GPT-6 'Spud': 2백만 토큰 컨텍스트와 스케일링 법칙이 만든 프론티어

OpenAI가 GPT-6를 공식 출시한 것은 2026년 4월 14일이다. 내부 코드명 "Spud"로 알려진 이 모델은 200만 토큰 컨텍스트 윈도우, HumanEval 95%+ 코딩 성능, 환각률 0.1% 미만이라는 세 목표를 동시에 겨냥했고, GPT-5.4 대비 코딩·추론·에이전트 태스크 전반에서 40% 이상의 성능 향상을 기록했다고 발표됐다.

선형 어텐션 근사부터 슬라이딩 윈도우까지

GPT-6의 2M 토큰 컨텍스트 윈도우는 단순한 메모리 확장이 아니라 여러 기술의 조합으로 구현된다. 표준 Transformer의 Self-Attention은 시퀀스 길이 N에 대해 O(N²) 복잡도를 가지는데, 2M 토큰에서는 이 비용이 사실상 처리 불가능한 수준이 된다. GPT-6는 Sparse Attention 패턴과 선형 근사 기법을 결합한 선형 어텐션 근사(Linear Attention Approximation)로 O(N log N) 수준까지 복잡도를 낮췄다.

여기에 두 가지 기법이 더해진다. 계층적 컨텍스트 압축(Hierarchical Context Compression)은 2M 토큰을 동등하게 처리하지 않고 관련성 기반으로 계층 압축을 수행하며, 원거리 토큰은 요약 표현(summary representation)으로 핵심 의미만 남긴다. 슬라이딩 윈도우 + 글로벌 어텐션은 로컬 윈도우 내에서는 완전한 Attention을 수행하고 특정 "글로벌 토큰"에 대해서만 전체 시퀀스와 Attention을 계산하는 하이브리드 구조로, 장거리 의존성을 효율적으로 포착한다. 이 조합 덕분에 전체 논문 묶음을 청킹 없이 분석하거나, 대규모 코드베이스 전체를 단일 컨텍스트에서 이해하거나, 수백 페이지 법률 계약서의 조항 간 일관성을 검토하는 작업이 가능해진다.

사전학습부터 자기 개선까지, 코드 성능을 끌어올린 파인튜닝

GPT-6의 코딩 성능 향상은 멀티스테이지 파인튜닝 전략에 기반한다. 먼저 GitHub, Stack Overflow, 공식 문서, 학술 논문의 코드 예제 등 다양한 소스에서 수집한 고품질 코드 데이터로 코드 특화 사전학습을 강화했다. 이어 코드를 실제로 실행해 정상 동작 여부를 보상 신호로 삼는 실행 피드백 강화학습(Execution Feedback RL)을 적용해, 단순 텍스트 유사도가 아니라 "코드가 올바르게 동작하는가"를 기준으로 모델을 최적화했다. 마지막으로 GPT-6 자체가 경쟁 프로그래밍 수준의 난제와 복잡한 시스템 설계 문제를 생성하고 이를 해결하며 자기 개선을 수행하는 합성 난제 생성(Synthetic Hard Problem Generation) 단계를 거쳤다.

이 결과 에이전트 태스크 완성률은 GPT-5.4의 62%에서 약 87%로 상승했다. 코드 생성뿐 아니라 디버깅·리팩토링·테스트 작성 능력의 종합적 향상이 반영된 수치다.

환각을 줄이려는 장치들

GPT-6는 사실 오류(환각) 생성을 최소화하기 위해 복합적인 아키텍처를 채택했다. 불확실성 인식 생성(Uncertainty-Aware Generation)은 모델이 자신의 답변에 대한 신뢰도를 내부적으로 추정하고, 불확실한 정보에는 "~으로 알려져 있다", "~라는 보고가 있다" 같은 한정 표현을 적절히 쓰도록 훈련한다. 검색 증강 사실 검증(RAG-Integrated Fact Verification)은 실시간 검색 결과와 내부 지식을 조합해 답변을 생성하며, 특히 수치·날짜·인명 같은 구체적 팩트는 외부 소스를 참조해 정확성을 높인다. 여기에 Anthropic의 Constitutional AI와 유사한 방식으로 생성된 답변을 내부에서 검토하고 사실 오류를 수정하는 자기 수정 루프가 더해진다.

⤢✕

전작과 나란히 놓은 수치

GPT-6 사전학습은 2026년 3월 17일에 완료됐고, 포스트 트레이닝을 거쳐 4월 14일 공식 출시됐다. 스케일링 법칙의 관점에서 GPT-6는 단순한 파라미터 증가보다 데이터 품질과 학습 효율성 개선에 집중한 접근을 취했다.

항목	GPT-5.4	GPT-6	향상률
HumanEval	~85%	95%+	+10%p
에이전트 태스크 완성률	62%	~87%	+25%p
컨텍스트 윈도우	1M	2M	2배
종합 성능(코딩·추론·에이전트)	기준점	+40%	+40%

현대 스케일링 법칙(Chinchilla Scaling Law)에 따르면 최적 성능은 모델 크기와 학습 데이터 양이 균형을 이룰 때 달성된다. GPT-6는 이 법칙을 준수하면서도 컨텍스트 압축과 실행 피드백 RL 같은 아키텍처 혁신으로 단순 스케일링 이상의 성능 도약을 노렸다.

가격은 그대로, 접근 경로는 늘었다

GPT-6의 API 가격은 입력 토큰 $2.5/백만, 출력 토큰 $12/백만으로 설정됐다. GPT-5.4와 사실상 동일한 수준이라, 성능 대비 가격 효율성이 개선된 셈이다. OpenAI API는 출시 즉시 접근 가능하고, ChatGPT 인터페이스는 출시 후 24~48시간 이내 업데이트되며, Azure OpenAI Service는 엔터프라이즈 고객에게 우선 제공된다.

2M 토큰 컨텍스트를 전부 활용하면 입력 비용이 요청당 최대 $5까지 올라갈 수 있지만, 대규모 문서 분석 작업에서는 여러 API 호출을 단일 요청으로 통합할 수 있어 실질적인 비용 절감 효과가 있다고 알려졌다.

코드베이스부터 계약서까지, 활용 사례

수백만 줄의 레거시 코드를 마이그레이션하는 작업에서는 2M 토큰 컨텍스트로 전체 모듈 구조를 단일 요청에서 파악해, 모듈 간 의존성 분석 시간을 수 주에서 수 시간으로 단축했다. 임상 시험 결과 메타분석 같은 의료 문헌 합성에서는 수천 편의 논문을 청킹 없이 단일 컨텍스트에서 분석해 환각률 0.1% 미만이라는 목표를 사실 정확성 보장으로 연결했다. 복잡한 M&A 계약서의 조항 간 일관성을 검토하는 법률 계약 검토에서는 전체 계약서를 단일 컨텍스트에 로드해 모순 조항을 탐지했고, 법무팀 검토 시간을 70% 단축했다고 알려졌다.

컨텍스트 길이의 실용적 한계를 무너뜨리는 선형 어텐션 근사, 코드 실행 피드백 기반 강화학습, Constitutional AI 기반 자기 수정이 결합된 이 아키텍처는 단순한 파라미터 확장을 넘어선 질적 도약을 보여준다. GPT-5.4 대비 40% 이상의 종합 성능 향상을 가격 동결 속에서 달성했다는 발표는, AI 애플리케이션 개발 생태계 전반에 걸친 파급을 예고한다.