GPT-6 Astra는 low, medium, high, xhigh, max 다섯 가지 추론 레벨을 지원한다.
많은 사람들이 “비싼 모델이니까 무조건 높은 추론”로 돌리는데, Artificial Analysis Intelligence Index 데이터를 보면 그건 비효율적이다.핵심 결론부터
기본값으로 추천: medium
단순 작업: low
복잡하거나 medium에서 실패했을 때만: high 이상
max는 거의 마지막 수단
Artificial Analysis 데이터로 본 레벨별 특징Artificial Analysis Intelligence Index에서 Astra의 모든 추론 레벨이 비용-성능 프론티어에 올라와 있다.
즉, 레벨을 높일수록 점수는 조금씩 오르지만, 비용과 토큰 사용량이 크게 증가한다.대략적인 경향은 이렇다:
low: 이전 세대 GPT-5.6 Sol의 high보다도 성능이 좋은 경우가 많다.
단순 추출, 포맷 변환, 빠른 요약, 가벼운 툴 호출에 적합. 속도와 비용 면에서 가장 효율적.medium: 대부분의 실무 작업에서 최적의 균형점.
일반 코딩, 문서 작성, 분석, 에이전트 워크플로우에서 품질 대비 비용이 가장 좋다.high: medium에서 부족한 복잡한 멀티스텝 작업, 대규모 코드 변경, 여러 문서 종합 분석 등에 사용.
xhigh / max: high로도 해결이 안 되는 고난이도 문제(어려운 디버깅, 아키텍처 결정, 고난도 수학/추론)에만 올리는 것을 권장.
점수 상승폭은 제한적인 반면 비용과 시간은 크게 늘어난다.
실제로 OpenAI 엔지니어도 “Astra의 low가 Sol의 high보다 낫다”고 공개적으로 언급한 바 있다.
그만큼 하위 레벨의 기본기가 강하기 때문에, 처음부터 높은 레벨을 쓸 필요가 적다.실전 사용 원칙
기본적으로 medium으로 시작한다.
결과가 명확히 부족할 때만 high로 올린다.
단순하고 검증이 쉬운 작업은 low로 내린다.
max는 “이것 아니면 안 된다” 수준의 작업에만 쓴다.
또한 Astra는 대화 중간에 추론 레벨을 바꿀 수 있다.
쉬운 부분은 low/medium으로 처리하고, 막히는 부분만 일시적으로 올리는 방식이 토큰과 비용을 아끼는 데 효과적이다.정리GPT-6 Astra는 “높은 추론 레벨을 써야 제맛”인 모델이 아니다.
오히려 낮은~중간 레벨에서도 충분히 강력하고, 레벨을 상황에 맞게 조절했을 때 비용 효율이 극대화되는 모델이다.Artificial Analysis 데이터가 보여주는 가장 중요한 메시지는 이것이다.
“점수를 조금 더 올리기 위해 무조건 max를 쓰는 것은, 얻는 것보다 잃는 것이 더 많다.”
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.