GPT-5.5와 LLM 다극화, 벤치마크를 넘어선 모델 선택

GPT-5.5가 겨냥한 것은 장기 작업이다

OpenAI는 2026년 4월 23일 GPT-5.5를 공식 출시했다. GPQA Diamond 점수는 93.6%다. 하지만 이 모델의 방향은 단일 벤치마크 순위보다 에이전틱 코딩, 컴퓨터 사용, 지식 작업 같은 실무 영역에서 더 분명하게 드러난다.

GPT-5.5는 GPT-4.5 이후 처음으로 전면 재훈련(full retrain)을 거친 모델이다. GPT-5.1, 5.2, 5.3, 5.4가 기존 아키텍처를 다듬는 중간 버전이었다면, 코드네임 “Spud”로 불린 GPT-5.5는 베이스 모델부터 다시 설계했다.

훈련 컴퓨트는 에이전틱 코딩(Agentic Coding), 컴퓨터 사용(Computer Use), 지식 작업(Knowledge Work), 초기 과학 연구(Early Scientific Research)에 집중됐다. 범용 대화 성능만 높이는 대신 하나의 작업을 오래 추적하며 끝내는 능력에 초점을 맞춘 셈이다. 1M 토큰 이상의 컨텍스트 창과 40% 개선된 토큰 효율성도 이 설계 방향에서 나왔다.

GPQA 점수만 보면 모델의 의도를 놓친다

GPQA(Graduate-Level Google-Proof Q&A) Diamond는 물리학·화학·생물학의 박사 수준 문제로 구성된 추론 벤치마크다. 검색이나 단순 패턴 매칭만으로 풀기 어려운 문제를 통해 심층 추론 능력을 측정한다.

2026년 5월 기준 점수는 다음과 같다.

모델	GPQA Diamond	특이점
Gemini 3.1 Pro	94.3%	과학 추론 최강자
Claude Opus 4.7	94.2%	생산 에이전트 워크플로우 강점
GPT-5.4 Pro	94.4%	이전 세대 최고 점수
GPT-5.5	93.6%	에이전틱 코딩 특화 설계
Qwen3.7 Max	92.3%	최저 비용 Top-10 진입
DeepSeek V3.2	85%+	오픈웨이트 최강

GPT-5.5는 이 지표에서 GPT-5.4 Pro, Gemini 3.1 Pro, Claude Opus 4.7보다 낮다. 반면 복잡한 커맨드라인 워크플로우를 평가하는 Terminal-Bench 2.0에서는 82.7%를 기록했다. 순수 과학 추론보다 실무 에이전트 성능을 우선한 OpenAI의 선택이 드러나는 지점이다.

추론 시간을 작업에 맞춰 늘리는 구조

GPT-5.5의 Dynamic Reasoning Time은 최대 7시간 이상의 추론을 허용한다. 요청당 수십 초 수준의 추론에 머무르지 않고 장기 태스크에 맞춰 추론 버짓을 유연하게 확장하는 방식이다.

이 구조가 겨냥하는 작업은 단일 API 호출로 끝나는 질의응답이 아니다. 코드베이스 분석에서 시작해 리팩터링 계획을 세우고, 구현한 뒤 테스트를 실행하는 파이프라인 전체를 하나의 에이전트가 맡는 형태에 가깝다.

추론 노력은 Low, Medium, High로 조절할 수 있다. GPT-5.5 Pro는 장기 태스크를 위한 high-compute 변형이다. 개발자는 작업 복잡도에 따라 비용과 추론 깊이 사이의 균형을 선택할 수 있다.

텍스트, 코드, 이미지, 파일은 네이티브 멀티모달 아키텍처에서 함께 처리된다. 툴 사용(Tool Use), 코드 실행 루프, 브라우저 제어도 단일 모델 안에서 통합되며 외부 오케스트레이션 레이어에 대한 의존도를 줄였다.

하나의 리더보드에서 갈라진 LLM 시장

2026년 봄의 경쟁 구도는 특정 모델이 모든 영역을 지배하는 형태가 아니다. 시장은 5개의 전략적 진영으로 분화했다.

OpenAI는 GPT-5.5를 통해 실무 에이전트의 작업 완수 능력을 앞세운다. Terminal-Bench 2.0의 82.7%가 이 전략을 대표한다.

Anthropic의 Claude Opus 4.7은 생산 환경의 안정성과 에이전트 워크플로우에 무게를 둔다. SWE-bench Pro 64.3%를 기록하며 복잡한 코딩 작업에서 GPT-5.5를 압박하고, 기업 고객의 신뢰도 측면에서도 강점을 보인다.

Google의 Gemini 3.1 Pro는 GPQA Diamond 94.3%로 과학 추론에서 앞선다. 검색 및 Workspace 생태계와의 통합은 모델 자체의 성능과 함께 사용자를 묶어 두는 전략으로 작동한다.

오픈웨이트 진영에서는 가격이 핵심 변수다. DeepSeek V3.2는 $0.28/M 토큰으로 GPT-5.4 품질의 90%를 제공한다. Qwen3.7 Max는 Top-10 안에서 가장 낮은 $1.25/M 토큰의 비용을 제시한다. 오픈웨이트 모델이 80% 이상의 엔터프라이즈 유즈케이스에서 프로프라이어터리 모델과 근접한 성능을 보이는 구도다.

Mistral과 Cohere, 현지 스타트업은 규정 준수와 엣지 배포를 포함한 소버린·니치 시장을 담당한다.

경쟁 범위는 기업을 넘어 국가 전략으로도 넓어졌다. Xiaomi의 MiMo-V2-Pro, Z.ai의 GLM-5, MiniMax-M2.7이 글로벌 Top 10에 들어오면서 서구 기업 중심의 독점 구도는 실질적으로 끝났다. 중국 LLM 진영도 하나의 순위를 놓고 겨루기보다 사용자 접근성, 오픈소스 생태계, 에이전트 워크플로우, 규제 대응을 각각의 전선으로 삼고 있다.

가격표에서 먼저 확인할 경계선

GPT-5.5의 API 가격은 처리 방식에 따라 달라진다.

플랜	입력 토큰	출력 토큰
표준 API	$5/1M	$30/1M
배치/플렉스	$2.5/1M	$15/1M
우선순위 처리	$12.5/1M	$75/1M
캐시 입력	$0.50/1M	—
GPT-5.5 Pro	$30/1M	$180/1M

입력이 272K 토큰을 넘으면 표준 요금의 2배가 적용된다. 1M 토큰 컨텍스트를 실제로 활용하려는 서비스라면 모델의 최대 입력 길이만 볼 것이 아니라 이 과금 경계까지 비용 계획에 반영해야 한다.

⤢✕

GPT-5.5가 GPQA Diamond에서 1위를 차지하지 못했어도 별도의 시장을 확보할 수 있는 배경에는 Terminal-Bench 2.0 기준 에이전틱 코딩 1위라는 성능과 OpenAI 생태계의 운용 편의성이 있다. Codex, ChatGPT, 기업 GPT 배포와 네이티브로 연결되며, NVIDIA와의 협업을 통해 Codex 에이전트 플랫폼에도 GPT-5.5가 직접 탑재됐다.

모델 교체는 업그레이드가 아니라 회귀 위험이다

GPT-5.4에서 GPT-5.5로 바꾸거나 Claude Opus 4.5에서 4.7로 올린다고 해서 모든 작업의 성능이 함께 개선되는 것은 아니다. 모델 전환 뒤 특정 태스크의 성능이 예상과 다르게 낮아지는 사례가 보고되고 있다. 다극화된 모델 환경에서는 신규 모델 도입보다 회귀를 탐지하는 평가 파이프라인이 먼저 필요하다.

⤢✕

평가의 기준점은 100~500개 규모의 골든 셋(Golden Set)이다. 모델을 바꾸기 전과 후에 같은 입력을 사용해야 결과를 직접 비교할 수 있다.

종합 점수 하나로 판단해서도 안 된다. 코딩, 추론, 창작, 요약처럼 실제 유즈케이스를 나누고 카테고리별 결과를 따로 봐야 한다. GPQA Diamond의 높은 점수가 모든 서비스 작업에서 같은 우위를 뜻하지 않기 때문이다.

검증을 마친 모델은 전체 트래픽에 바로 투입하지 않는다. 10~20% 트래픽으로 A/B 테스트한 뒤 개선이 확인되면 10% → 50% → 100% 순서로 이전한다. 결과가 기대에 미치지 못하면 이전 모델을 유지하거나 프롬프트를 더 조정한다. 배포 후에는 레이턴시, 비용, 품질을 함께 추적한다.

유즈케이스가 모델 선택을 결정한다

장문 처리가 핵심이라면 1M 토큰 컨텍스트만 보고 설계할 수 없다. 272K 토큰 초과 시 적용되는 2배 과금과 캐싱의 $0.50/M, 배치 API 활용 가능성을 함께 계산해야 한다.

모델 선택도 종합 벤치마크 순위와 분리할 필요가 있다. 과학 추론이 중심인 작업에는 Gemini 3.1 Pro, 복잡한 코딩 에이전트에는 GPT-5.5, 비용에 민감한 배치 처리에는 DeepSeek V3.2가 적합하다.

오픈웨이트 모델도 다시 평가할 시점이다. DeepSeek V3.2가 GPT-5.4 품질의 90%를 1/50 가격에 제공하므로 예산 제약이 있는 팀에는 실질적인 선택지가 된다. 프로프라이어터리 모델과의 성능 차이가 5% 미만인 범용 태스크라면 오픈웨이트 배포를 검토할 수 있다.

기존 에이전트 파이프라인과의 연결 방식도 확인해야 한다. GPT-5.5가 MCP(Model Context Protocol)를 포함한 툴 통합의 네이티브 지원을 강화했기 때문에 LangChain이나 AutoGen 기반 파이프라인은 리팩터링 필요성을 사전에 점검해야 한다.

2026년 봄의 LLM 시장에서는 하나의 모델이 모든 벤치마크를 석권하지 않는다. GPT-5.5는 GPQA Diamond 93.6%로 과학 추론 왕좌를 Gemini에 내줬지만 Terminal-Bench 2.0 82.7%로 에이전틱 코딩에서 다른 위치를 차지했다. 가장 높은 종합 점수 하나를 고르는 방식보다 작업별 모델을 선택하고 조합하는 포트폴리오 전략이 이 시장 구조에 맞는다.