Introducing GPT‑5 for developers

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

GPT‑5는 코딩 정확도와 도구 호출, 지시 이행, 장문 맥락 검색을 함께 개선하고 개발자가 응답 방식과 추론 수준을 조절할 수 있게 설계된 OpenAI의 API용 추론 모델이다.

📌 핵심 요약

• GPT‑5는 SWE-bench Verified에서 74.9%, Aider polyglot에서 88%를 기록했으며, 버그 수정·코드 편집·복잡한 코드베이스 분석과 같은 실제 소프트웨어 개발 작업에 초점을 맞췄다.
• 장시간 실행되는 에이전트 작업에서 순차·병렬 도구 호출을 안정적으로 연결하고, 도구 오류를 처리하며, 작업 전후에 계획·진행 상황·결과 요약을 제공하는 능력이 강화됐다.
• 개발자는 새로 추가된 응답 상세도 매개변수와 최소 추론 수준을 이용해 답변 길이, 처리 속도, 추론 강도를 조절할 수 있으며, 일반 텍스트와 문법 제약을 지원하는 사용자 정의 도구도 사용할 수 있다.
• API에는 성능·비용·지연 시간의 선택지를 제공하는 GPT‑5, GPT‑5 mini, GPT‑5 nano가 출시되며, ChatGPT의 비추론 모델은 별도의 gpt-5-chat-latest로 제공된다.
• GPT‑5는 지시 이행과 도구 사용뿐 아니라 장문 맥락 검색에서도 이전 모델보다 개선됐으며, OpenAI는 현실적인 장문 질의응답 평가를 위한 BrowseComp Long Context 벤치마크도 공개한다.

🧩 주요 포인트

1. GPT‑5는 SWE-bench Verified에서 74.9%, Aider polyglot에서 88%를 기록했으며, 버그 수정·코드 편집·복잡한 코드베이스 분석과 같은 실제 소프트웨어 개발 작업에 초점을 맞췄다.
2. 장시간 실행되는 에이전트 작업에서 순차·병렬 도구 호출을 안정적으로 연결하고, 도구 오류를 처리하며, 작업 전후에 계획·진행 상황·결과 요약을 제공하는 능력이 강화됐다.
3. 개발자는 새로 추가된 응답 상세도 매개변수와 최소 추론 수준을 이용해 답변 길이, 처리 속도, 추론 강도를 조절할 수 있으며, 일반 텍스트와 문법 제약을 지원하는 사용자 정의 도구도 사용할 수 있다.
4. API에는 성능·비용·지연 시간의 선택지를 제공하는 GPT‑5, GPT‑5 mini, GPT‑5 nano가 출시되며, ChatGPT의 비추론 모델은 별도의 gpt-5-chat-latest로 제공된다.
5. GPT‑5는 지시 이행과 도구 사용뿐 아니라 장문 맥락 검색에서도 이전 모델보다 개선됐으며, OpenAI는 현실적인 장문 질의응답 평가를 위한 BrowseComp Long Context 벤치마크도 공개한다.

🧠 상세 정리

1. 개발자용 GPT‑5의 출시와 목표

OpenAI는 2025년 8월 7일 GPT‑5를 API 플랫폼에 출시하면서, 코딩과 에이전트형 작업을 위한 자사 최고 모델로 소개했다. 이 모델은 단순히 코드를 생성하는 데 그치지 않고 버그 수정, 기존 코드 편집, 복잡한 코드베이스에 관한 질의응답, 여러 단계로 구성된 실제 작업의 완결까지 수행하도록 훈련됐다. 세부 지시를 높은 정확도로 따르고 개발자와 협업하듯 행동하며, 필요할 경우 도구를 호출하기 전과 호출 사이에 수행 계획과 진행 상황을 설명할 수 있다는 점도 강조됐다. OpenAI는 스타트업과 기업의 초기 시험 사용자들과 실제 코딩 과제를 바탕으로 모델을 훈련했으며, Cursor·Windsurf·Vercel 등은 조종 가능성, 도구 호출 안정성, 프런트엔드 결과의 미적 완성도와 코드 품질에서 높은 평가를 제시했다.

2. API 제어 기능과 모델 구성

GPT‑5 API에는 개발자가 출력 특성을 직접 조정할 수 있는 새로운 기능들이 도입됐다. 응답 상세도 매개변수는 낮음·중간·높음으로 설정할 수 있어 짧고 핵심적인 답변과 길고 포괄적인 답변 사이에서 원하는 수준을 선택하게 한다. 추론 노력 매개변수에는 최소값이 추가되어, 광범위한 사전 추론보다 빠른 응답이 필요한 작업에 대응할 수 있다. 새 사용자 정의 도구 유형은 JSON 대신 일반 텍스트로 도구를 호출하게 하며, 개발자가 제공한 문맥 자유 문법으로 출력 형식을 제한하는 기능도 지원한다. API 모델은 GPT‑5, GPT‑5 mini, GPT‑5 nano의 세 가지 크기로 제공되어 성능·비용·지연 시간 사이의 선택 폭을 넓힌다.

3. ChatGPT용 구성과 API 모델의 구분

원문은 ChatGPT에서 사용되는 GPT‑5와 API 플랫폼의 GPT‑5가 동일한 구성 방식이 아니라는 점을 명확히 구분한다. ChatGPT의 GPT‑5는 추론 모델, 비추론 모델, 라우터 모델이 결합된 시스템이지만, API의 GPT‑5는 ChatGPT에서 최대 성능을 담당하는 추론 모델에 해당한다. API에서 최소 추론으로 실행되는 GPT‑5도 ChatGPT의 비추론 모델과는 다른 모델이며, 개발자 활용에 맞춰 별도로 조정됐다. ChatGPT에서 사용하는 비추론 모델은 gpt-5-chat-latest라는 이름으로 API에 제공된다. 따라서 개발자는 단순히 하나의 GPT‑5 이름만 보는 것이 아니라, 필요한 추론 강도와 응답 지연, 애플리케이션 성격에 따라 모델과 설정을 구분해 선택해야 한다.

4. 코딩 벤치마크와 실행 효율

실제 소프트웨어 공학 문제를 해결하는 SWE-bench Verified에서 GPT‑5는 74.9%를 기록해 o3의 69.1%를 앞섰다. 높은 추론 노력으로 실행한 o3와 비교하면 GPT‑5는 더 높은 점수를 내면서도 출력 토큰을 22% 적게 사용하고 도구 호출 횟수도 45% 줄여, 정확도와 실행 효율을 함께 개선했다. 이 평가는 저장소와 이슈 설명을 받은 모델이 문제를 해결하는 패치를 생성하는 방식이며, OpenAI의 기반 환경에서 해법이 안정적으로 통과하지 않은 500개 중 23개 문제는 점수에서 제외됐다. GPT‑5에는 해법을 철저히 검증하라는 짧은 지시가 제공됐고, 같은 지시는 o3의 성능에는 도움이 되지 않았다고 설명된다. 여러 프로그래밍 언어의 코드 편집 능력을 측정하는 Aider polyglot에서는 88%로 새 기록을 세웠으며, o3와 비교해 오류율을 약 3분의 1 줄였다.

5. 코드베이스 이해와 프런트엔드 생성

GPT‑5는 독립적인 코딩 문제뿐 아니라 대규모 코드베이스를 탐색하고 구성 요소들이 어떻게 작동하거나 상호 운용되는지 설명하는 작업에서도 강점을 보였다. OpenAI는 자사의 복잡한 강화학습 코드 스택에 관한 질문을 분석하고 답하는 데 GPT‑5를 활용해 일상적인 개발 업무를 가속하고 있다고 밝혔다. 웹 애플리케이션의 프런트엔드 생성에서는 결과의 미적 감각, 목표의 야심성, 구현 정확도가 개선됐으며, o3와의 일대일 비교에서 시험 사용자들이 GPT‑5의 결과를 70%의 비율로 선호했다. 원문은 커피 구독 서비스의 랜딩 페이지, 오디오 스텝 시퀀서, 우주 게임 등을 단일 프롬프트로 만든 사례로 제시한다. 다만 이 예시들은 OpenAI가 선별한 사례라고 명시되어 있으므로, 전체 성능 판단의 근거라기보다 모델이 생성할 수 있는 결과의 범위를 보여주는 시연으로 이해해야 한다.

6. 에이전트형 코딩 협업 방식

GPT‑5는 Cursor, Windsurf, GitHub Copilot, Codex CLI 같은 에이전트형 코딩 제품에서 협업 모델로 작동하도록 세밀하게 조정됐다. 작업 도중 계획, 진행 상황, 중간 업데이트, 최종 요약을 도구 호출 사이에 제시할 수 있으며, 과거 모델보다 복잡하거나 범위가 큰 작업을 사용자의 반복 승인 없이 적극적으로 끝까지 진행하는 성향이 강화됐다. 원문에 제시된 식당 웹사이트 제작 사례에서는 요청을 받은 뒤 간단한 계획을 공유하고, 애플리케이션을 구성하며, 의존성을 설치하고, 콘텐츠를 작성한 다음, 빌드를 실행해 컴파일 오류를 확인하고 결과와 후속 단계를 정리했다. 이 전체 작업은 약 3분 동안 진행됐으며, 영상에서는 약 세 배 빠르게 재생됐다. Cursor는 GPT‑5가 깊이 숨은 버그를 찾고 장시간의 다중 대화형 백그라운드 에이전트를 실행해 이전 모델이 멈추던 복잡한 작업까지 마무리한다고 평가했다.

7. 지시 이행과 도구 호출의 개선

일반적인 에이전트 작업에서도 GPT‑5는 지시 이행과 도구 사용 능력을 주요 개선점으로 내세웠다. Scale MultiChallenge에서는 o3‑mini의 채점을 기준으로 69.6%를 기록했으며, COLLIE와 OpenAI 내부 API 평가에서도 복수 제약과 이전 대화의 정보를 정확히 반영하는 능력이 평가됐다. 도구 사용에서는 도구별 지시를 더 정확히 따르고, 오류가 발생했을 때 대응하며, 여러 호출을 순차 또는 병렬로 능동적으로 연결하도록 개선됐다. 장시간 작업 중에는 사용자가 현재 상태를 파악할 수 있도록 도구 호출 전후에 진행 안내를 출력할 수도 있다. Manus는 별도의 코드 수정이나 프롬프트 최적화 전에도 GPT‑5가 내부 에이전트 평가에서 단일 모델 기준 최고 성능을 보였으며, 사전 안내와 세밀한 도구 제어가 안정성과 조종 가능성을 높였다고 평가했다.

8. 변화하는 환경에서의 장기 작업 수행

GPT‑5는 사용자의 행동으로 환경 상태가 달라질 수 있는 고객 서비스형 도구 사용 평가인 τ²-bench telecom에서 96.7%를 기록했으며, 본문 후반에서는 이를 반올림해 97%로 표현했다. 이 벤치마크는 모델이 사용자와 대화하는 동시에 도구를 이용해 과제를 수행해야 하므로, 정적인 질문 응답보다 상태 변화와 실행 순서를 함께 관리해야 한다. 벤치마크가 공개됐을 당시에는 어떤 모델도 49%를 넘지 못했다고 소개되며, GPT‑5의 결과는 도구 지시 준수와 연속 행동 구성 능력의 큰 향상을 보여주는 근거로 제시된다. OpenAI는 이러한 개선 덕분에 수십 번의 도구 호출을 순차·병렬로 연결하면서도 작업 목표를 잃지 않고, 오류를 처리하며, 현실적인 복합 과제를 처음부터 끝까지 수행할 수 있다고 설명한다. 이는 단일 호출의 정확성뿐 아니라 여러 행동 사이에서 상태와 목표를 지속적으로 유지하는 능력이 핵심 평가 대상임을 보여준다.

9. 장문 맥락 검색과 새 평가 체계

GPT‑5는 긴 입력에서 필요한 정보를 정확히 찾아내는 능력도 개선됐다. 다중 회차 상호참조 해결을 측정하는 OpenAI-MRCR에서 GPT‑5는 o3와 GPT‑4.1을 앞섰으며, 입력 길이가 길어질수록 성능 격차가 더 커졌다고 설명된다. 이 평가는 비슷한 요청과 응답으로 구성된 긴 문맥 속에 동일한 형태의 표적 요청을 여러 번 삽입한 뒤, 지정된 순서의 요청에 대응하는 답을 재현하게 하고 정답 문자열과의 평균 일치 비율을 측정한다. OpenAI는 관련 검색 결과의 긴 목록을 토대로 질문에 답하게 하는 BrowseComp Long Context도 공개하며, 현실적이고 어렵고 신뢰할 수 있는 정답을 갖춘 장문 질의응답 벤치마크로 설계했다고 밝혔다. 제공된 원문 범위에서는 12만 8천에서 25만 6천 토큰의 입력에서 GPT‑5가 89%의 정답률을 기록했다고 제시되지만, 해당 문장은 그 지점에서 끝나므로 이후의 추가 비교나 세부 설명은 확인할 수 없다.

🧾 핵심 주장 / 시사점

• GPT‑5의 코딩 개선은 벤치마크 점수 상승에만 머물지 않고, 더 적은 출력 토큰과 도구 호출로 높은 결과를 내는 실행 효율까지 포함한다.
• 에이전트 성능의 핵심은 개별 도구 호출의 성공 여부보다 지시 준수, 오류 처리, 상태 유지, 순차·병렬 호출의 연결, 사용자에게 제공하는 진행 안내를 하나의 흐름으로 통합하는 데 있다.
• API의 응답 상세도, 최소 추론, 사용자 정의 도구, 세 가지 모델 크기는 개발자가 품질·속도·비용·출력 형식의 균형을 작업별로 직접 조정하도록 설계된 기능이다.

✅ 액션 아이템

• SWE-bench Verified 74.9%와 Aider polyglot 88% 지표를 기준으로 버그 수정·코드 편집·복잡한 코드베이스 분석 성능을 비교한다.
• 장시간 실행 에이전트에서 순차·병렬 도구 호출 안정성, 오류 처리, 계획·진행·결과 요약 동작을 시나리오별로 점검한다.
• 응답 상세도와 최소 추론 수준을 조정해 답변 길이·속도·추론 강도를 맞추고 사용자 정의 도구의 텍스트·문법 제약 적용 범위를 정한다.

❓ 열린 질문

• 실서비스에서 GPT‑5, GPT‑5 mini, GPT‑5 nano 중 성능·비용·지연 균형을 맞추는 조합은 무엇인가?
• 장시간 에이전트 작업에서 도구 오류 처리 실패 패턴이 발생할 때 수동 개입 전환 기준은 무엇인가?
• BrowseComp Long Context에서 개선된 장문 맥락 검색이 실제 코드베이스 질의 정확도에서 어떤 수준으로 검증될 수 있는가?