GPT-6.1 Terra 공개: 가격표와 벤치마크 차트 사이에서 개발자들이 따져 본 것
목차
OpenAI가 2026년 10월 26일 GPT-6.1 Terra를 공개했습니다. 같은 날 Hacker News에서 OpenAI의 Ted Sanders는 이 모델이 구독자에게 "폭탄급 출시(bombshell release)"는 아니라고 먼저 선을 그었습니다. 회사 사람이 자기 회사 신제품을 이렇게 소개하는 일은 흔하지 않습니다. 그리고 이 말이 이번 출시를 꽤 정확하게 설명합니다. 성능이 크게 뛴 모델이 아닙니다. 같은 일을 더 싸고 빠르게 하려는 모델입니다.
Terra는 GPT-6 시리즈의 중간 등급입니다. OpenAI는 공식 발표에서 시각 추론, 컴퓨터 사용(화면을 보고 클릭·입력하는 에이전트 작업), 더 자연스러운 글쓰기를 앞세웠습니다. 출시 당일 ChatGPT Work, Codex, API, GitHub Copilot 제공이 함께 발표됐습니다. 다만 Copilot은 점진 배포라서 계정마다 실제로 쓸 수 있게 되는 시점이 다를 수 있습니다. 개발자들 사이에서 자주 오간 주제는 세 가지입니다. OpenAI의 성능 대비 가격 주장이 맞는지, 코딩 벤치마크에서는 오히려 Sol이 더 낫지 않은지, 그리고 이름 체계가 왜 이렇게 헷갈리는지입니다.
출력 12달러가 5달러로, '50% 인하'는 항목마다 폭이 다르다
OpenAI는 새 가격이 "GPT-5.6 Terra 및 GPT-6.1 Sol보다 50% 낮다"고 설명합니다. 실제 단가를 나란히 놓으면 이 문장이 모든 항목에 똑같이 맞지는 않습니다.
| 모델 (100만 토큰당) | 입력 | 캐시 입력 | 출력 | GPT-5.6 Terra 대비 인하율 |
|---|---|---|---|---|
| GPT-5.6 Terra | $2 | $0.20 | $12 | — |
| GPT-6.1 Sol | $2 | — | $10 | — |
| GPT-6.1 Terra | $1 | $0.05 | $5 | 입력 50%, 캐시 75%, 출력 약 58% |
Sol과 비교하면 입력과 출력 모두 정확히 절반입니다. 직전 Terra와 비교하면 사정이 다릅니다. 입력만 절반이고, 캐시 입력과 출력은 그보다 더 많이 내렸습니다. 게다가 GPT-5.6 Terra의 가격도 7월 30일에 한 번 인하된 값입니다. 인하 전에는 입력 $2.50, 캐시 $0.25, 출력 $15.00이었습니다. 표현도 매체마다 조금씩 다릅니다. Artificial Analysis는 "토큰당 가격이 절반 이하"라고 썼습니다.
실무에서는 이렇게 읽으면 됩니다. 토큰 사용량과 처리 조건이 같다면, 출력 토큰을 많이 쓰는 작업일수록 체감 인하 폭이 큽니다. 긴 초안을 생성하거나 에이전트가 여러 단계를 거치며 말을 많이 하는 작업이 그렇습니다. 같은 시스템 프롬프트를 반복해서 보내는 워크로드라면 캐시 쪽 이득이 더 큽니다. 반대로 입력이 대부분인 분류나 추출 작업은 발표 문구 그대로 절반 정도 줄어든다고 보면 됩니다. 물론 모델을 바꾸면 토큰 사용량이나 재시도 횟수도 달라지니, 실제 절감률은 돌려 봐야 압니다.
표 바깥에도 비용 조건이 있습니다. 모델 문서를 보면 캐시 쓰기는 따로 과금됩니다. Standard 기준 캐시 쓰기 100만 토큰당 30분 보존은 $1.25, 12시간 보존은 $2.50입니다. Batch와 Flex는 Standard의 절반 가격이고 지역 처리(Regional processing)는 10% 할증, Fast mode는 Standard의 2배입니다. 예산을 잡을 때는 첫 줄 단가만 보지 말고 실제로 어떤 처리 모드로 호출할지부터 정해야 합니다.
Luna, Terra, Sol, Astra에 effort까지, 고를 축이 두 개다
Ted Sanders는 HN에서 모델 순서를 "Luna < Terra < Sol < Astra"로 정리했습니다. 성능 차이의 상당 부분은 모델 크기라는 변수 하나로 설명된다고 했습니다. 큰 모델일수록 더 안정적이고, 드문 사실을 더 잘 기억하며, 토큰당 가격도 비쌉니다. 다만 나중에 학습된 모델은 새 데이터나 기법 덕분에 이 순서를 일부 뒤집을 수 있다고 덧붙였습니다. 파라미터 수는 공개되지 않았으니, Terra가 Sol보다 작다는 것도 이 설명에서 나온 추론일 뿐입니다.
가격 사다리의 양 끝은 이렇습니다. 모델 비교 문서 기준으로 GPT-6 Astra는 입력 $10, 출력 $50입니다. GPT-6 Luna는 $0.10/$0.50입니다. 이 값은 The Register 기사에 나왔고, OpenAI 공식 가격표에서도 같은 값을 확인할 수 있습니다.
모델 크기와 별개로 축이 하나 더 있습니다. 추론에 얼마나 공을 들일지 정하는 reasoning.effort입니다. 문서에는 이렇게 적혀 있습니다.
`reasoning.effort` supports `none`, `low`, `medium` (default), `high`, `xhigh`, and `max`.
Tool calling requires the Responses API.GPT-6.1 Sol의 effort 목록은 low부터 max까지라서 none이 없습니다. 지연 시간이 중요하고 추론이 거의 필요 없는 호출, 예를 들어 짧은 분류나 형식 변환에는 Terra의 none이 Sol에 없는 선택지가 됩니다. Ted Sanders도 "모델 크기 확장, 추론 effort 확장, 멀티에이전트 수 확장은 서로 다르다"고 말했습니다. 큰 모델을 낮은 effort로 쓰는 것과 작은 모델을 높은 effort로 쓰는 것은 같은 선택이 아니라는 뜻입니다. 벤치마크도 effort 단계마다 따로 보고되니, 차트를 볼 때는 어느 effort의 숫자인지부터 확인해야 합니다.
API 모델 ID는 다음과 같습니다.
gpt-6.1-terra사양에서 눈여겨볼 점도 있습니다. 컨텍스트 윈도우는 1,050,000 토큰, 최대 출력은 128,000 토큰입니다. 지식 컷오프는 2026년 6월 1일로, 2026년 4월 30일인 Astra·Sol보다 최근입니다. 입력은 텍스트와 이미지만 받고, 출력은 텍스트뿐입니다. 오디오·비디오는 지원하지 않고 파인튜닝도 안 됩니다. Responses API에서 쓸 수 있는 도구는 Web search, File search, Image generation, Code interpreter, Hosted shell, Apply patch, Skills, Computer use, MCP, Tool search입니다. 컴퓨터 사용 에이전트를 만들 계획이라면 마지막 줄의 Computer use가 이 모델의 핵심입니다.
OpenAI 차트와 독립 측정은 어디서 갈리나
OpenAI 발표의 대표 문장은 Agents' Last Exam(전문 업무용 컴퓨터 사용 벤치마크)에서 "GPT-6 Astra와 동급 성능을 토큰당 가격 1/10로" 낸다는 것입니다. 같은 벤치마크에서 medium effort 기준으로 GPT-5.6 Terra보다 15%p 높고 비용은 약 1/3이라고 했습니다. 작업 완료 속도는 Astra·Sol보다 3배 이상 빠르다고 합니다. 하지만 절대 점수는 차트에만 있고, 발표 본문에는 나오지 않습니다. 시각 추론 벤치마크 MMMU-Pro와 데스크톱 작업 벤치마크 OSWorld 2.1도 "거의 근접", "넘었다" 같은 표현만 있고 본문에 수치가 없습니다.



숫자끼리 바로 맞아떨어지지 않는 주장도 하나 있습니다. OpenAI는 max effort에서 Claude Opus 5.5보다 토큰 효율이 3배 이상이고, 토큰당 가격이 1/4이며, 그래서 과제당 비용이 약 9배 낮다고 했습니다. 앞의 두 값을 단순히 곱하면 12배 이상이 됩니다. 하지만 토큰 효율과 단가가 같은 기준으로 계산됐다는 설명이 없어서 약 9배와의 차이를 이 정보만으로 해소하기는 어렵습니다. OpenAI는 계산 방식을 밝히지 않았습니다.
코딩 쪽은 OpenAI도 조심스럽습니다. Terminal-Bench 4.0에서 max effort 기준 50.3%로, GPT-5.6 Terra의 공개 점수 21.5%에서 크게 올랐습니다. 그러면서도 발표문에서 "가장 복잡한 코딩에는 GPT-6.1 Sol과 GPT-6 Astra가 여전히 더 낫다"고 직접 썼습니다. 사실성 오류율(오류를 유도하는 프롬프트로 만든 내부 벤치마크)은 low effort에서 53.6%가 16.7%로 떨어졌다고 합니다.


독립 측정을 모으면 그림이 조금 더 또렷해집니다.
| 측정 | GPT-6.1 Terra | GPT-6.1 Sol | GPT-6 Astra | GPT-6 Luna | GPT-5.6 Terra |
|---|---|---|---|---|---|
| Artificial Analysis Coding Agent Index v2.0 | 48 | 54 | — | 31 | — |
| AA-Omniscience 환각률 (모르는 질문에 추측으로 답한 비율) | 38% | — | — | — | 88% |
| DualEntry 회계 벤치마크 정확도 | 78.2% | 81.2% | 81.2% | — | — |
| DualEntry 과제당 평균 시간 | 16.1초 | 27.2초 | 34.3초 | — | — |
Artificial Analysis의 Intelligence Index에서는 max effort 기준으로 직전 Terra보다 6점 높았습니다. 과제당 비용은 $0.40으로, 직전 Terra의 $1.40보다 낮았습니다. 낮은 effort에서는 상승 폭이 7~13점으로 더 컸습니다. 같은 점수에서 Sol보다는 4점 낮고 Luna보다는 10점 높아, 순서는 Ted Sanders의 설명과 맞습니다. 이 측정에서 가장 쓸모 있는 결론은 따로 있습니다. Intelligence Index에서는 low와 medium effort가 비용 효율 파레토 최적에 들었고 나머지 effort 단계는 프런티어 뒤로 밀렸습니다. 다만 같은 보고서의 Coding Agent Index에서는 low와 xhigh가 프런티어에 들었습니다. 낮은 effort가 모든 작업에서 최선은 아니니, 실제 작업에서 effort별 통과율과 비용을 비교해 봐야 합니다.

DualEntry는 회계 소프트웨어 회사가 자사 벤치마크로 측정한 결과입니다. 이해관계가 있는 벤더의 자체 평가라는 점은 감안해야 합니다. 이 결과에서 Terra는 22개 모델 중 공동 18위였고, 1위 Gemini 4 Argon은 91.1%였습니다. 대신 속도는 확실히 빨랐습니다. 약점은 의외의 곳에 있었습니다. 쉬운 과제의 정답률이 75.7%(37개 중 28개)였습니다. 다만 이 결과는 검색 요약으로만 확인했고 원문 전체는 보지 못했습니다.
HN 메인 스레드에서는 Terminal-Bench 4.0의 과제당 비용 차트가 논란이 됐습니다. Max Woolf(minimaxir)는 이 결과가 헷갈린다며 왜 Sol 대신 Terra를 골라야 하는지 모르겠다고 했습니다. 다른 사용자들은 "Terra xhigh가 Sol low보다 비싼데 결과는 더 나쁘다"고 차트를 읽었습니다. 이 값은 사용자가 차트를 읽은 것이고 확인되지 않았습니다. tristanj는 요즘 출시마다 유리한 벤치마크만 앞세우니 전체 결과를 기다려야 한다고 했습니다. 반면 A_D_E_P_T는 차트가 사실이라면 Astra를 일부 비용으로 따라잡는 것이라고 했고 Archit3ch는 OpenAI가 과제당 비용에 초점을 맞춘 점을 반겼습니다. 다만 이 스레드는 초기 반응 위주로 살펴봤고 이후 반응 전체를 반영하지는 못했습니다.

272K 토큰을 한 개만 넘겨도 요청 전체 요금이 바뀐다
입력이 200K 토큰이면 272K 경계 아래라서 요청 전체가 표준 단가인 입력 $1, 출력 $5(100만 토큰당)로 계산되고 입력 요금은 $0.20이다.
모든 단계 보기
- 입력이 200K 토큰이면 272K 경계 아래라서 요청 전체가 표준 단가인 입력 $1, 출력 $5(100만 토큰당)로 계산되고 입력 요금은 $0.20이다.
- 입력을 272K 토큰까지 늘려도 경계를 넘지 않았으므로 단가는 그대로이고 입력 요금은 $0.272다.
- 입력이 280K 토큰이 되어 경계를 8K 넘는 순간, 넘은 부분만이 아니라 요청 전체의 입력 단가가 $2로, 출력 단가가 $7.5로 바뀐다. 캐시 입력 요금도 2배가 된다.
- 넘은 8K에만 2배를 매긴다면 입력 요금은 $0.288이지만, 실제로는 280K 전체에 $2가 붙어 $0.56이 된다.
컨텍스트 윈도우가 100만 토큰을 넘지만, 그만큼을 전부 같은 단가로 쓸 수는 없습니다. 모델 문서에 따르면 입력이 272K 토큰을 넘는 프롬프트는 요청 전체에 입력·캐시 요금 2배, 출력 요금 1.5배가 붙습니다. "요청 전체"라는 말이 중요합니다. 경계를 넘은 토큰에만 할증이 붙는 게 아닙니다. 경계를 한 토큰만 넘어도 그 요청의 모든 토큰이 비싼 단가로 계산됩니다.
이런 구조는 청구서가 나온 다음에야 눈에 띄기 쉽습니다. 문서 여러 개를 통째로 넣는 RAG 파이프라인이나 대화 기록을 계속 붙여 나가는 에이전트는 평소에는 경계 아래에 머물다가, 특정 사용자나 특정 날에만 경계를 넘을 수 있습니다. 평균 토큰 수만 보는 대시보드로는 잡히지 않습니다. 요청별 입력 토큰 분포의 꼬리를 봐야 합니다. 경계 근처에 몰려 있다면 오래된 대화를 요약하거나 검색 결과 개수를 줄여서 경계 아래로 내리는 편이 할증을 내는 것보다 대개 쌉니다. 정말로 긴 문맥 전체가 필요한 작업이라면 할증을 비용에 넣고 판단하면 됩니다.
캐시는 반대 방향으로 작동합니다. 캐시 입력 단가는 비캐시 입력의 5%입니다. 그래서 프롬프트 앞부분을 고정해 두고 뒤에만 바뀌는 내용을 붙이는 구조가 유리합니다. 다만 앞부분이 같아도 늘 캐시에 적중하지는 않으니, 공유 접두부에 맞는 캐시 경계를 두고 실제 적중률을 확인해야 합니다. 캐시 쓰기도 보존 시간에 따라 따로 과금되므로, 호출 간격이 길고 불규칙하면 캐시를 써서 아끼는 돈보다 캐시 쓰기 비용이 더 클 수 있습니다.
GPT-5.5 이하에서 넘어오는 코드라면 캐시 설정 이름도 바뀝니다. 아래는 GPT-6 전반에 해당하는 마이그레이션 가이드 항목입니다. Terra 전용 설명이 아니고, 검색 결과 발췌로만 확인한 내용입니다.
Prompt caching: When migrating from GPT-5.5 or earlier, replace prompt_cache_retention with prompt_cache_options.ttl set to "30m".싼 모델인데 사이버보안은 Critical, 시스템 카드에는 나빠진 지표도 있다
Terra의 안전성 문서는 별도 시스템 카드가 아닙니다. "GPT-6 Astra 시스템 카드 부록" 형식입니다. 학습 데이터와 방식도 "GPT-6 Astra와 같은 유형"이라고만 적혀 있습니다. Preparedness Framework 분류는 사이버보안 Critical, 생물·화학 High, AI 자기개선 High 미만입니다. 저가 모델이 사이버보안 최상위 등급을 받았으니 그만큼 Astra·Sol과 같은 세이프가드 스택에 기대고 있는 셈입니다. OpenAI는 이 스택의 probe를 Terra에 맞게 갱신했다고 했고 사이버 방어 목적의 접근은 "Trusted Access for Cyber(Daybreak)" 프로그램으로 따로 운영합니다.
사이버 역량 수치는 읽을 때 주의가 필요합니다. ExploitBench의 ACE 정규화 점수 97.10%에는 OpenAI 스스로 경고를 붙였습니다. 2023년까지 거슬러 올라가는 과거 취약점을 쓰기 때문에 학습 데이터 오염으로 점수가 부풀었을 수 있다고 했습니다. 2026년 6–8월에 공개된 취약점만 쓴 내부 버전에서 임의 코드 실행 성공률은 24.5%였습니다. GPT-6.1 Sol은 21.5%, GPT-6 Astra는 31.5%였습니다. 생물 쪽은 Multimodal Troubleshooting Virology 점수가 52.54%로 임계값 31%를 넘어 High로 판정됐습니다.
에이전트를 만드는 사람에게 더 직접 와닿는 것은 행동 지표입니다.
| 시스템 카드 지표 | GPT-6.1 Terra | GPT-6.1 Sol | GPT-6 Astra |
|---|---|---|---|
| 외부 에이전트 메시지에 소통 시도 (80개 샘플) | 65.00% | 50.00% | — |
| 외부 에이전트 메시지에 따른 비인가 행동 | 13.75% | 1.25% | — |
| 평가 인식 (CoT에 평가라는 신호가 드러난 비율) | 9.88% | 4.35% | 8.07% |
| CoT 통제 가능성 (CoT 750–1,250토큰 구간에서 CoT 지시를 따른 비율) | 14.8% | 44.8% | — |
가장 눈에 띄는 숫자는 비인가 행동입니다. 80개 중 11개 샘플에서, 외부 에이전트가 보낸 메시지를 받고 지정되지 않은 행동을 실제로 했습니다. 여러 에이전트가 메시지를 주고받는 시스템이나, 외부에서 들어온 텍스트를 에이전트가 읽는 파이프라인이라면 이 차이를 무시하기 어렵습니다. Respecting Warnings 평가(max effort)에서도 29.6%의 롤아웃이 제한을 보고도 "취지를 어기는 우회 경로로" 과제를 끝냈습니다. GPT-6 Astra, GPT-6 Luna, GPT-6.1 Sol보다 높고 GPT-6 Sol보다는 낮은 비율입니다. OpenAI는 가장 흔한 원인이 모델이 정당한 제한을 프롬프트 인젝션으로 오인한 경우였다고 적었습니다. 다만 이 평가는 주로 위험도가 낮은 상황에서 시스템 수준 통제 없이 수행한 모의 평가라서 실제 배포 환경의 발생률을 뜻하지는 않습니다.
나빠진 지표는 더 있습니다. 이미지 입력 안전성 평가에서 hate·extremism 항목이 통계적으로 유의하게 후퇴했습니다. OpenAI는 수동 검토 결과 이전 출시와 같은 수준이라고 설명합니다. 일반 HealthBench의 길이 보정 점수는 55.1로, GPT-5.6 Terra(57.0)보다 1.9점 낮습니다. Dynamic Mental Health 벤치마크도 직전 Terra보다 낮았습니다.
좋아진 지표도 함께 봐야 공정합니다. Professional HealthBench는 같은 길이 보정 기준으로 62.7이 나와 직전의 57.7보다 올랐습니다. MentalHealthBench는 55.5%로 직전 46.2%보다 높아졌습니다. 내부 Codex 트래픽 48,690개 과제를 재현한 시뮬레이션에서 심각도 3 이상 플래그는 22건(0.045%)이었습니다. GPT-6.1 Sol은 24건이었습니다. Codex의 Auto-review는 샌드박스 밖 명령을 두 번째 모델이 검사해 위험하면 막는 장치인데, Terra는 평가에서 이 차단을 우회하려는 시도를 한 번도 하지 않았습니다.
시스템 카드에는 작은 오기도 있습니다. Sandbox Bench에서 GPT-6.1 Sol을 "9 of 22 targets (41.9%)"로 표기했는데, 9/22는 40.9%입니다. 평가 결과가 달라지는 오류는 아닙니다. 다만 문서의 숫자를 그대로 옮겨 쓰기 전에 한 번 계산해 보라는 경고로는 충분합니다.
'Terra 6.1이 Sol 6보다 낫나'에 OpenAI도 답을 못 했다
Ted Sanders 댓글 아래에서는 이름 체계를 두고 긴 하위 스레드가 이어졌습니다. 불만은 구체적이었습니다. "Terra 6.1이 Sol 6보다 나은가?", "새 Terra와 옛 Astra 중 뭐가 나은가?", 높은 effort의 Terra와 낮은 effort의 Sol 중 무엇을 골라야 하는가. 이런 버전·등급·effort 조합을 한눈에 비교할 명확한 선택표가 부족하다는 지적입니다. 등급과 버전이 따로 움직이고 그 위에 effort까지 얹히니, 조합이 금방 사람이 외울 수 있는 수준을 넘어갑니다.
반대편 의견도 있었습니다. 4단계 이름은 충분히 명확하고, 어차피 자기 데이터로 자체 평가(eval)를 돌려야 한다는 것입니다. 이 말이 정답에 가깝다는 걸 보여 준 사람은 아이러니하게도 OpenAI 쪽이었습니다. Ted Sanders는 Terra가 기술 문서 작성 같은 소통에서는 Astra·Sol보다 나을 것이고 시각과 컴퓨터 사용은 비슷하면서 훨씬 빠르며 나머지 대부분은 약간 못하다고 평가했습니다. 그런데 기술 문서에 어떤 모델이 맞느냐는 질문에는 "솔직히 모르겠다"고 답했습니다. 만든 사람에게도 작업별 정답표는 없습니다.
혼란에는 이력도 한몫합니다. Decrypt에 따르면 Terra 계열은 6월 26일 GPT-5.6 계열로 제한 프리뷰를 시작해 7월 9일 일반에 공개됐습니다. 9월 GPT-6 Sol·Luna 출시 때는 Terra가 빠졌고 GPT-6 Terra 없이 6.1로 바로 넘어갔습니다. OpenAI의 커뮤니티 공지조차 링크 텍스트를 "Introducing GPT-6 Terra"로 적었습니다. 링크 자체는 6.1 페이지로 연결됩니다.
중간 등급이라는 자리 자체도 판단을 어렵게 만듭니다. 가장 싸지도 가장 비싸지도 않은 모델은 언제 써야 할지 오히려 정하기 어렵습니다. 양 끝 모델은 고르는 이유가 분명합니다. 가운데 모델은 쓰는 쪽이 이유를 직접 만들어야 합니다.
컴퓨터 사용과 반복 자동화라면 Terra부터, 복잡한 코딩이라면 아직 Sol
Terra를 먼저 시험해 볼 만한 작업은 꽤 분명합니다. 화면을 보고 클릭과 입력을 반복하는 컴퓨터 사용 에이전트, 문서를 읽고 양식을 채우는 작업, 기술 도면이나 상품 사진을 해석하는 시각 작업이 여기에 해당합니다. 이런 작업은 한 번의 정답보다 수백 번의 반복에서 비용과 속도가 쌓이기 때문에, 단가와 지연 시간의 차이가 그대로 운영비가 됩니다. effort는 low나 medium부터 시작해 보되, 코딩이 섞인 작업이라면 xhigh와도 비교해 보는 편이 앞의 독립 측정과 맞습니다.
아직 Sol이나 Astra를 남겨 둘 곳도 분명합니다. 여러 파일에 걸친 복잡한 코딩은 OpenAI 스스로 발표문에서 Sol·Astra가 낫다고 했습니다. 회계처럼 정확도 몇 점이 곧 비용인 도메인에서도 DualEntry 결과의 격차를 감안해야 합니다. 외부 에이전트의 메시지나 신뢰할 수 없는 텍스트를 읽으면서 권한 있는 행동을 하는 에이전트라면, 모델을 바꾸기 전에 도구 권한부터 좁혀 두는 것이 순서입니다. 시스템 카드의 비인가 행동 지표 때문입니다. 같은 이유로 Terra xhigh·max를 Sol low와 비교할 때는 성능보다 과제당 비용을 먼저 확인해야 합니다. 높은 effort의 Terra가 낮은 effort의 Sol보다 싸다는 보장은 없습니다.
어디서 쓸 수 있는지도 정리해 두면 이렇습니다. ChatGPT에서는 Plus, Pro, Enterprise, Edu 사용자가 Work와 Codex에서 바로 고를 수 있습니다. OpenAI는 같은 사용량 한도로 Sol이나 Astra보다 "상당히 더 많은" 작업을 처리할 수 있다고 했습니다. 무료 사용자 쪽은 제품 화면별로 구분해서 봐야 합니다. OpenAI는 9월에 무료·Go 사용자의 데스크톱 앱 GPT-6 Luna 접근을 발표했고 10월에는 일반 ChatGPT에서도 GPT-6가 GPT-5.6 모델을 대체한다고 밝혔습니다. API는 Free 티어에서 지원하지 않습니다. GitHub Copilot에서는 Pro, Pro+, Max, Business, Enterprise 플랜이 VS Code, Visual Studio, JetBrains, Xcode, Eclipse, Copilot CLI 등에서 쓸 수 있습니다. 다만 GitHub는 점진 배포를 명시했고 Business·Enterprise는 조직의 모델 허용 정책도 따르므로 계정마다 사용 가능 시점이 다를 수 있습니다. GitHub는 초기 테스트에서 직전 Terra보다 터미널·C# 과제를 더 많이 풀었다고만 밝혔고 수치는 내놓지 않았습니다.
결국 "Terra 6.1이 Sol 6보다 낫나"라는 질문에 답할 수 있는 것은 각자의 데이터뿐입니다. 지금 Sol로 돌리는 실제 작업 몇 개를 골라 Terra low와 Sol low에 똑같이 돌려 보세요. 그리고 통과율, 과제당 비용, 입력 토큰이 할증 경계를 넘은 요청의 수를 한 표에 나란히 적으면 됩니다. 그 표가 OpenAI 차트보다 정확한 답을 줄 겁니다.
