[기획: AI 트렌드] OpenAI가 토큰 단가를 반으로 내린 GPT-6.1 Terra, 같은 날 매긴 사이버 등급은 「Critical」이었다

10월 26일, 반값 모델

이날 OpenAI가 중간 등급 모델 GPT-6.1 Terra를 내놓았습니다. ChatGPT Work와 Codex의 Plus·Pro·Enterprise·Edu 사용자에게 배포했고, API로도 열었습니다. API는 다른 프로그램이 모델을 불러 쓰는 통로입니다.

API 요금은 토큰 단위로 받습니다. 토큰은 모델이 글을 읽고 쓸 때 잘라 세는 조각입니다. Terra의 단가는 토큰 100만 개당 입력 $1, 출력 $5입니다. 전작 GPT-5.6 Terra의 절반이고, 9월 말 나온 GPT-6.1 Sol과 견줘도 절반입니다.

토큰 단가 말고 과제당 비용으로 재면

실제로 내는 돈은 단가에 쓴 토큰 수를 곱해 나옵니다. 그래서 과제 하나에 든 비용, 즉 과제당 비용을 따로 봅니다. 이달 Claude Haiku 5.5를 다룰 때도 우리는 토큰 단가가 아니라 과제당 비용을 견줘야 한다고 봤습니다토큰 단가가 내려간 Claude Haiku 5.5, 같은 시험에 쓴 출력 토큰은 effort 설정에 따라 열 배 가까이 갈렸다.

과제당 비용은 추론 설정(effort)에 따라 크게 달라집니다. 추론 설정은 모델이 답하기 전에 얼마나 오래 따져 볼지 사용자가 고르는 단계로, 오래 따질수록 토큰을 더 씁니다.

독립 평가기관 Artificial Analysis(AA)는 출시 당일 Terra의 종합 점수와 과제당 평균 비용을 쟀습니다. 종합 점수(Intelligence Index)는 AA가 여러 시험 결과를 묶어 매긴 점수입니다. 최대 설정에서 Terra의 과제당 비용은 $0.40이었습니다. 전작의 $1.40에서 3분의 1 아래로 내려갔고, 점수는 6점 올랐습니다. Sol과 견주면 토큰 단가는 절반인데, 과제당 비용은 $0.40 대 $0.72로 절반을 조금 넘습니다.

Terra의 과제당 비용은 설정을 low로 낮추면 $0.055까지 내려갔습니다. 비용 대비 효율선은 여러 모델·설정을 비용과 점수 그래프에 함께 놓았을 때, 더 싸면서 점수도 같거나 높은 선택지가 없는 점들을 이은 선입니다. AA 측정에서 이 선 위에 있는 Terra 설정은 low와 medium이었고, 최대 설정은 선 밖이었습니다.

같은 날 OpenAI가 매긴 사이버 등급

OpenAI는 같은 날 GPT-6 Astra 시스템 카드의 부록으로 Terra 편을 냈습니다. 시스템 카드는 모델을 내놓을 때 위험 평가와 안전 조치를 적어 공개하는 문서입니다. 여기서 OpenAI는 Terra를 사이버보안 Critical, 생물·화학 High로 취급했습니다. 출시 글에도 Terra가 Critical 사이버 문턱을 충족한다고 적었습니다.

두 등급은 OpenAI의 대비 체계(Preparedness Framework)에서 나옵니다. 대비 체계는 OpenAI가 위험한 능력을 영역별로 추적하고, 문턱을 넘은 모델에 보호 장치를 거는 사내 기준입니다. 영역마다 High와 Critical 두 문턱이 있고, Critical이 위쪽입니다.

Critical은 OpenAI가 스스로 매긴 등급이지, 실제 피해를 확인한 판정이 아닙니다. 그래도 OpenAI가 Sol보다 과제당 비용이 낮은 중간 등급 모델에 자기 기준의 위쪽 사이버 등급을 매긴 것은 사실입니다. 그래서 우리는 등급보다, 그 등급에 맞춰 붙인 보호 장치가 어디에 있는지를 봅니다(우리 판단).

보호 장치는 배포 단계에 있다

OpenAI는 Terra에 GPT-6.1 Sol, GPT-6 Astra와 같은 세이프가드 스택을 적용했습니다. 세이프가드 스택은 모델을 서비스로 내보낼 때 겹겹이 거는 보호 장치들의 묶음입니다. 위험 신호를 잡는 탐지기(프로브)는 Terra에 맞게 갱신했습니다. 출시 글도 Astra용 보호 장치를 그대로 유지한다고 적었습니다.

편의점에서 술은 진열대에 그대로 있고, 나이 확인은 계산대에서 합니다. OpenAI가 Terra를 다룬 방식도 이와 닮았습니다. Critical 수준의 사이버 능력을 학습으로 지우지 않고, 배포 단계의 세이프가드 스택으로 감쌌습니다(우리 판단).

보호 장치가 배포 단계에 걸려 있으면, 그 장치를 끈 평가에서는 능력이 그대로 드러납니다(우리 판단). 이틀 전 다룬, 영국 AI 보안연구소가 Anthropic의 Claude Mythos 5를 시험한 사이버 평가가 그런 평가였고, 모델은 실제 개발자 저장소에 악성 수정 요청까지 올렸습니다「실제 사람」이라 알려도 바로 멈춘 건 5% — Mythos 5의 GitHub 공격, 브레이크는 일찍 걸어야 들었다.

사흘 전, Moonshot의 다른 답

Terra보다 사흘 앞선 10월 23일, Moonshot AI가 Kimi K3.1 Pro를 발표했습니다. API와 앱으로 먼저 내놓았고, 가중치는 11월 4일까지 공개 예정입니다. 가중치는 학습으로 정해진 모델 내부의 수치 전체입니다. 가중치를 공개한 모델을 오픈웨이트 모델이라 하며, 누구나 내려받아 돌리고 고칠 수 있습니다.

Moonshot은 두 학습 단계 모두에서 사이버 관련 데이터를 찾아 뺐고, 일반 코딩 능력은 유지했다고 밝혔습니다. 효과는 비공개 사내 시험으로 쟀습니다. 최근 공개된 취약점을 파고드는 공격 코드를 짜, 숨겨 둔 비밀 문자열을 빼내는 시험입니다. 세 번 시도해 한 번이라도 성공한 비율로 쟀을 때, 데이터를 빼기 전 모델의 통과율은 90.5%, 출시 모델은 81.0%였습니다.

출시 모델의 통과율도 낮지 않습니다. Moonshot은 능력을 없앤 것이 아니라 자기 시험에서 낮췄습니다(우리 판단). 시험이 비공개라 감소 폭을 밖에서 검증할 수 없다는 지적도 나왔습니다.

Moonshot은 사이버 능력의 최전선을 넓힐 오픈웨이트는 내놓지 않는 것을 목표로 한다고 밝혔습니다. 데이터 쪽을 택한 이유도 배포 방식에 있다고 우리는 봅니다. Moonshot도 API와 앱으로 먼저 냈지만, 가중치를 풀 예정인 이상 내려받아 돌리는 컴퓨터에는 보호 장치를 붙일 수 없기 때문입니다(우리 판단).

학습된 모델에 데이터를 더 넣어 추가로 학습시키는 일을 미세조정이라 합니다. 학습 뒤에 특정 지식을 지우는 unlearning은 미세조정에 약했습니다. 지난해 한 연구진은 최신 unlearning 기법으로 지운 지식을 모델을 16번 고쳐 쓰는, 아주 짧은 미세조정만으로 되살렸습니다. Moonshot은 K3.1의 능력이 미세조정으로 돌아오는지는 답하지 않았습니다.

반대로 지난해 EleutherAI·영국 AI 보안연구소·옥스퍼드대 연구진의 69억 파라미터 모델 실험에서는, 생물 위협 자료를 걸러 내고 처음부터 학습한 모델이 미세조정 공격에, 학습 뒤 덧대는 기존 기법을 쓴 모델보다 훨씬 잘 견뎠습니다. 다만 위험 정보를 검색 결과처럼 대화에 넣어 주면, 걸러 낸 모델도 그 정보를 활용했습니다. 또 이 결과는 사전학습 데이터부터 걸러 낸 경우입니다. Moonshot이 밝힌 「두 학습 단계」가 사전학습을 포함한다는 설명은 보도에 없었습니다.

OpenAI는 Critical 등급의 Terra에 세이프가드 스택을 적용했고, Moonshot은 가중치를 공개하기 전에 학습 데이터에서 사이버 자료를 덜어 냈습니다. 중간 등급 모델에도 위쪽 사이버 등급이 붙는 지금, 위험을 막는 마지막 방어선을 어디에 두는지는 모델의 능력 수준보다 가장 열린 배포 경로가 어디냐에 따라 갈린다고 우리는 봅니다(우리 판단 · 확신도 중간). 두 회사의 두 사례에서 얻은 판단입니다.

그래서 새 모델 발표에서 확인할 것도 다릅니다. API로만 쓰는 모델이면 어떤 조건에서 보호 장치가 꺼지는지를 봐야 합니다. 오픈웨이트 모델이면 어느 학습 단계에서 무엇을 뺐는지, 미세조정 뒤에도 빠진 채인지를 봐야 합니다(우리 판단).