26-9 OpenAI GPT-6.1 Sol 출시
작성자의 핵심 판단
작성자는 GPT-6.1 Sol의 높은 수요와 낮은 작업당 비용을 달러당 지능이 높아지는 흐름의 사례로 평가한다. 다만 Recurrent Depth의 지연시간이라는 대가도 함께 남겨 두었다.
근거 보기 4
- 원문 구간 1
Moonshot 팀이 7월 1일부터 모델이 생각한 것을 요청자가 확인하고 그것을 Kimi의 차세대 모델 학습 데이터로 넣는 식입니다. 7월 24일~7월 25일에는 활동량이 급증했는데 7월 28일에 오픈AI가 이를 완전히 차단했습니다. 오픈AI의 주요 모델 출시 시점을 적어보면: 2026년 7월 9일 → GPT-5.6 Sol, Terra, Luna 2026년 9월 3일 → GPT-6 Astra (Recurrent Depth 적용해서 CoT 크게 줄어듦) 2026년 9월 22일 → GPT-6 Sol, Luna (50% 가격인하) 2026년 9월 29일 → GPT-6.1 Sol입니다. (2) 오픈AI의 GPT-6.1 Sol도 굉장히 중요한 모델입니다. 가성비가 말도 안되게 좋은 모델이라고 전해드렸는데 Tibo와 샘 올트먼도 GPT-6.1 Sol의 수요가 매우 높은 상태임을 말하고 있습니다. 이제 오픈AI향으로 가장 먼저 VR200이 온라인될 것이기 때문에 가능한 조치라고 생각합니다. VR200 NVL72 양산이 점점 더 가속화되고 있으므로 전반적으로 달러당 유효 컴퓨트가 빠르게 상승하니 ⓐ지능 향상과 ⓑ토큰당 가격 인하 두 갈래의 방향으로 나타날 것입니다.
- 원문 구간 2
결과적으로는 달러당 지능을 훨씬 더 크게 갖게 된다는 공통된 방향입니다. 9월 28일 주간전략보고에서 Opus 5.5의 지능 향상과 GPT-6 Sol, Luna의 가격 인하는 본질적으로 맞닿아 있다고 전해드렸었습니다. 그 방향으로 가속화되는 것입니다. GPT-6 계열의 중요한 특징은 같은 수준의 지능을 구현하는 데 필요한 토큰 수가 매우 적다는 점입니다. Gemini 4 Argon xHigh가 Artificial Analysis Intelligence Index에서 작업당 평균 62K output token을 사용한 반면 GPT-6 Astra Max는 27K, GPT-6.1 Sol Max는 38K를 썼습니다. 작업당 비용으로 따지면 GPT-6.1 Sol이 $0.72인데 지능수준이 비슷한 Gemini 4 Argon이 $1.99인 이유입니다. 왜그런가 하면 GPT-6부터 Recurrent Depth를 적용했기 때문입니다. 기존 CoT 방식은 더 오래 생각하기 위해 생각토큰을 더 생성하는 반면, Recurrent Depth는 토큰을 만들기 전에 더 생각하고 뱉는 것입니다.
- 원문 구간 3
토큰 하나당 더 많은 내부 compute를 쓰는 대신 필요한 토큰의 수를 줄이는 방식에 가깝습니다. 과금은 백만토큰당으로만 책정하기 때문에 작업당 비용에서 압도적으로 우세할 수 밖에 없습니다. Recurrent Depth가 공개되자마자 9월 7일 주간전략보고에서 연구 리더십에서 오픈AI가 주도권을 쥐었다고 말씀드린 이유입니다. *첨부자료 1, 2, 3* 다만 다 좋기만 한 것은 아닙니다. 내부 compute time을 늘리는 것이기 때문에 강하게 쓰면 강하게 쓸수록 latency가 늘어납니다. TPS가 낮아지는 효과입니다. 토큰이 더 느리게 나오는 것입니다. 다만 생성해야 할 reasoning token과 agent step 자체가 크게 줄어들 수 있기 때문에, 낮은 TPS에도 불구하고 최종 작업 완료 시간과 작업당 비용에서는 더 유리해질 수 있습니다. 물론 지금 벌써 Recurrent Depth의 문제점을 짚을 이유는 없습니다. 토큰 생성을 결정하는 3요소인ⓐCompute ⓑMemory ⓒInterconnect 중에서 지금 가장 상대적으로 구하기 쉬운 것이 ⓐCompute인지라 이를 활용해 성능 향상의 새로운 축으로 적극 사용 중입니다.
- 원문 구간 4
그렇지만 어쨌든 무엇을 희생했는지를 짚어두고, 나중에 이것을 두고 또 깊게 생각해볼 것이 있을 거라 생각해서 미리 북마크하듯 생각을 남겨봅니다. (3) 연구력 격차를 감안하면 Tier 1 AI Labs는 오픈AI와 앤스로픽으로 좁혀져 있고, 그 뒤에 3등 자리를 놓고 구글과 메타가 경쟁 중입니다. 쭉 생각을 정리해보면 오픈AI > 앤스로픽 >> 구글 > 메타 > 스페이스X > 중국 AI Labs들(Z.ai, MiniMax, Alibaba, Moonshot, DeepSeek)입니다. 흥미로운 포인트이자 이제 진검승부라고 표현드린 것은 전일 일간보고에서 말씀드린 것처럼 (ㄱ) Pre-training x (ㄴ) RL/Post-training x (ㄷ) Test-time compute 중 구글과 메타가 이미 이룬 것과 검증해야 할 영역이 서로 크로스되어 있습니다. 구글은 이번에 (ㄱ)의 힘으로 성공적으로 Gemini 4 Argon을 3등 수준까지 끌어올렸습니다. 앞의 GPT, Claude에 비하면 격차가 여전히 꽤 나기는 하지만 굉장히 경쟁력 있는 모델이 나온 셈입니다.
이 자료에서 다룬 사실
원문은 GPT-6.1 Sol 출시일을 2026년 9월 29일로 적고, 비교한 작업당 토큰 수와 비용을 제시했다.
근거 보기 3
- 원문 구간 1
Moonshot 팀이 7월 1일부터 모델이 생각한 것을 요청자가 확인하고 그것을 Kimi의 차세대 모델 학습 데이터로 넣는 식입니다. 7월 24일~7월 25일에는 활동량이 급증했는데 7월 28일에 오픈AI가 이를 완전히 차단했습니다. 오픈AI의 주요 모델 출시 시점을 적어보면: 2026년 7월 9일 → GPT-5.6 Sol, Terra, Luna 2026년 9월 3일 → GPT-6 Astra (Recurrent Depth 적용해서 CoT 크게 줄어듦) 2026년 9월 22일 → GPT-6 Sol, Luna (50% 가격인하) 2026년 9월 29일 → GPT-6.1 Sol입니다. (2) 오픈AI의 GPT-6.1 Sol도 굉장히 중요한 모델입니다. 가성비가 말도 안되게 좋은 모델이라고 전해드렸는데 Tibo와 샘 올트먼도 GPT-6.1 Sol의 수요가 매우 높은 상태임을 말하고 있습니다. 이제 오픈AI향으로 가장 먼저 VR200이 온라인될 것이기 때문에 가능한 조치라고 생각합니다. VR200 NVL72 양산이 점점 더 가속화되고 있으므로 전반적으로 달러당 유효 컴퓨트가 빠르게 상승하니 ⓐ지능 향상과 ⓑ토큰당 가격 인하 두 갈래의 방향으로 나타날 것입니다.
- 원문 구간 2
결과적으로는 달러당 지능을 훨씬 더 크게 갖게 된다는 공통된 방향입니다. 9월 28일 주간전략보고에서 Opus 5.5의 지능 향상과 GPT-6 Sol, Luna의 가격 인하는 본질적으로 맞닿아 있다고 전해드렸었습니다. 그 방향으로 가속화되는 것입니다. GPT-6 계열의 중요한 특징은 같은 수준의 지능을 구현하는 데 필요한 토큰 수가 매우 적다는 점입니다. Gemini 4 Argon xHigh가 Artificial Analysis Intelligence Index에서 작업당 평균 62K output token을 사용한 반면 GPT-6 Astra Max는 27K, GPT-6.1 Sol Max는 38K를 썼습니다. 작업당 비용으로 따지면 GPT-6.1 Sol이 $0.72인데 지능수준이 비슷한 Gemini 4 Argon이 $1.99인 이유입니다. 왜그런가 하면 GPT-6부터 Recurrent Depth를 적용했기 때문입니다. 기존 CoT 방식은 더 오래 생각하기 위해 생각토큰을 더 생성하는 반면, Recurrent Depth는 토큰을 만들기 전에 더 생각하고 뱉는 것입니다.
- 원문 구간 3
토큰 하나당 더 많은 내부 compute를 쓰는 대신 필요한 토큰의 수를 줄이는 방식에 가깝습니다. 과금은 백만토큰당으로만 책정하기 때문에 작업당 비용에서 압도적으로 우세할 수 밖에 없습니다. Recurrent Depth가 공개되자마자 9월 7일 주간전략보고에서 연구 리더십에서 오픈AI가 주도권을 쥐었다고 말씀드린 이유입니다. *첨부자료 1, 2, 3* 다만 다 좋기만 한 것은 아닙니다. 내부 compute time을 늘리는 것이기 때문에 강하게 쓰면 강하게 쓸수록 latency가 늘어납니다. TPS가 낮아지는 효과입니다. 토큰이 더 느리게 나오는 것입니다. 다만 생성해야 할 reasoning token과 agent step 자체가 크게 줄어들 수 있기 때문에, 낮은 TPS에도 불구하고 최종 작업 완료 시간과 작업당 비용에서는 더 유리해질 수 있습니다. 물론 지금 벌써 Recurrent Depth의 문제점을 짚을 이유는 없습니다. 토큰 생성을 결정하는 3요소인ⓐCompute ⓑMemory ⓒInterconnect 중에서 지금 가장 상대적으로 구하기 쉬운 것이 ⓐCompute인지라 이를 활용해 성능 향상의 새로운 축으로 적극 사용 중입니다.
그렇게 판단한 이유
Recurrent Depth가 토큰을 생성하기 전 내부 연산을 늘려 필요한 토큰을 줄이고, 토큰 단위 과금에서는 작업당 비용을 낮출 수 있다는 논리다.
근거 보기 1
- 원문 구간 1
토큰 하나당 더 많은 내부 compute를 쓰는 대신 필요한 토큰의 수를 줄이는 방식에 가깝습니다. 과금은 백만토큰당으로만 책정하기 때문에 작업당 비용에서 압도적으로 우세할 수 밖에 없습니다. Recurrent Depth가 공개되자마자 9월 7일 주간전략보고에서 연구 리더십에서 오픈AI가 주도권을 쥐었다고 말씀드린 이유입니다. *첨부자료 1, 2, 3* 다만 다 좋기만 한 것은 아닙니다. 내부 compute time을 늘리는 것이기 때문에 강하게 쓰면 강하게 쓸수록 latency가 늘어납니다. TPS가 낮아지는 효과입니다. 토큰이 더 느리게 나오는 것입니다. 다만 생성해야 할 reasoning token과 agent step 자체가 크게 줄어들 수 있기 때문에, 낮은 TPS에도 불구하고 최종 작업 완료 시간과 작업당 비용에서는 더 유리해질 수 있습니다. 물론 지금 벌써 Recurrent Depth의 문제점을 짚을 이유는 없습니다. 토큰 생성을 결정하는 3요소인ⓐCompute ⓑMemory ⓒInterconnect 중에서 지금 가장 상대적으로 구하기 쉬운 것이 ⓐCompute인지라 이를 활용해 성능 향상의 새로운 축으로 적극 사용 중입니다.