하는 공식 행사 사이트입니다.
- GPT-6 Astra: 협업, Codex, 컴퓨터 사용 및 긴 세션 맥락을 다루는 OpenAI의 공식 Astra 발표입니다.
- Introducing GPT-6 Sol and Luna: 저비용 GPT-6 모델이 Astra의 발전을 이어받는 방식을 설명하는 공식 가격 및 모델 포지셔닝 자료입니다.
- Introducing Next-Generation Audio Models: 더 큰 오디오 모델에서 더 작고 효율적인 시스템으로의 증류를 설명한 OpenAI의 2025년 자료입니다.
- OpenAI Cookbook — Model Distillation: GPT-4o와 GPT-4o mini를 사용한 공식 교사-학생 예시입니다.
- OpenAI API Changelog: GPT-6 Sol, Luna, GPT-6.1 Sol 및 관련 API 업데이트의 공식 출시 이력입니다.
- GPT-6.1 Sol Safety Addendum: GPT-6.1을 GPT-6 시리즈의 최신 모델 제품군으로 명시한 OpenAI의 공식 9월 29일 문서입니다.
요약
Boris Power의 80~90% 추정치는 OpenAI의 연구 전략을 더 쉽게 이해하게 합니다. 회사는 오늘의 GPT-6 제품을 계속 개선하는 동시에, 더 큰 역량 향상을 기대하는 미래 세대에 장기 연구 관심의 대부분을 집중할 수 있습니다.
이 전략의 후반부도 똑같이 중요합니다. 더 강력한 프런티어 모델은 프리미엄 제품으로서만 가치가 있는 것이 아닙니다. Sol과 Luna 같은 더 빠르고 저렴한 시스템으로 유용한 역량을 옮기는 데 도움이 되는 교사이자 연구 플랫폼 역할도 할 수 있습니다.
사용자에게 실질적인 질문은 어떤 모델이 가장 큰가가 아닙니다. 어려운 판단은 이를 감당할 수 있는 모델에 배정하고, 일상적인 실행은 안정적으로 완료할 수 있는 최저비용 모델에 배정하도록 업무를 어떻게 분배할 것인가입니다.
OpenAI의 장기적 선택은 명확해 보입니다. 역량의 상한을 계속 끌어올린 뒤, 그 역량의 더 많은 부분을 매일 사용할 수 있을 만큼 합리적인 비용으로 만드는 것입니다.



