업스테이지 Solar Pro 3, 파라미터는 3배 늘고 API 단가는 그대로인 이유

2026년 3월, 국내 AI 스타트업 업스테이지(Upstage)가 자체 개발 거대언어모델 '솔라 프로 3(Solar Pro 3)'를 공식 공개했다. 에이전트 AI에 특화된 설계로 에이전트 종합 성능 지표에서 전작 대비 2배 이상의 향상을 달성했다는 점, 그리고 모델 규모가 전작 대비 3배 이상 증가했음에도 API 비용과 처리 속도를 동일하게 유지했다는 점에서 엔터프라이즈 시장의 주목을 받고 있다.

1020억 개 중 120억 개만 깨운다

Solar Pro 3는 업스테이지가 개발한 에이전트 AI 특화 대형 언어 모델로, 2026년 3월 24일 정식 공개됐다. 1020억(102B) 개의 총 매개변수를 보유하면서도 각 포워드 패스에서는 120억(12B) 개의 활성 매개변수만 사용하는 Mixture-of-Experts(MoE) 아키텍처를 채택해 추론 효율성을 극대화했다.

Solar 시리즈는 업스테이지가 2023년부터 발전시켜온 LLM 계보다. Solar Pro 2 대비 총 파라미터 수가 3배 이상 증가했음에도 TPS(초당 토큰 처리량)와 API 단가를 유지했다는 점이 이번 버전의 두드러진 특징이며, 이는 MoE 아키텍처의 선택적 활성화(Sparse Activation) 방식 덕분이다 — 전체 파라미터가 아니라 문제에 최적화된 전문가 서브넷(Expert Subnet)만 동원해 계산 비용을 통제한다. 업스테이지는 Solar Pro 3를 단순한 텍스트 생성 모델이 아닌, 복잡한 멀티스텝 태스크를 자율적으로 수행하는 에이전트 AI의 두뇌로 포지셔닝하며 금융·헬스케어·법률 등 고신뢰성 도메인을 겨냥했다.

SnapPO, 강화학습 파이프라인을 조각내 재활용하다

Solar Pro 3의 성능 도약 뒤에는 업스테이지가 자체 개발한 강화학습 기술 'SnapPO(Snapshot Policy Optimization)'가 있다. 기존 온라인 강화학습(Online RL)에서는 데이터 생성, 보상 계산, 모델 학습이 하나의 파이프라인에 강결합(Tightly Coupled)돼 있어 목표 함수(Objective)를 바꿀 때마다 전체 인프라를 재설계해야 했다. SnapPO는 이 세 단계를 독립 프로세스로 분리하고 중간 결과를 캐시해 재활용하는 사이클릭 오프폴리시(Cyclic Off-Policy) 프레임워크로, 각 단계를 독립적으로 스케일 아웃할 수 있고 컴퓨팅 노드 추가 시 선형 처리량 증가를 달성하며 다양한 보상 함수를 인프라 변경 없이 실험할 수 있다.

⤢✕

SnapPO의 핵심은 모델이 문제를 단계적으로 분해(Step-by-Step Decomposition)하도록 유도한다는 점이다. 단순히 정답을 맞히는 것이 아니라 추론의 각 단계가 일관성(Consistency)을 가지고 이전 맥락을 정확히 반영하도록 보상 신호를 설계했고, 이는 긴 추론 체인에서 발생하는 맥락 이탈(Context Drift) 문제를 완화한다.

MoE 구조와 100% 스키마 준수

MoE 아키텍처는 전체 모델을 여러 전문가 네트워크(Expert Network)로 구성하고, 각 입력 토큰마다 게이팅 네트워크(Gating Network)가 적합한 전문가를 선택적으로 활성화하는 방식이다. Solar Pro 3는 총 102B 파라미터 중 각 추론 시 12B만 활성화해 30B~70B급 밀집 모델(Dense Model)과 유사한 계산 비용으로 더 큰 모델의 지식을 활용한다.

에이전트 워크플로우에서 모델 출력이 다음 단계의 입력으로 연결되려면 출력 형식의 신뢰성이 필수인데, Solar Pro 3는 JSON·XML 등 구조화된 출력에서 100% 스키마 준수율을 달성했다고 밝혔다. API 호출, 툴 사용(Tool Use), 데이터베이스 쿼리 같은 에이전트 액션의 안정성을 보장하는 핵심 요소다. 한국어 성능 면에서는 Ko-Arena-hard-v2(한국어 사용자 선호도 평가)에서도 유의미한 개선을 기록했다.

Tau2·SWE Bench에서 2배, IFBench에서 52%

Solar Pro 3의 성능 향상은 여러 벤치마크로 검증됐다. 에이전트 종합 성능(Tau2-all)은 전작 대비 2배 이상 향상됐는데, Tau2는 현실적인 에이전트 시나리오에서 멀티스텝 태스크 완료율을 측정하는 벤치마크로 단순 QA가 아닌 실제 워크플로우 수행 능력을 평가한다. 코딩 능력에서는 실제 터미널 환경의 자율 코딩 태스크를 평가하는 Terminal Bench 2와 실제 GitHub 이슈를 해결하는 SWE Bench 두 지표 모두 전작 대비 2배 이상 향상됐다. 지시이행 능력(IFBench)은 55.78점을 기록하며 전작 대비 약 52% 향상됐는데, 이는 모델이 복잡한 지시사항을 얼마나 정확하게 따르는지를 측정하는 지표다. 고난도 추론에서는 HMMT 2026·AIME 2026 같은 경시대회 수준 수학 문제, 대학원 수준 과학 추론을 평가하는 GPQA-Diamond, 사용자 선호도 기반 종합 평가인 Arena Hard v2·Ko-Arena-hard-v2, 전문 분야 심화 지식을 평가하는 MMLU-Pro가 함께 측정됐다.

각 단계가 서로를 검증하는 워크플로우

Solar Pro 3가 지향하는 에이전트 AI의 핵심은 '단계적 사고(Chain-of-Thought)의 신뢰성'이다. 기존 LLM이 최종 답변의 정확도에 집중했다면, 에이전트 AI는 각 중간 단계의 판단이 모두 올바르고 일관성을 유지해야 한다.

⤢✕

Solar Pro 3는 이 플로우의 각 단계에서 맥락 일관성을 유지하도록 SnapPO를 통해 훈련됐고, 특히 자기 검증(Self-Check) 단계에서 오류를 스스로 감지하고 재시도하는 능력이 크게 향상됐다. 에이전트가 외부 API를 호출할 때 JSON 스키마가 올바르지 않으면 전체 워크플로우가 중단되는데, 100% 스키마 준수율은 "잘 동작한다"는 수준을 넘어 "예측 가능하게 동작한다"는 엔터프라이즈 신뢰성의 요건을 충족시킨다.

금융부터 코드 리뷰까지

금융 분야에서는 복잡한 리스크 분석, 계약서 검토, 규정 준수 확인 등 멀티스텝 추론이 필요한 업무에서 여러 데이터 소스를 참조하며 리스크를 단계적으로 평가하는 워크플로우를 지원한다. 헬스케어 분야에서는 진단 보조, 임상 기록 분석, 처방 검토에 활용되는데, 높은 GPQA-Diamond 성능은 대학원 수준의 과학적 추론 능력을 보여주며 의학적 문헌 분석과 임상 의사결정 지원에 적합하다. 법률 분야에서는 계약서 검토·판례 분석·법적 리스크 평가처럼 긴 문서를 정확히 이해하고 법적 논리를 단계적으로 추론해야 하는 작업에서 지시이행 능력과 맥락 판단력 향상이 요구를 충족한다. 소프트웨어 개발에서는 SWE Bench와 Terminal Bench 2에서의 성능 향상이 자율 코딩 에이전트의 잠재력을 보여주며, GitHub 이슈 분석·코드 수정·테스트 실행이라는 개발 사이클 전체를 에이전트가 수행할 수 있다.

가성비 에이전트 모델이라는 포지션

Solar Pro 3는 글로벌 LLM 시장에서 "가성비 에이전트 모델"이라는 포지션을 차지하고 있다. GPT-4o, Claude 3.5 Sonnet, Gemini 1.5 Pro 등 주요 경쟁 모델들이 API 비용이 높거나 에이전트 특화보다는 범용 성능에 초점을 맞춘 것과 달리, Solar Pro 3는 세 가지 차별점을 강조한다. 첫째는 비용 효율성으로, 102B 파라미터 모델임에도 이전 모델과 동일한 API 단가와 TPS를 유지해 대규모 에이전트 운영 시 비용 예측 가능성에서 경쟁 우위를 갖는다. 둘째는 에이전트 특화 최적화로, Tau2 기반 벤치마크의 2배 향상은 단순 모델 규모 증가가 아니라 에이전트 태스크에 특화된 훈련의 결과다. 셋째는 한국어 강점으로, 글로벌 모델들이 한국어 성능에서 영어 대비 저하를 보이는 반면 Solar Pro 3는 Ko-Arena-hard-v2에서도 의미 있는 개선을 달성해 한국 기업의 내부 에이전트 시스템 구축에 강점을 갖는다.

Console API와 OpenRouter로 붙는 법

Solar Pro 3는 두 가지 경로로 이용할 수 있다. 업스테이지 Console API는 업스테이지 콘솔(console.upstage.ai)에서 API 키를 발급받아 직접 이용하며, OpenAI API 호환 인터페이스를 제공해 기존 OpenAI SDK 기반 코드를 최소한의 변경으로 전환할 수 있다.

# 업스테이지 Solar Pro 3 API 호출 예시
from openai import OpenAI

client = OpenAI(
    api_key="your-upstage-api-key",
    base_url="https://api.upstage.ai/v1"
)

response = client.chat.completions.create(
    model="solar-pro-3",
    messages=[
        {
            "role": "system",
            "content": "당신은 복잡한 태스크를 단계적으로 분석하는 에이전트입니다."
        },
        {
            "role": "user",
            "content": "다음 금융 리포트를 분석하고 리스크 요인을 단계별로 파악하세요."
        }
    ],
    response_format={"type": "json_object"}  # 구조화된 출력 활성화
)

글로벌 AI 모델 서비스 플랫폼 OpenRouter를 통해서도 접근할 수 있는데, 다양한 LLM을 단일 API 엔드포인트로 통합 제공해 멀티 모델 에이전트 시스템을 구축할 때 유용하다. 에이전트 파이프라인 설계 시에는 구조화된 출력의 100% 스키마 준수를 활용해 외부 API 연동 에이전트를 구성하는 도구 호출, 태스크를 명확한 단계로 분리해 시스템 프롬프트에 정의하는 멀티스텝 태스크 설계, CoT(Chain-of-Thought) 프롬프팅과 결합해 중간 결과의 정합성을 검증하는 루프를 구성하는 자기 검증이 권장된다.

업스테이지 Solar Pro 3는 에이전트 AI 시대의 본격적인 도래를 알리는 이정표다. 102B 파라미터 규모의 지식을 MoE 아키텍처로 경제적으로 활용하면서, SnapPO 강화학습으로 에이전트 특화 추론 능력을 2배 향상시켰다는 점은 기술적으로 주목할 만하다. 한국어 성능과 글로벌 경쟁력을 겸비했다는 점에서, 금융·법률·헬스케어 등 고신뢰성이 요구되는 산업의 에이전트 AI 도입에서 현실적인 선택지가 될 수 있다.