OpenRouter에 올라온 GPT-6 Astra: 가격·벤치마크·API 정리

Who Should Read

새 OpenAI 플래그십을 도입할지 비용과 성능을 따져 봐야 하는 LLM API·에이전트 개발자

Core Mechanics

• Astra는 OpenAI GPT-6 시리즈 플래그십
  • 고급 분석, 소프트웨어 엔지니어링, 딥 리서치, 문서 작성용으로 소개돼 있다.
  • 컴퓨터·브라우저를 쓰는 장기 에이전트 작업을 강점으로 내세운다.
• 가격은 입력 $10, 출력 $50 (100만 토큰당)
  • 캐시 읽기는 $1.00, 캐시 쓰기는 $12.50이다.
  • 컨텍스트는 1,050,000 토큰, 최대 출력은 128,000 토큰이다.
• 프롬프트 캐시가 기본 자동 적용
  • 1024 토큰 이상 프롬프트는 자동 캐시되고, 읽히지 않아도 캐시 쓰기 요금이 붙는다.
  • 끄려면 prompt_cache_options.mode를 "explicit"으로 두고 prompt_cache_breakpoint를 쓰지 않는다.
• reasoning effort 올리면 대체로 점수가 오른다
  • Artificial Analysis Intelligence Index는 Low 45.8, Medium 49.6, High 50.9, Xhigh 52.4, Max 52.7이다.
  • Terminal-Bench 4.0은 Low 41.9%에서 Xhigh 59.6%까지 올랐다.
• 같은 모델도 속도 티어별 가격이 다르다
  • OpenAI Flex는 $5/$25, Fast는 $20/$100, Ultrafast는 $60/$300이다.
  • Ultrafast는 100 tps, Fast의 지연은 1.33s로 표기돼 있다.

Community Reactions

• Astra low로 같은 예산에서 더 나은 결과가 나왔다는 경험
  • 10센트 예산으로 펠리컨 SVG를 그리면 Astra low가 다른 모델보다 훨씬 낫다는 의견이다.
  • 전체 토큰도 더 적게 쓴다고 한다.
• 비전·프론트엔드 재현력이 좋지만 비쌌다는 경험
  • 디자인 이미지로 웹페이지를 만들게 했더니 Opus 5보다 SVG 곡선을 정확히 재현했다고 한다.
  • 그 사이트 하나에 $24가 들었다고 한다.
• Sol로 코딩하다 Astra로 바꿔 리뷰시켰더니 치명적 버그를 잡았다는 경험
  • 렌더링 파이프라인의 리소스 수명 관련 버그를 바로 찾았다고 한다.
• 가격과 안정성에 대한 우려도 있었다
  • $10/$50은 중국 모델에 비해 너무 비싸다는 의견이다.
  • OpenAI 제공자의 툴 호출 실패율이 5%로 Azure(0.2~0.5%)보다 높다는 지적이 있었다.
  • OpenRouter에서 $25 충전 후 계정이 정지됐고 지원이 없었다는 경험도 있었다.

How to Apply

• 지금 쓰는 프롬프트로 Astra와 Sol 비교하기
  • 대표 프롬프트 5개를 골라 같은 입력으로 두 모델에 돌리고 품질과 토큰 사용량을 기록하라.
  • OpenRouter는 모델 slug만 바꾸면 되니 30분 안에 끝낼 수 있다.
• reasoning effort별 비용 대비 점수 표 만들기
  • Low부터 High까지 돌려 우리 업무의 정답률과 비용을 비교하라.
  • 원문 벤치마크에서 Low와 High 격차가 큰 에이전트 작업부터 시험하라.
• 캐시 쓰기 요금을 확인하고 필요 없으면 끄기
  • 1회성 긴 프롬프트가 많은 요청에서는 캐시 쓰기 $12.50/M이 붙는지 확인하라.
  • 필요 없는 요청은 prompt_cache_options.mode를 explicit으로 설정하라.
• Astra는 어려운 작업에만 배정하는 라우팅 만들기
  • 일상 코딩·분류는 Sol이나 Luna로 보내라.
  • 버그 리뷰 같은 고난도 작업만 Astra로 보내라.

Try It

# 터미널에서 실행 (OpenRouter 키 필요, OpenAI 호환 API라 base URL만 바꾸면 됨)

pip install openai

import os
from openai import OpenAI

client = OpenAI(base_url="https://openrouter.ai/api/v1", api_key=os.environ["OPENROUTER_API_KEY"])
prompt = "{{비교할 프롬프트}}"
for model in ["openai/gpt-6-astra", "{{비교할 모델 slug}}"]:
    r = client.chat.completions.create(model=model, messages=[{"role": "user", "content": prompt}])
    print(model, r.usage)
    print(r.choices[0].message.content[:500])

# 이어서 해 볼 것: 답변 품질과 usage의 토큰 수를 비교해 비용 환산해 보기

Terminology

관련 논문

• Mercury 3: 규모를 키운 diffusion LLM, 초당 1,000토큰 이상

  Diffusion LLM을 40배 키웠더니 속도 4~8배, 품질은 속도 특화 모델 수준

• Timestral: Mistral의 시계열 파운데이션 모델

  209M 파라미터 시계열 모델이 3대 벤치마크 1위, CPU에서도 돌아간다

• DeepSeek V4.1 Flash 1017 (Max) 성능·속도·가격 분석

  DeepSeek V4.1 Flash 1017 Max는 지능 지수 45에 211 tok/s, 입력 $0.30

• LLM 프록시를 직접 안 돌리면 무슨 일이 벌어지는지 어떻게 아나

  자체 LLM 프록시를 세웠더니 키·모델·캐시 미스를 직접 볼 수 있다

• DeepSeek V4.1 Flash 1017: 싼 가격에 1M 컨텍스트를 주는 에이전트용 모델

  DeepSeek V4.1 Flash 1017은 입력 $0.05/M, 1M 컨텍스트의 에이전트용 모델

• DeepSeek-V4.1-Flash-1017 공개: 더 짧게 생각하고 더 빠르게 일하는 에이전트용 모델

  DeepSeek V4.1 Flash 마이너 업데이트로 코딩·에이전트 벤치 점수↑, 실행 시간·출력 길이↓

• Llmspeed: 로컬 LLM 속도를 하드웨어 구매 전에 체감해 보는 시뮬레이터

  GPU·모델을 고르면 로컬 LLM 속도를 미리 체감하게 해 주는 시뮬레이터

Related Resources

• https://openrouter.ai/openai/gpt-6-astra
• https://developers.openai.com/api/docs/guides/reasoning#reasoning-mode