Solar Pro 3, 비용 그대로인데 성능이 두 배라고요?

결론부터 말씀드리면, 업스테이지 공식 벤치마크 기준으로는 맞습니다. Solar Pro 2 대비 에이전트 종합 성능(Tau2-all)이 36.0 → 72.3으로 올랐는데, API 가격과 처리 속도는 그대로입니다. 근데 이게 가능한 이유가 좀 재밌습니다. 102B짜리 모델이지만 실제 추론할 때는 12B만 깨어납니다. 이 구조 때문에 가능한 일입니다.

102B인데 왜 30B급 모델처럼 빠른 건가요

Solar Pro 3의 총 파라미터는 102B(약 1020억 개)입니다. 숫자만 보면 GPT-4 급의 무거운 모델처럼 보이는데, 막상 API 응답 속도는 Solar Pro 2와 동일합니다. 이게 어떻게 가능한지, 공식 기술 보고서(arXiv 2601.07022, Upstage Solar Team, 2026.01)에 구조가 딱 나와 있습니다.

Solar Pro 3는 MoE(Mixture-of-Experts) 아키텍처를 씁니다. 총 129개의 전문가 네트워크(Expert) 중 추론할 때마다 8개만 선택해서 활성화하는 방식입니다. 공유 전문가 1개 포함 시 실질적으로 활성화되는 파라미터는 12B입니다. (출처: Solar Open Technical Report, arXiv:2601.07022)

쉽게 계산하면, 추론 1회당 작동하는 파라미터는 전체의 약 11.8%에 불과합니다. 30~70B급 Dense 모델(파라미터 전부 활성화)과 실제 연산 부담이 비슷한 수준이라는 뜻입니다. 비용이 안 오르는 건 이 구조 덕분입니다.

Solar Pro 2가 31B Dense 구조였는데, Pro 3에서는 총 규모는 3배 이상 커지면서도 추론 시 실제 계산량은 오히려 줄었습니다. 이게 핵심입니다.

▲ 목차로 돌아가기

성능이 2배 올랐다는 수치, 직접 뜯어봤습니다

“에이전트 성능 2배”라는 말이 마케팅 문구처럼 들릴 수 있는데, 업스테이지 공식 블로그(upstage.ai/blog/ko/solar-pro-3-0323, 2026.03.24)에 수치가 구체적으로 나와 있습니다. 종합 에이전트 벤치마크 Tau2-all 기준으로 Solar Pro 2가 36.0, Solar Pro 3가 72.3입니다. 정확히 2.0배입니다.

Terminal Bench 2 수치가 2.2 → 10.1로 약 4.6배 오른 게 눈에 띕니다. 터미널 워크플로우, 즉 코드 실행 + 파일 조작 + 명령어 연속 수행이 포함되는 시나리오에서 특히 크게 개선됐다는 뜻입니다. 멀티스텝 에이전트 작업에서 이전 모델이 중간에 맥락을 잃거나 도구 호출 순서를 틀리는 문제를 집중적으로 잡은 결과라고 업스테이지 측이 공식 블로그에서 직접 언급했습니다.

한국어 선호도(Ko-Arena-hard-v2)가 66.6 → 78.2로 오른 건 한국어 업무 환경에서 실제로 체감되는 차이입니다. 같은 질문을 한국어로 넣었을 때 이전 모델보다 더 자연스럽고 의도에 맞는 답변이 나온다는 뜻인데, 한국어 에이전트를 운영하는 팀이라면 이 수치가 워크플로우 안정성과 직결됩니다.

▲ 목차로 돌아가기

SnapPO가 뭔지 공식 논문에서 확인했습니다

Solar Pro 3의 성능 향상이 특정 벤치마크 최적화로 이루어진 게 아니라는 걸 공식 측이 강조하는 이유가 있습니다. 핵심은 강화학습 프레임워크 SnapPO(Snapshot Policy Optimization)인데, 업스테이지가 독자 개발한 기술이라 다른 블로그에서 제대로 다룬 경우를 못 봤습니다.

기존 온라인 강화학습(Online RL)은 데이터 생성 → 보상 계산 → 모델 업데이트가 순서대로 강하게 묶여 있습니다. 여러 목표(추론 능력, 안전성, 한국어 선호도 등)를 동시에 훈련하려면 각 목표마다 인프라를 새로 세팅해야 해서 확장이 어렵습니다. SnapPO는 이 세 단계를 분리(decoupling)해서 각자 독립적으로 실행하고 중간 결과를 캐시하는 방식을 씁니다. (출처: Solar Open Technical Report, arXiv:2601.07022, 2026.01)

실질적으로는 두 가지 효과를 냅니다. 첫째, 컴퓨팅 노드를 늘려도 병목 없이 선형으로 처리량이 늘어납니다. 둘째, 수학·코드·에이전트 등 서로 다른 도메인의 보상을 독립적으로 계산하고 학습 중에 합치기 때문에, 하나의 학습 과정에서 여러 능력을 동시에 키울 수 있습니다. SnapPO를 통해 Solar Pro 3는 수학(HMMT’26, AIME’26), 대학원 수준 과학(GPQA-Diamond), 에이전트 워크플로우 모두에서 개선을 동시에 이뤄냈습니다.

여기서 생각해볼 점이 하나 있습니다. SnapPO 기반 훈련에서 에이전트 성능이 올라간 이유 중 하나가 “개별 도구 호출은 되는데 전체 워크플로우를 끝까지 완주하지 못하는 문제”를 집중 훈련했기 때문입니다. 단순히 정확도 수치를 올리는 게 아니라, 실제 프로덕션에서 반복적으로 관찰된 장애 패턴을 타겟으로 삼은 것인데, 이런 설계 방향이 Terminal Bench 2 수치가 크게 뛴 배경이 됩니다.

▲ 목차로 돌아가기

Solar Pro 2 쓰던 팀이라면 코드 바꿀 게 없습니다

업스테이지가 Solar Pro 3를 출시하면서 강조한 부분 중 실제 개발팀에 가장 중요한 게 이 부분이라고 생각합니다. Solar Pro 2에서 Pro 3로 전환할 때 API 인터페이스, 처리량(TPS), 서빙 동작이 동일하게 유지됩니다. 모델명만 바꾸면 됩니다. (출처: Upstage 공식 블로그, solar-pro-3-0323)

OpenAI SDK 호환 방식으로 API를 호출하는 팀이라면, base_url을 https://api.upstage.ai/v1으로 유지하면서 model 파라미터만 solar-pro-3로 바꾸면 끝입니다. Upstage Console 문서(console.upstage.ai/docs)에 명시된 내용입니다. OpenRouter에서도 동일 모델 ID로 접근 가능하고, 1월 출시 이후 수십억 토큰이 이미 OpenRouter를 통해 처리됐다고 공식 블로그에 나와 있습니다.

한 가지 추가로 확인할 점은 구조화 출력(Structured Output)입니다. Solar Pro 3는 JSON 형식 100% 지원을 공식으로 내세웁니다. API 호출 시 response_format을 json_object로 지정하면 형식이 보장되고, 이는 에이전트 파이프라인에서 다음 단계로 결과를 넘길 때 파싱 실패를 줄여줍니다. 멀티스텝 워크플로우를 운영하는 팀에게 이 부분이 실질적으로 중요합니다.

▲ 목차로 돌아가기

경쟁 모델 대비 솔직한 비교

Solar Pro 3를 쓸지 말지 판단할 때 다른 선택지와 비교해야 공정합니다. 2026년 3월 기준 같은 API 형태로 쓸 수 있는 주요 모델들과 나란히 놓고 봤습니다.

가격 면에서 Solar Pro 3의 입력 단가($0.15/1M)는 GPT-4.1($2.00)의 약 7.5%, Claude Sonnet 4.6($3.00)의 약 5%입니다. 한국어 에이전트를 대량으로 돌리는 B2B 환경이라면 토큰 비용 차이가 누적 금액으로 크게 벌어집니다. 한국어 특화 훈련을 받은 모델을 이 가격에 쓸 수 있다는 게 Solar Pro 3의 가장 선명한 장점입니다.

단, 이미지 입력이 필요하거나 장문 서류(계약서, 보고서 수백 페이지)를 통째로 컨텍스트에 넣어야 하는 경우라면 GPT-4.1이나 Claude 계열이 현실적입니다. 128K가 약 96,000단어인데, 단일 장문 분석에는 충분한 경우도 많지만 복수 문서를 동시에 다룰 때는 부족해질 수 있습니다.

▲ 목차로 돌아가기

이 조건이라면 Solar Pro 3를 쓰지 않는 게 낫습니다

Solar Pro 3가 잘 맞는 케이스가 분명하지만, 솔직히 쓰지 않는 게 나은 상황도 있습니다. 공식 스펙과 벤치마크 수치를 교차해서 보면 나오는 이야기입니다.

반대로 Solar Pro 3가 딱 맞는 케이스는 이렇습니다. 한국어 텍스트 기반의 에이전트 파이프라인을 운영하고, 비용이 중요하고, Solar Pro 2를 이미 쓰고 있는 팀입니다. 이 세 가지가 동시에 해당된다면 전환하지 않을 이유가 없습니다.

이 부분이 좀 아쉬웠습니다. 멀티모달이나 긴 컨텍스트 지원은 차기 버전에서 나올 가능성이 있지만, 업스테이지 측이 공식 답변을 내놓지 않은 부분입니다. Solar Open 기술 보고서에서는 “약 200B 모델로 향후 업스케일 계획이 있다”고 언급하는데, 이게 Solar Pro 4와 어떻게 연결될지는 아직 공개된 게 없습니다.

▲ 목차로 돌아가기

Q&A

▲ 목차로 돌아가기

마치며

Solar Pro 3를 처음 봤을 때 솔직히 반신반의했습니다. “비용 그대로에 성능 2배”는 마케팅에서 자주 쓰이는 문구라서요. 근데 공식 기술 보고서랑 벤치마크 수치를 직접 뜯어보니, 이게 MoE 구조의 물리적 특성에서 나오는 결과라는 게 납득이 됐습니다.

102B를 만들었지만 실제로는 12B만 활성화한다 — 이 구조 덕분에 전력과 연산 비용이 Dense 30B급과 비슷하게 유지되고, 그게 가격을 유지하면서 성능을 끌어올릴 수 있었던 이유입니다. 그리고 Solar Pro 2 호환 API는 단순한 편의 기능이 아니라 기업 마이그레이션 비용을 처음부터 설계에서 없앤 것이라는 시각이 생겼습니다.

한국어 에이전트를 운영하는 팀에게는 지금 시점에 확인해볼 가치가 충분합니다. 반면 멀티모달이나 1M 이상 컨텍스트가 필요한 팀이라면, Solar Pro 3가 아직 그 자리를 채우지 못합니다. 이게 좀 아쉬운 부분이고, 차기 버전을 지켜봐야 할 이유이기도 합니다.

▲ 목차로 돌아가기

📚 본 포스팅 참고 자료

1. Upstage 공식 블로그 (KO) — Solar Pro 3 업데이트 발표: https://www.upstage.ai/blog/ko/solar-pro-3-0323
2. Upstage 공식 블로그 (EN) — Solar Pro 3: Better reasoning at production scale: https://www.upstage.ai/blog/en/solar-pro-3-0127
3. Solar Open Technical Report (arXiv:2601.07022, SnapPO 원문): https://arxiv.org/pdf/2601.07022
4. OpenRouter — Solar Pro 3 API 스펙 및 가격: https://openrouter.ai/upstage/solar-pro-3
5. Artificial Analysis — Solar Pro 2 vs GPT-4.1 비교: https://artificialanalysis.ai/models/comparisons/solar-pro-2-reasoning-vs-gpt-4-1
6. 전자신문 — 업스테이지 솔라 프로3 공개 보도 (2026.03.24): https://www.etnews.com/20260324000153