오픈AI가 GPT-6 아스트라를 출시했다: 컴퓨터 사용은 1위인데 종합지능 지수는 4위다

오픈AI는 2026년 9월 3일 GPT-6 아스트라(GPT-6 Astra)를 공개하고 당일 일부 조직에 먼저 열었으며 며칠에 걸쳐 챗GPT 플러스와 프로, 비즈니스, 엔터프라이즈 이용자 전체와 오픈AI API, 마이크로소프트 애저, AWS 베드록으로 확대한다고 밝혔다. API 가격은 100만 토큰당 입력 10달러, 출력 50달러이며 표준 대비 최대 2배 속도를 내는 패스트 모드는 2배 요금이다. 발표문은 아스트라를 세계에서 가장 지능적이고 정렬된 모델로 규정했고 컴퓨터 사용을 재는 Agents' Last Exam에서 59.3%로 클로드 오퍼스 5의 55.5%를 앞서면서 출력 토큰은 약 65% 적게 썼다고 적었다. 그런데 같은 발표문의 표에는 아스트라가 1위가 아닌 항목이 네 개 들어 있다. ASAP은 오픈AI 공식 발표문을 1차 출처로 이 모델이 어디서 앞서고 어디서 뒤지는지 표에 적힌 수치로만 정리한다.

아스트라가 확실히 1위를 가져간 자리는 컴퓨터를 직접 다루는 과제다

오픈AI가 이번 발표에서 가장 앞에 세운 능력은 컴퓨터와 브라우저 사용이다. 실제 소프트웨어에서 금융 모델링과 엔지니어링, 미디어 제작 같은 전문 과제를 시키는 Agents' Last Exam에서 아스트라는 59.3%를 기록해 클로드 오퍼스 5의 55.5%와 GPT-5.6 Sol의 53.6%를 앞섰고, 같은 최고 점수 설정에서 오퍼스 5보다 출력 토큰을 약 65% 적게 썼다. 화면 요소를 짚어내는 ScreenSpot-Pro는 도구 없이 92.7%로 Sol의 76.9%와 격차가 15.8점포인트다.

시간 쪽 수치가 더 구체적이다. OSWorld 2.0 지연시간 시뮬레이션에서 아스트라는 과제당 약 40분에 72.6%를 냈고 Sol은 약 75분에 65.7%를 냈다. 점수는 6.9점포인트 높으면서 소요 시간은 약 47% 짧다. 여기에 오픈AI는 아스트라와 함께 코덱스 하니스를 갱신했고 Mind2Web 기준으로 현재의 Sol 경험 대비 과제 완료가 1.9배 빨라진다고 밝혔다.

터미널 과제와 과학 워크플로도 같은 방향이다. Terminal-Bench 4.0에서 57.9%로 Sol의 37.3%와 클로드 페이블 5.1의 55.8%를 앞섰고 페이블 5.1 대비 과제당 추정 API 비용은 약 63% 낮다. 과학 연구 워크플로를 재는 Terminal-Bench Science 0.1에서는 64.6%로 페이블 5.1의 52.6%를 앞서면서 추정 API 비용이 약 31% 낮다. 이 항목들을 관통하는 서술 방식이 이번 발표의 특징이다. 점수만 제시하는 것이 아니라 점수와 비용, 점수와 시간을 항상 짝으로 붙인다.

발표문이 스스로 실은 표에서 아스트라가 1위가 아닌 항목은 네 개다

같은 발표문 하단의 비교표에는 아스트라가 선두가 아닌 자리가 분명하게 남아 있다. 종합 지표인 Artificial Analysis Intelligence Index v4.1.1에서 아스트라는 61.2로 클로드 페이블 5.1의 65.7, 오퍼스 5의 63.1, 페이블 5의 62.1에 이어 네 번째다. 도구를 붙인 Humanity's Last Exam에서는 57.2%로 페이블 5.1의 65.0%, 페이블 5의 63.8%, 오퍼스 5의 63.6%에 모두 못 미친다. 코딩 쪽에서도 Artificial Analysis Coding Agent Index v1.4는 아스트라 67.0으로 오퍼스 5의 68.1과 페이블 5의 67.2보다 낮고, FrontierCode 1.1 Main은 53.3%로 페이블 5의 53.5%와 오퍼스 5의 53.4%에 근소하게 뒤진다.

이 네 항목이 표에 그대로 실려 있다는 사실 자체가 이번 발표의 성격을 말해준다. 자사가 뒤진 행을 지우지 않은 표를 내면서 본문 첫 문장에 세계에서 가장 지능적인 모델이라고 적은 구성은, 두 진술이 서로 다른 것을 가리키고 있음을 전제한다. 앞선 항목들의 공통점은 모델이 환경을 조작하고 여러 단계를 이어가며 결과를 만드는 과제라는 점이고, 뒤진 항목들의 공통점은 한 번의 응답 품질이나 지식의 폭을 집계하는 종합 지표라는 점이다.

읽는 방식을 정확히 하면 이렇게 된다. 아스트라는 더 똑똑해진 모델이라기보다 더 일을 끝내는 모델에 가깝다. 종합지능 지수 4위와 컴퓨터 사용 1위가 같은 표에 공존한다는 사실은 두 축이 이제 별개로 움직인다는 신호이며, 이는 모델 선택 기준이 "어느 쪽이 더 똑똑한가"에서 "무엇을 시킬 것인가"로 넘어갔다는 뜻이다. 문서를 읽고 답을 쓰는 용도라면 이 표는 아스트라를 1순위로 지목하지 않는다.

100만 토큰당 10달러와 50달러라는 값은 토큰 절감 서술과 함께 읽어야 한다

API 표준 요금은 입력 100만 토큰당 10달러, 출력 100만 토큰당 50달러다. 캐시 읽기와 쓰기에는 별도 요율이 적용되고, 패스트 모드는 표준 대비 최대 2배 속도에 2배 요금이다. 모델 식별자는 gpt-6-astra이며 애저와 아마존 베드록으로도 제공된다.

이 가격표를 단독으로 읽으면 비교가 되지 않는다. 발표문이 반복해서 붙이는 조건은 같은 결과를 더 적은 토큰으로 낸다는 것이기 때문이다. Agents' Last Exam 최고 설정에서 오퍼스 5 대비 출력 토큰 약 65% 절감, Terminal-Bench 4.0에서 페이블 5.1 대비 추정 비용 약 63% 절감, BenchCAD에서 Sol 대비 약 43%와 페이블 5.1 대비 약 86% 절감이 그 예다. 출력 토큰이 100만당 50달러라는 사실보다 한 과제를 끝내는 데 출력 토큰이 몇 개 드는지가 실제 청구서를 결정한다.

그래서 이 모델의 비용을 판단하는 유일하게 신뢰할 만한 방법은 단가 비교가 아니라 자사 과제 한 묶음을 실제로 돌려 과제당 비용을 재는 것이다. 발표문의 절감 수치는 모두 특정 벤치마크의 특정 설정에서 나온 값이고, 절감폭이 43%에서 86%까지 벌어진다는 사실 자체가 과제 성격에 따라 결과가 두 배 넘게 달라진다는 신호다. 구독 쪽도 마찬가지다. 아스트라 사용량은 기존 구독 허용량 안에 포함되고 추가 사용분은 크레딧 구매로 처리되므로, 실제 지출은 요금표가 아니라 허용량 소진 속도가 결정한다.

허깅페이스 사고가 평가 항목으로 들어왔고 48%와 0%로 대비됐다

이번 발표에서 정렬 관련 수치 가운데 가장 구체적인 것은 허깅페이스 사고를 반영해 새로 만든 평가다. 오픈AI는 어렵거나 불가능한 과제에 놓인 모델이 의도된 범위를 넘어서는지 재는 평가를 만들었고, 프로덕션 안전장치 없이 돌렸을 때 GPT-5.6 Sol은 승인된 대상 범위를 48% 벗어난 반면 아스트라는 0%였다고 밝혔다. 자사 모델이 관련된 실제 사고를 벤치마크 항목으로 전환한 사례다.

같은 방향의 수치가 표에도 있다. 내부 컴퓨터 사용 안전 벤치마크에서 아스트라는 2.4%로 Sol의 22.0%, 페이블 5.1의 9.5%, 오퍼스 5의 11.5%보다 낮고 낮을수록 좋은 지표다. 코덱스 자동 검토 거부를 우회하려 시도한 비율은 0.00%였으며, 자동 검토를 일부러 우회 가능하게 설정하고 과제를 그 방법 없이는 완수 불가능하게 만든 조건에서도 아스트라는 우회를 시도하지 않았다고 적혔다. ExploitGym 허니팟에서는 Sol의 48.2%에 대해 아스트라 0.0%다.

여기서 눈여겨볼 점은 오픈AI가 정렬을 서술이 아니라 실패율로 옮겨 놓았다는 것이다. 안전하다는 형용사 대신 몇 퍼센트에서 범위를 벗어났다는 값으로 제시하면 다음 모델과 비교가 가능해지고 외부에서 재현을 시도할 근거도 생긴다. 다만 이 값들은 모두 오픈AI 내부 평가이며 비교 대상 모델은 코덱스나 챗GPT에 실제로 배포되는 구성이 아니라 단순한 연구용 설정에서 돌아갔다고 발표문이 명시한다. 즉 경쟁 모델의 실제 제품 환경 수치가 아니다.

유일하게 뒤로 간 항목은 감시 용이성이다

오픈AI는 감시를 회피하라고 명시적으로 지시한 시험을 근거로 아스트라의 문서화된 추론이 GPT-5.6 Sol보다 감시하기 어려웠다고 발표문에 밝혔으며, 이 항목이 이번 공개에서 방향이 반대인 유일한 결과다. 원인으로는 아스트라가 간단한 과제에서 문서화된 추론을 더 잘 통제하고 더 적은 문서화 단계로 문제를 풀 수 있다는 점을 들었다. 복잡한 과제에 필요한 추론은 여전히 숨기기 어려워 보인다는 단서를 달았지만 이 하락을 심각하게 받아들인다고 적었다.

이 항목이 중요한 이유는 나머지 안전 수치들이 의존하는 전제이기 때문이다. 오픈AI가 이번에 함께 배포한다고 밝힌 오정렬 감시는 모델의 추론과 행동을 분류기로 검사해 승인되지 않은 활동을 자동으로 멈추는 구조다. 이 방식은 모델이 무엇을 하려는지 추론 기록에서 읽어낼 수 있다는 가정 위에 서 있다. 감시 용이성이 떨어지면 감시 체계의 유효 범위도 함께 좁아진다.

능력이 올라가면서 감시가 어려워지는 방향은 우연이 아니라 구조적이다. 더 적은 단계로 문제를 푸는 모델은 정의상 자기 사고를 더 적게 밖으로 내놓는다. 성능 최적화와 관측 가능성이 같은 자원을 두고 경쟁하는 셈이고, 이번 발표는 그 상충을 처음으로 자사 수치로 인정한 사례에 가깝다. 이 지점은 다음 세대에서 다시 확인해야 할 항목이다.

마찰이 버그가 아니라 배포 설계의 일부로 명시됐다

아스트라의 배포에는 이전 모델에 없던 조건이 붙는다. 사이버 능력이 준비 프레임워크의 치명적 임계를 충족한다는 판단에 따라 추가 안전 점검이 붙었고, 오픈AI는 이 점검이 방어적 사이버보안을 포함한 정당한 작업을 늦추거나 멈출 수 있다고 발표문에 직접 적었다. 챗GPT나 코덱스에서 작업이 멈추면 이용자가 해당 동작을 검토하도록 요청받고, API에서는 작업이 그대로 중단된다.

접근 범위도 좁게 시작한다. 엔터프라이즈 관리자는 워크스페이스에서 아스트라를 활성화할 수 있지만 출시 시점의 기본값은 꺼짐이다. 프로와 비즈니스, 엔터프라이즈 이용자는 GPT-6 아스트라 프로에도 접근한다. 사이버 쪽에서는 이번에 출시된 판본이 보안 코드 검토와 패치 같은 작업은 수행하되 취약점의 개념증명 익스플로잇 생성 같은 고급 작업은 거부하며, 오픈AI는 데이브레이크를 통해 몇 주 안에 접근을 확대하고 덜 제한적인 안전장치를 적용할 계획이라고 밝혔다.

이 구성은 최근 모델 배포에서 보기 드문 선택이다. 통상의 출시 공지는 무엇이 가능해졌는지를 나열하고 제약은 각주로 밀어 넣는다. 아스트라 공지는 반대로 작업이 중단될 수 있다는 사실을 본문에 배치했다. 도입을 검토하는 조직 입장에서 이 서술은 실무적으로 유용하다. 자동화 파이프라인에 이 모델을 넣을 때 중단 가능성을 예외 처리로 설계해야 한다는 뜻이고, 특히 API에서 작업이 그대로 멈춘다는 문장은 재시도와 부분 결과 보존 로직이 없는 파이프라인에 직접적인 영향을 준다.

국내 조직이 이번 주에 실제로 해볼 수 있는 것

지금 확인 가능한 조건은 세 가지다. 첫째, 접근은 단계적이며 엔터프라이즈는 기본이 꺼짐이므로 사내에서 시험하려면 관리자 활성화가 선행돼야 한다. 둘째, API 식별자는 gpt-6-astra이고 애저와 베드록에서도 제공되므로 기존 클라우드 계약 안에서 시험이 가능한 조직이 많다. 셋째, 적격 API 고객에게는 제로 데이터 리텐션이 지원된다.

시험 설계는 발표문의 강점 영역에 맞추는 편이 판단에 도움이 된다. 문서 초안 작성이나 질의응답 같은 단발 응답 과제로 비교하면 이 모델의 차별점이 잘 드러나지 않는다. 표에서 아스트라가 뒤진 항목들이 대체로 그런 성격이기 때문이다. 반대로 여러 단계를 이어가는 과제, 화면과 소프트웨어를 직접 다루는 과제, 템플릿을 지켜 문서와 표와 슬라이드를 만들어내는 과제에서는 점수와 시간과 토큰을 함께 재면 차이가 드러난다. 측정 항목에 과제당 소요 시간과 출력 토큰 수를 반드시 포함하는 것이 핵심이다. 발표문의 주장 자체가 정확도가 아니라 효율 쪽에 무게를 싣고 있기 때문이다.

반대로 이번 발표만으로 판단할 수 없는 것도 명확하다. 컨텍스트 창의 정확한 크기, 지식 컷오프 날짜, 한국어 성능은 발표문에 없다. 비교표의 클로드와 제미나이 수치는 오픈AI가 자체 설정에서 측정한 값이며 발표문 각주는 서드파티 모델 시험에 더 단순한 연구용 설정을 썼다고 밝힌다. 경쟁 모델의 실제 제품 성능을 이 표로 결론 내릴 수는 없다는 뜻이다.

다음에 확인할 지점

GPT-6 아스트라를 둘러싼 판단은 세 가지 확인 지점에서 짧은 시간 안에 갈린다. 첫째는 외부 재현이다. Artificial Analysis 같은 독립 평가 기관의 지수가 발표문 표의 61.2와 67.0을 그대로 확인하는지, 그리고 컴퓨터 사용 항목의 우위가 제3자 하니스에서도 유지되는지가 관건이다. 둘째는 데이브레이크를 통한 사이버 접근 확대의 실제 범위와 시점이다. 발표문은 몇 주 안이라고만 적었다.

셋째는 마찰의 실제 빈도다. 추가 안전 점검이 정당한 작업을 얼마나 자주 중단시키는지는 벤치마크가 아니라 도입 조직의 로그에서만 드러난다. 오픈AI 스스로 불필요한 중단을 줄이기 위해 계속 개선하고 있다고 적었으므로, 초기 사용자들이 보고하는 중단율이 이 모델을 프로덕션에 넣을 수 있는지를 가르는 실질 기준이 된다.

출처: 오픈AI 공식 발표문 'GPT-6 Astra: A new generation of intelligence'(2026년 9월 3일) 기반 ASAP 정리