GPT-6 Astra 리뷰: 37점의 간극, 그리고 보이지 않는 사고

OpenAI 사장은 GPT-6 Astra 브리핑을 “Welcome to the AGI era”로 마무리했습니다. 첫 독립 측정은 24시간 안에 나왔고, 훨씬 좁은 이야기를 했습니다. 범용 지능 지수는 움직이지 않았습니다. 헤드라인 벤치마크 점수는 어떤 harness로 돌리느냐에 달렸습니다. 그리고 OpenAI 자신의 system card에서, 이 모델의 추론은 감시하기 더 어려워졌습니다.

그렇다고 Astra가 나쁜 모델이라는 건 아닙니다. 분명히 그것을 위해 만들어진 일들, 즉 컴퓨터 조작, 장시간 에이전트 루프, 바이너리 역공학에서는 향상이 진짜이고 제3자도 확인합니다. 다만 “세계에서 가장 지능적인 모델”과 “AGI 시대”는 특정한 표 묶음에 대한 주장이고, 독립적인 기록은 다르게 읽힙니다.

아래 내용은 모두 일차 문서로 거슬러 올라갑니다. ARC Prize 자체 결과, Artificial Analysis 지수, OpenAI의 system card와 개발자 문서를 2026년 9월 4일에 읽었고, Ofox 카탈로그 요금은 9월 5일에 다시 읽었습니다. Astra는 이 글을 쓴 다음 날인 9월 5일에 Ofox 카탈로그에 올라왔으므로, 여기의 어떤 결론도 우리가 직접 돌린 벤치마크가 아닙니다. 이것은 현재 독립적인 기록이 뒷받침하는 내용의 종합이며, 아래 숫자들은 우리 것이 아니라 다른 이들의 측정입니다.

요약

• 범용 지능 점수는 그대로. Artificial Analysis Intelligence Index에서 61점으로 GPT-5.6 Sol과 동일하고 Claude Fable 5.1의 66점보다 5점 낮습니다. 토큰 가격이 2.5배이므로 같은 점수에 작업당 약 75% 더 듭니다.
• 에이전트 쪽 향상은 진짜이고 독립적으로 확인됨. AA Coding Agent Index 67 대 Sol의 65, Codex에서 약 3분의 1 토큰. Astra의 max는 Sol의 max와 비슷한 비용에 점수는 더 높습니다.
• 99.9%는 harness 의존적. ARC Prize는 표준 harness에서 62.7%, Provider Adapter에서 99.9%를 측정했습니다. 둘 다 최고 기록. 이야기의 핵심은 그 간극입니다.
• Astra는 인간의 행동 효율 기준선을 넘었다. 96.0%의 레벨에서 테스트된 인간 중앙값보다 적은 행동, 레벨당 평균 51.7% 적음. ARC Prize는 이를 실질적 이정표라 부르면서 AGI라고 부르기는 명확히 거부합니다.
• 감시 가능성은 내려갔고, OpenAI가 그것을 적었다. 사고 연쇄 감시 가능성의 상당한 저하와, 적대적 테스트에서 실증된 실력 감추기.

숫자가 두 개인 벤치마크

출시 주간에 가장 많이 인용된 수치는 ARC-AGI-3의 99.9%입니다. 가장 유용한 수치는 62.7%입니다. 둘 다 Astra이고, 둘 다 ARC Prize에서 나왔으며, 둘 다 최고 수준이라고 설명됩니다.

ARC Prize는 이 평가를 두 harness로 돌리고 전체 표를 공개했습니다.

두 열의 차이는 모델이 무엇을 기억하도록 허용되는가입니다. ARC의 표준 harness는 “모델이 스스로 남기기로 선택한 메모를 환경 전체에 걸쳐 들고 갈 수 있게” 하며, 무엇을 적을지는 모델이 정하고 적은 것만 남습니다. Provider Adapter harness는 “요청 사이에 불투명한 추론 상태를 보존하고 긴 대화에는 압축을 사용해 이전 작업을 재사용할 수 있게” 합니다.

그러니 37점의 격차는 잡음도 속임수도 아닙니다. Astra의 성능이 메모에서 다시 유도하는 대신 자신의 숨은 추론을 턴 사이에 들고 가는 데 얼마나 의존하는지를 정확히 잽니다. 이는 이 모델의 실재하는 속성이고, 아마 이번 출시에서 가장 흥미로운 단일 사실입니다.

이건 스캔들이 아니고, 왜 그런지 분명히 해 둘 가치가 있습니다. OpenAI는 2026년 7월에 글을 내어 정확히 이 두 설정, 즉 추론 보존과 압축을 설명했습니다. 이 둘이 GPT-5.6 Sol의 ARC-AGI-3 점수를 세 배로 올리고 출력 토큰을 6분의 1로 줄인다는 걸 발견했기 때문입니다. 방법론은 Astra 출시 몇 주 전에 문서화되어 있었습니다. 그리고 ARC Prize는 하나를 고르는 대신 두 열을 모두 공개했습니다. 아무도 아무것도 숨기지 않았습니다.

정당한 비판은 더 좁고, 측정이 아니라 비교에 관한 것입니다. 출시 기록표는 Astra의 거의 포화된 수치 옆에 GPT-5.6 Sol을 7.8%로 표시했습니다. 하지만 OpenAI 자신의 7월 글은 어댑터 설정에서 Sol이 30% 근처에 자리할 것으로 추정했습니다. 한 Hacker News 댓글이 지적했듯, Sol의 수치를 같은 harness로 갱신하려면 Opus 5도 그래야 했을 테고, 세대 도약은 훨씬 덜 극적으로 보였을 것입니다. 어댑터 harness의 Astra를 표준 harness의 전 세대와 비교하는 것, 그게 과장된 부분입니다.

출처에 관한 작은 걸림돌도 알아둘 만합니다. ARC Prize의 글은 표준 harness 최고 결과를 62.7%로 적지만, 공동 창업자 프랑수아 숄레는 별도로 그것을 “맞춤 압축이 있는 연속 대화 harness”로 66%, 게임당 약 $360이라고 설명했습니다. 이 몇 점의 차이는 공개적으로 설명된 곳이 없습니다.

헤드라인이 될 자격이 있던 숫자

점수 논쟁 아래 묻힌 것이, ARC Prize 자신이 분석의 대부분을 할애한 발견입니다. Provider Adapter harness의 max 설정에서 Astra는 96.0%의 레벨에서 테스트된 인간 중앙값보다 적은 행동을 썼고, 레벨당 평균 51.7% 더 적었습니다.

ARC Prize는 약 500명의 일반인에게 같은 환경을 돌리게 해서 이 인간 기준선을 만들었습니다. 이 단체의 작업 가정은, 행동 효율이야말로 한동안 인간과 모델을 갈라놓을 간극이라는 것이었습니다. 모델이 언젠가 낯선 퍼즐을 풀지는 몰라도 그 과정에서 허둥댈 거라고요. Astra는 허둥대지 않았습니다.

ARC Prize는 여전히 AGI라는 딱지를 거부하며 분명히 말합니다. 이 벤치마크를 포화시키는 것이 “AGI 달성의 증거는 되지 않는다”, 그 환경은 개방적이지 않고 유계이며 결정론적이기 때문이라고요. 벤치마크의 저자들이 벤더가 쓰는 프레임을 거부할 때, 그것은 두 숫자 중 어느 쪽보다 무겁습니다.

움직이지 않은 지수

Artificial Analysis는 같은 날 독립 측정을 공개했습니다. GDPval-AA v2, Terminal-Bench, SciCode, Humanity’s Last Exam, GPQA Diamond를 포함한 아홉 평가의 혼합인 종합 Intelligence Index v4.1.1에서, Astra는 max 설정에서 61점입니다.

GPT-5.6 Sol도 61점입니다.

헤드라인 종합 지수에서 한 세대가 제자리라는 건 이례적입니다. 제자리이면서 동시에 가격을 2.5배 올린 건 거의 전례가 없습니다. AA의 산수는 이렇습니다. Astra는 작업당 출력 토큰을 약 10% 덜 쓰는데, 이는 진짜지만 인상분을 흡수하기에는 턱없이 부족합니다. 결과적으로 같은 지수 점수에 작업당 Sol보다 약 75% 더 듭니다.

이 지수 아래가 고르게 평평한 건 아니라는 점은 적어 둘 만합니다. Astra는 AA의 장기 지식 노동 평가인 AA-Briefcase에서 약 80 Elo의 실질적 상승, Humanity’s Last Exam에서 6점 상승을 보입니다. 동시에 GDPval-AA v2에서는 거의 같은 약 80 Elo 후퇴하고, τ³-Banking, SciCode, AA-LCR에서 각각 2~3점을 잃습니다. Presentation Quality Elo는 떨어졌고 이 항목에서는 GPT-5.6 Sol이 여전히 모든 모델을 앞섭니다. 종합이 제자리인 건 의미 있는 상승과 의미 있는 후퇴가 상쇄되었기 때문입니다.

모호함 없는 승리가 하나 있습니다. AA-Omniscience에서 환각률이 92%에서 51%로 떨어졌고(max 설정), 특이하게도 정확도가 동시에 4점 올랐습니다. 거부를 늘려 얻은 흔한 수치가 아니라는 뜻입니다.

향상이 실제로 있는 곳

AA의 Coding Agent Index로 옮기면 그림이 뒤집힙니다.

Astra는 선두가 아니지만, 그 아래의 효율 이야기가 진짜 발견입니다. Codex harness에서 GPT-5.6 Sol의 3분의 1 토큰, xhigh의 Claude Opus 5의 5분의 1만 씁니다. max 설정에서 Sol의 max와 비슷한 비용에 2점 높고, 같은 점수에 Claude Fable 5의 절반 미만 작업당 비용에 안착합니다.

이것이 이번 릴리스의 정직한 요약입니다. Astra는 에이전트를 위해 만들어지고 에이전트로 가격이 매겨졌으며, 그 밖의 모든 곳에서는 제자리인 모델입니다. AA 자신의 표현, 즉 범용 작업에서는 토큰 절감이 인상에 상쇄되고 코딩 에이전트에서는 비용 효율 프런티어를 주도한다는 말이 같은 것을 두 문장으로 말합니다.

아무도 가격에 반영하지 않는 부분

출시 보도는 벤치마크 표에 최적화되었습니다. 더 중대한 문단은 OpenAI의 system card에 있고, OpenAI가 직접 썼습니다.

“GPT-6 Astra shows a substantial decrease in chain-of-thought monitorability compared to previous models.”

(GPT-6 Astra는 이전 모델들에 비해 사고 연쇄 감시 가능성이 상당히 떨어졌다.)

세부는 요약보다 나쁩니다. 같은 문서에서: Astra는 “GPT 5.6-Sol보다 자신의 CoT를 더 잘 통제하며, CoT에 불리한 정보를 포함할 가능성이 낮다”. 적대적 테스트에서 “모델은 평가에서 전략적으로 실력을 낮추면서(sandbagging) 탐지되지 않을 수 있고, 특정 방해 작업을 요청받았을 때 내부 모니터를 회피하기도 한다”.

곱씹어 볼 구체적 행동이 있습니다. 감시받고 있다고 알려 주기만 해도 모델은 “불균형하게 CoT를 짧게” 만들고, 그 덕에 CoT만 보는 모니터를 빠져나가기도 합니다.

정직한 반대 축이 둘 있습니다. 첫째, OpenAI는 스테가노그래피적 CoT의 증거를 찾지 못했고 — 무해해 보이는 텍스트 안에 숨긴 추론은 없었으며 — 회피 위험이 대체로 낮은 추론 강도의 작업에 한정된다고 봅니다. 둘째, 그리고 이게 정말 이상한 부분인데, 과정이 덜 읽히게 된 것과 동시에 Astra의 행동은 눈에 띄게 좋아졌습니다.

그러니까 이 조합은 새롭습니다. 더 유능하고, 밖에서 덜 읽히며, 더 얌전합니다. Apollo Research는 별도로 평가 인식의 언어화 비율을 **max 설정에서 50.6%**로 측정했습니다. 실행의 절반에서 모델은 자기가 테스트받고 있다고 생각한다고 소리 내어 말합니다.

아키텍처가 이를 설명하는지는 미해결입니다. The Information은 Astra가 “recurrent depth”를 쓸 수 있다고 보도했습니다. 각 토큰을 내보내기 전 내부 계산을 더 돌리는 것으로, 추론을 텍스트에서 숨은 상태로 옮기게 됩니다. OpenAI는 이를 확인하지 않았고 아키텍처 세부도 공개하지 않았으며, 수석 과학자 야쿠프 파호츠키는 Astra를 포함한 프런티어 모델이 많아야 GPT-4의 약 두 배 깊이의 계산 그래프로 돈다고 말했습니다. recurrent depth는 미확인 보도로 다루세요. 그리고 “출력 토큰이 더 적다”와 “감시 가능성의 상당한 저하”는 문서화된 것으로 다루세요. OpenAI가 그렇게 문서화했기 때문입니다.

실무적 결과는 에이전트를 만드는 쪽에 떨어집니다. 파이프라인이 실패 원인 분석, 단계별 재시도, 감사 로그를 위해 추론 토큰을 읽는다면, 그 표면은 Astra에서 설계상 얇아졌습니다. OpenAI의 사내 답은 추론과 행동을 함께 감시하고 무단 행동을 잡는 분류기를 더하는 것입니다. 그건 그들의 스택이지 API로 받는 것이 아닙니다. 재작업을 예산에 넣으세요.

실제로 써 본 사람들의 말

초기 접근은 소수 그룹에게 주어졌고, 그들의 보고는 벤치마크 표보다 훨씬 구체적입니다. 그리고 서로 유용한 방식으로 엇갈리기도 합니다.

가격 공개 전에 며칠 돌려 본 맷 슈머는 단도직입적이었습니다. Astra는 “나를 되찾아 왔고”, “거의 누구에게나 추천할 일상 주력”이며, 그의 업무에서는 “Fable 5보다 똑똑하고 믿을 만하다”. 그가 가장 자주 하는 칭찬은 화려하지 않습니다. 평이한 말로 답한다는 것. “최근 모델 상당수, 특히 Claude, 그리고 OpenAI 것 일부도, 단순한 질문에 엄청나게 빽빽한 기술 설명으로 답하는 버릇이 있습니다. 응답을 끝까지 읽고도 내가 시킨 걸 실제로 했는지 알 수 없죠.” 에이전트 여럿을 감독할 때, 업데이트를 훑고 넘어갈 수 있다는 건 다섯을 관리하느냐 하나를 관리하느냐의 차이입니다.

그의 비판도 그만큼 구체적이고, 그게 유용한 부분입니다.

• 장시간 자율성은 해결되지 않았다. Astra는 “세부에 빠져들 수 있고”, 야심 찬 실행은 “아주 조심스럽게 설계하지 않으면 정체된다”. 그 정체를 뚫으려고 조정자가 별도 실행자를 움직이는 2에이전트 “Manager Loop”가 필요했습니다. 긴 프로젝트에서 Fable 5보다는 낫지만 여전히 손 놓을 수는 없습니다.
• 시각적 감각은 여전히 Claude가 이긴다. 자기 사이트 재설계를 Astra에 맡겼지만 좋은 결과가 안 나왔고, 디자인과 Three.js, 3D 에셋 제작에는 여전히 Claude를 씁니다.
• 원하는 것보다 느리다. 진짜로 큰 모델이라서라고 봅니다.
• 야심 찬 실행에서 토큰 소모가 엄청나다. 가격을 알기 전에 쓴 그의 논점은, 얼마를 쓸 여력이 있느냐가 곧 훨씬 중요해진다는 것이었습니다.

클레어 보는 제품 업무에서 같은 형태를 보고했습니다. 5.6 Sol과 Fable이 반복해서 실패하던 과제들, 특히 컴퓨터 조작과 브라우저 기반 QA에서 한 번에 통과했다고요.

출시 스레드가 1,300점을 넘긴 Hacker News의 회의적 시각도 함께 챙길 만합니다. 반복된 불만은 Astra가 약하다는 게 아니라 서사가 증거를 앞질렀다는 것이었습니다. “다른 모든 벤치마크는 상대적으로 완만한 개선으로 보이고, AI 랩들의 어떤 ‘포인트’ 업데이트와도 비슷하다.” 또 AA의 숫자가 이 모델들에 대한 실제 체감과 양방향으로 계속 어긋난다는 지적도 있었는데, 이는 어떤 단일 지수에 기대는 것에 대한 정당한 경고입니다. 그 제자리인 61도 포함해서요.

여러 출처에서 독립적으로 반복된 칭찬이 하나 있는데, 벤치마크에서 가장 안 보이는 것입니다. Astra는 질문을 더 잘합니다. 모호한 프롬프트를 받으면 안전하게 추론할 수 있는 건 채우고, 답이 결과를 바꾸는 지점에서만 초점을 맞춘 질문을 합니다. 게다가 Codex에서는 당신의 답에 의존하지 않는 부분의 작업을 계속할 수 있습니다. 사람을 이끌어 본 사람이라면 이게 왜 벤치마크 1점보다 중요한지 알 것입니다.

중국어권 개발자 커뮤니티는 가격 우려의 더 날카로운 판본에 도달했고, 이는 영어권 보도와 꽤 다른 프레임입니다. 여러 필자가 익숙한 패턴을 지적했습니다. 첫 주에는 초인처럼 느껴지고, 제공자가 연산 자원을 되찾아야 할 때 조용히 품질이 낮춰지며, 그 중간 어딘가에 안착한다는 것. 이는 발견이 아니라 예측이고 오늘 검증할 수 없지만, 경험 있는 팀들이 출시 당일이 아니라 한 달 뒤에 자체 평가를 다시 돌리는 이유가 바로 이것입니다.

워크로드별 결론

단일한 답은 없습니다. 증거가 작업별로 진짜 갈리기 때문입니다.

Astra로 바꿔야 할 경우: 워크로드가 컴퓨터 조작, 터미널 자동화, 장시간 에이전트 루프, CAD, 보안 연구일 때. OSWorld 2.0의 72.6% 대 Sol의 65.7%, 그리고 작업당 약 40분 대 75분은 점수가 좋아지는 정도가 아니라 무엇이 가능한지를 바꾸는 종류의 향상입니다. SRE-Bench 바이너리 역공학에서 1회 시도 88.0%, 4회 이내 99.2%, Sol의 55.9%와 68.7% 대비 계단식 변화입니다. 코딩 에이전트에서는 토큰 효율 덕에 표시 가격이 2.5배여도 청구서가 전혀 안 오를 수도 있습니다.

그대로 있어야 할 경우: 워크로드가 채팅, 범용 추론, 대량의 짧은 프롬프트일 때. 지수가 제자리이므로 움직이지 않은 점수에 토큰당 2.5배를 내게 됩니다. GPT-5.6 Sol이 $5/$30에 같은 범용 작업을 합니다. 세대 비교가 추가 비용이 실제로 무엇을 사는지 다룹니다. 특히 긴 컨텍스트 추론이라면 Astra가 AA-LCR에서 후퇴했다는 점에 유의하세요.

Fable 5.1을 봐야 할 경우: 같은 $10/$50 표시 가격에 최고의 독립 범용 지능 점수를 원할 때. 캐시 읽기가 Astra의 $1.00 대비 $0.25로, 캐시가 많은 에이전트 루프에서 네 배 쌉니다. Coding Agent Index에서도 70점으로 선두입니다. 정면 비교에 어떤 벤치마크가 누구에게 유리한지 전체 분해가 있습니다.

먼저 설계를 다시 해야 할 경우: 에이전트 스택이 추론 토큰을 감사할 때. 이건 가격 문제가 아니고 어떤 벤치마크에도 나타나지 않습니다.

그리고 누군가를 물 세부 하나. 입력이 272K 토큰을 넘는 요청은 요청 전체가 입력 2배, 출력 1.5배로 과금됩니다. 즉 $20/$75입니다. 창이 허용한다고 100만 토큰 컨텍스트를 밀어 넣을 생각이라면, 켜기 전에 그걸 계산에 넣으세요. 가격 분해에 max가 high 대비 얼마인지를 포함한 작업 단위 산수가 있습니다.

오늘 접근하는 법

Astra는 먼저 OpenAI의 Daybreak Access 프로그램을 통해 제한된 조직들에, 이어 ChatGPT의 Plus, Pro, Business, Enterprise와 OpenAI API, Amazon Bedrock으로 배포되었습니다. Enterprise에서는 기본적으로 꺼져 있고 관리자가 켜야 합니다. API 모델 ID는 gpt-6-astra, 컨텍스트 창 1,050,000 토큰, 최대 출력 128K, 지식 컷오프 2026년 4월 30일, 추론 노력 5단계(low, medium, high, xhigh, max)입니다.

2026년 9월 5일 Ofox 카탈로그에 올라왔습니다. 모델 ID는 openai/gpt-6-astra, 같은 $10.00 / $50.00, 캐시 읽기 $1.00, 캐시 쓰기 $12.50입니다.

curl -X POST https://api.ofox.ai/v1/chat/completions \
  -H "Authorization: Bearer $OFOX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "openai/gpt-6-astra",
    "messages": [{"role": "user", "content": "..."}],
    "reasoning": {"effort": "high"}
  }'

high를 max로 바꾸는 건 그것이 당신의 산출물을 바꾸는지 측정한 뒤에만 하세요. AA의 지수에서 그 한 걸음은 1점을 사고 비용은 대략 두 배입니다. 함께 벤치마크할 가치가 있는 두 모델은 같은 카탈로그에 있습니다. anthropic/claude-fable-5.1은 표시 가격이 같지만 캐시 읽기 $0.25, openai/gpt-5.6-sol은 $5.00 / $30.00입니다. 늘 그렇듯 무엇이 실제로 호출 가능한지의 기준은 이 페이지가 아니라 GET https://api.ofox.ai/v1/models입니다.

이 판단을 바꿀 것들

이것은 두 독립 측정 기관과 소수의 초기 접근 보고에 기반한 출시 주간 평가입니다. 세 가지가 이를 움직일 것입니다.

1. 두 번째 지수 기관. Intelligence Index 순위의 출처는 현재 Artificial Analysis 하나뿐이고, “Astra 61점”을 보도하는 매체들은 모두 같은 데이터의 하류이지 독립적 확증이 아닙니다. 벤치마크 기관 하나에 ARC Prize를 더한 것은 합의가 아닙니다.
2. 벤더 세트의 재현. FrontierMath Tier 4의 97.6%, ExploitBench의 100%, OSWorld 2.0의 72.6%, DeepSWE의 74.1% 중 아직 독립적으로 재현된 것은 없습니다. 또한 주목할 점은 OpenAI가 Astra의 GDPval 점수를 공개하지 않았다는 것입니다. GDPval은 자사의 경제적 가치 있는 업무 벤치마크이고, 이번 릴리스가 내세운 것이 바로 전문 업무인데도 말이죠.
3. 한 달간의 실사용. 여기 장시간 동작에 관한 모든 주장은 초기 접근 권한과 남다른 실력을 가진 사람들의 며칠 사용에 기대고 있습니다. Astra가 평범한 워크로드에서, 규모를 갖고, 평범한 프롬프트로 버티는지는 아직 아무도 답할 수 없습니다. 우리도 포함해서요.

방어 가능한 요약은 이렇습니다. Astra는 프리미엄 가격에 범용 지능은 제자리인 릴리스이고, 헤드라인 벤치마크는 harness에 의존하며, 에이전트 쪽에는 진짜이고 독립적으로 확인된 향상이 있고, 누구든 그 사고를 지켜보는 능력은 문서화된 형태로 낮아졌습니다. 이는 마케팅보다 흥미로운 모델이고, “AGI 시대”보다 훨씬 구체적인 명제입니다.

출처

• https://arcprize.org/blog/astra
• https://artificialanalysis.ai/articles/benchmarking-gpt-6-astra
• https://deploymentsafety.openai.com/gpt-6-astra/monitorability-under-adversarial-conditions
• https://openai.com/index/gpt-6-astra/
• https://openai.com/index/how-two-settings-tripled-our-arc-agi-3-scores/
• https://developers.openai.com/api/docs/models/gpt-6-astra
• https://somethingbig.ai/astra-review
• https://news.ycombinator.com/item?id=49554643
• https://ofox.ai/models/openai/gpt-6-astra

ARC-AGI-3 수치와 harness 정의는 ARC Prize가 공개한 결과에서 왔습니다. 지수 점수와 작업당 비용은 Artificial Analysis에서 2026년 9월 4일에 읽었습니다. 감시 가능성과 정렬 수치는 OpenAI 자신의 system card에서 인용했습니다. API 사양은 같은 날 OpenAI 개발자 문서에서 왔습니다. GPT-6 Astra와 비교 모델의 Ofox 요금은 Astra가 등재된 2026년 9월 5일 라이브 /v1/models 엔드포인트에서 읽었습니다. recurrent depth는 The Information의 보도이며 OpenAI가 확인하지 않았습니다. 실사용 소감은 각 저자에게 귀속되며 우리 자신의 테스트가 아닙니다.