Grok 4.5의 에이전트 성능과 모델 선정 기준

Grok 4.5가 겨냥한 에이전트 실행 워크로드

xAI는 2026년 7월 8일 Grok 4.5를 공개했다. 일론 머스크는 이를 "Opus급 모델이면서 더 빠르고 토큰 효율이 높다"고 소개했다. 다음 날인 7월 9일 OpenAI가 GPT-5.6을 발표하면서, 프런티어·준프런티어 모델의 출시 간격이 사흘에 한 번꼴로 좁아진 경쟁 구도도 드러났다.

Grok 4.5는 소비자용 챗봇보다 코딩, 에이전틱 태스크, 지식노동처럼 실제 엔지니어링 작업을 수행하는 워크로드에 초점을 둔다.

2026-07-08에 Grok Build, Cursor 에디터, xAI API 콘솔을 함께 공개했으며 EU 지역은 규제 검토로 7월 중순 별도 출시했다.
1.5조 파라미터 규모의 V9 MoE(Mixture-of-Experts) 파운데이션 모델이다.
입력 $2, 출력 $6의 1M 토큰당 단가를 제시했고, 컨텍스트 윈도우는 500K 토큰, 생성 속도는 약 80 tokens/sec다.
xAI의 Cursor 인수 이후 축적된 코딩 에이전트 궤적 데이터를 학습에 반영했다.

V9 MoE와 토큰 효율

이전 세대보다 전문가 라우팅을 세분화한 MoE 구조를 사용해, 추론마다 활성화되는 파라미터 비중을 낮추면서 품질을 유지하는 방향을 택했다. 태스크 난도에 맞춰 추론 깊이를 조절하는 configurable reasoning도 지연과 비용을 통제하기 위한 설계다.

SWE-Bench Pro에서 태스크당 평균 출력 토큰은 15,954개로 제시됐다. Claude Opus 4.8의 67,020개와 비교하면 약 4.2배 효율적이다. xAI는 세대별 개선 축으로 "미니멀 할루시네이션"도 내세웠다.

종합 순위와 도메인 성능은 다른 신호다

Artificial Analysis Intelligence Index에서 Grok 4.5는 54점, 전체 4위다. Claude Fable 5, Claude Opus 4.8, GPT-5.6의 뒤를 잇는다. 반면 지속형 에이전트 워크를 평가하는 GDPval-AA v2에서는 Elo 1,543으로 4위이며, Harvey Legal Agent Benchmark에서는 종합 1위를 기록했다.

에이전틱 툴 사용에서는 도구 호출 정확도와 연쇄 실행 안정성 평가에서 단독 선두로 제시됐다. Coding(Baseline) 정확도는 96.0%, 94번째 백분위수다. 이처럼 종합 순위와 특정 업무의 결과가 다를 수 있으므로, 모델 선정은 목표 워크로드와 가까운 지표를 중심으로 판단해야 한다.

⤢✕

X와 개발자 채널을 함께 묶은 배포

X(구 트위터) 플랫폼과 통합 배포하면서 실시간 소셜·이벤트 데이터 접근을 코딩과 에이전트 워크플로우에 결합했다. Grok Build와 Cursor는 코딩 에이전트 채널로, API 콘솔은 범용 개발자 채널로 병행 출시했다.

SpaceX-xAI 합병 이후 최초 모델 릴리스라는 맥락도 있다. 인프라와 자본 조달 구조의 변화가 배포 속도에 반영된 것으로 해석된다.

모델 편입 전 확인할 항목

종합 지표만으로 모델을 고르면 실제 업무와의 거리를 놓치기 쉽다. Intelligence Index와 함께 GDPval-AA, 도메인 벤치마크처럼 사용하려는 워크로드에 가까운 지표를 확인해야 한다.

비용 평가는 토큰 단가만으로 끝나지 않는다. Grok 4.5의 $2/$6 단가와 4.2배 출력 토큰 효율을 함께 놓고 실질 TCO를 산출해야 한다. 약 80 tokens/sec의 생성 속도 역시 실시간 에이전트나 대화형 워크로드의 SLA를 충족하는지 별도로 검증할 대상이다.

사내 실무 티켓과 이슈를 표본화한 골든셋으로 SWE-Bench류 공개 벤치마크와의 상관성을 확인할 수 있다. 공개 평가에서 에이전틱 툴 사용 1위라는 결과도 내부 API, DB, CI를 연결한 자사 도구체인에서 재현해야 한다. 법률·재무처럼 오류 비용이 큰 영역은 Harvey Legal 방식의 도메인 특화 검증을 별도 게이트로 두는 편이 맞다.

멀티벤더 운영과 검증 경계

Grok 4.5는 멀티벤더 포트폴리오에서 저비용·고효율 에이전트 실행 슬롯으로 둘 수 있고, Claude와 GPT는 최고 품질·규제 준수 슬롯으로 역할을 나눌 수 있다. 이를 위해 프롬프트, 평가셋, 라우팅 정책을 벤더 독립적으로 구성해야 모델을 편입하거나 교체할 때 시스템 전체를 다시 설계하지 않아도 된다.

신규 벤더인 xAI도 기존 승인 벤더와 같은 보안·컴플라이언스 승인 절차를 거쳐야 한다. 특히 다음 사항은 모델 성능과 별개로 확인할 필요가 있다.

공개 벤치마크 순위와 실무 파일럿 성능의 괴리가 크면 벤치마크 특화 튜닝 가능성을 의심하고 재검증한다.
X 플랫폼 데이터와 실시간 소셜 데이터가 결합되는 구조에서는 입력 데이터의 처리 위치와 보관 정책을 확인한다.
EU 출시 지연 사례처럼 규제 검토가 배포 일정에 영향을 줄 수 있으므로 지역별 규제 버퍼를 도입 로드맵에 반영한다.
"미니멀 할루시네이션"이라는 마케팅 주장은 자사 도메인 데이터 기반 사실성 테스트로 별도 검증한다.

경쟁 모델과 비교할 때 남는 기준

항목	Grok 4.5	Claude Sonnet 5	GPT-5.6(3티어)	Gemini 3.5 Pro
출시일	2026-07-08	2026-06-30	2026-07-09(GA)	2026-07-07(제한 프리뷰)
입력/출력 단가(1M 토큰)	$2 / $6	$2 / $10(8월까지, 이후 $3/$15)	Sol $5/$30·Terra $2.5/$15·Luna $1/$6	미공개(프리뷰)
컨텍스트 윈도우	500K	1M	티어 공통 대형 컨텍스트	미확정
Intelligence Index	54(전체 4위)	상위권	Sol 최상위권	추격 국면
강점 벤치마크	에이전틱 툴 사용 1위, Harvey Legal 1위	코딩 품질(SWE-Bench Pro 최상위)	티어드 비용-성능, Programmatic Tool Calling	문서·코드리뷰 정합성
토큰 효율(SWE-Bench Pro)	15,954 토큰/태스크	상대적으로 높음(비교군 상위)	티어별 상이	미확정
대표 약점	종합 지능 지표는 4위권	단가가 상대적으로 높음	Sol 고비용	정식 출시·가격 미확정

가중 평균인 Intelligence Index는 특정 워크로드의 적합성을 직접 보장하지 않는다. GDPval-AA v2, Harvey Legal, 에이전틱 툴 사용처럼 업무에 가까운 벤치마크가 배치 판단에는 더 직접적인 근거가 된다. 목표 도메인에서 1위인 모델은 종합 순위가 낮더라도 특화 배치 후보로 남겨야 하며, 반대로 종합 1위여도 목표 도메인 검증이 없다면 파일럿이 필요하다.

태스크당 출력 토큰 수 같은 효율 지표도 정확도와 분리해 TCO에 반영해야 한다. 정보관리기술사 관점에서는 단가·토큰 효율·속도를 결합한 경제성, 벤더 장애와 지역 규제 지연을 고려한 신뢰성·가용성, 소셜 플랫폼 데이터와 Cursor 궤적 데이터의 출처를 심사하는 보안·주권 원칙을 함께 다뤄야 한다.

벤더 4곳 이상이 사흘~수주 간격으로 신모델을 발표하는 환경에서 경쟁의 기준은 절대 성능만이 아니다. 도메인 특화 벤치마크의 신뢰성, 토큰 효율 TCO, 거버넌스 대응력을 함께 운영하는 역량이 모델 도입의 기준이 된다.