Grok 4.5, 토큰 4배 아끼는 코딩 모델에 붙은 학습 오염 자백

AI 요약

• 무슨 일: xAI가 7월 8일 Grok 4.5를 발표하고 다음 날 공개했습니다. 코딩·에이전트 전용 첫 모델이고, 올해 초 인수한 Cursor의 실제 개발자 세션으로 학습했습니다.
  • 가격은 입력 100만 토큰당 $2, 출력 $6. Opus 4.8·GPT-5.5보다 60% 이상 쌉니다.
  • 작업당 출력 토큰은 약 14,000개로 Opus 4.8의 67,020개의 4분의 1 수준입니다.
• 의미: 비용에 민감한 에이전트 코딩 워크로드에서 토큰 예산이 곧 실비용인데, Grok 4.5는 같은 작업을 훨씬 적은 출력으로 끝냅니다.
• 주의점: xAI가 고른 벤치마크 4개 중 Opus 4.8을 이긴 건 2개뿐이고, CursorBench에서는 학습 데이터에 Cursor 코드베이스가 섞였다고 스스로 인정했습니다. 200K 토큰이 넘으면 요금이 2배로 뜁니다.

xAI가 2026년 7월 8일 Grok 4.5를 발표하고 다음 날 공개 API로 열었습니다. 지금까지의 Grok이 범용 챗봇 계열이었다면, 이번 모델은 처음부터 코딩과 에이전트 작업 하나만 보고 만든 모델입니다. 발표 자료의 벤치마크도 SWE-Bench Pro, Terminal-Bench, DeepSWE처럼 실제 리포지토리 안에서 긴 세션을 버티는 능력을 재는 항목으로 채워졌습니다.

가장 눈에 띄는 재료는 학습 데이터입니다. xAI는 올해 초 코딩 에디터 Cursor를 인수했고, Grok 4.5는 그 인수로 확보한 개발자-AI 상호작용 데이터로 학습한 첫 모델입니다. 정적인 코드 덩어리가 아니라 개발자가 프롬프트를 던지고, 결과를 고치고, 다시 시키는 전체 흐름이 학습 신호로 들어갔습니다. 저렴한 가격과 낮은 토큰 소모라는 강점도 여기서 나옵니다. 그런데 같은 출처에서 학습 데이터 오염이라는 약점도 함께 나왔습니다.

입력 100만 토큰당 2달러, 그리고 4배 적은 출력

먼저 숫자부터 봅니다. Grok 4.5의 API 가격은 입력 100만 토큰당 $2, 출력 $6입니다. 캐시된 입력은 $0.50입니다. Opus 4.8이나 GPT-5.5의 절반 이하 수준이라, 단순 단가만 보면 확실히 저렴한 축에 듭니다.

단가보다 더 크게 벌어지는 건 작업당 실제 토큰 소모량입니다. 독립 평가 기관 Artificial Analysis 기준으로 Grok 4.5는 Intelligence Index 작업 하나를 약 14,000개 출력 토큰으로 끝냅니다. 같은 작업에서 Opus 4.8은 67,020개를 씁니다. SWE-Bench Pro에서도 Grok 4.5는 평균 15,954개, Opus 4.8은 67,020개였습니다. 단가가 절반이고 토큰 소모가 4분의 1이면 실제 청구서는 훨씬 더 벌어집니다. 에이전트가 파일 수십 개를 오가며 긴 세션을 도는 코딩 워크로드에서는 이 차이가 그대로 월 비용으로 쌓입니다.

다만 발표문에 크게 적히지 않은 조건이 하나 있습니다. 컨텍스트가 200,000 토큰을 넘으면 입력·출력 단가가 모두 2배로 올라 $4/$12가 됩니다. 대형 모노레포를 통째로 밀어 넣거나 긴 대화 이력을 유지하는 에이전트라면, 광고된 $2가 아니라 $4 구간에서 대부분의 시간을 보낼 수 있습니다. Hacker News에서 이 조항이 발표에서 빠졌다는 지적이 바로 나온 이유입니다.

벤치마크는 정직하게 반반이다

xAI는 자사 발표에서 Opus 4.8과 붙인 코딩 벤치마크 4개를 공개했습니다. 흔한 홍보 자료라면 이긴 것만 골라 실었을 텐데, 이번에는 진 항목까지 같이 실었습니다.

DeepSWE 1.0에서 Grok 4.5는 62.0%로 Opus 4.8의 55.75%를 앞섰고, Terminal-Bench 2.1에서는 83.3% 대 78.9%로 다시 이겼습니다. 반대로 DeepSWE 1.1에서는 53% 대 59%로 6점 뒤졌고, SWE-Bench Pro에서는 64.7% 대 69.2%로 4.5점 뒤졌습니다. 4개 중 2개는 이기고 2개는 진 결과입니다.

독립 지표로 넘어가면 격차가 조금 더 분명해집니다. Artificial Analysis Intelligence Index에서 Grok 4.5는 54점으로 4위, Opus 4.8은 56점입니다. Cursor CEO Michael Truell이 "빠르고 저렴한 Opus급 모델"이라고 표현했지만, 여러 소스가 정확히는 Opus 4.8이 아니라 한 세대 전인 4.7 수준에 가깝다고 정리합니다. 성능 그 자체로 프론티어 정상을 노리는 모델이 아니라, "정상급의 90% 성능을 40% 비용에 낸다"는 위치의 모델입니다.

Cursor 데이터가 강점이자 약점이다

이 모델을 설명하는 핵심은 결국 Cursor입니다. xAI는 Cursor를 인수하면서 수조 토큰 규모의 개발자 상호작용 데이터에 접근했습니다. 다중 턴 편집, 대규모 리포지토리 컨텍스트, 디버깅 추적, 다중 파일 diff, 사용자가 AI 출력을 손으로 고친 기록까지 포함됩니다. 코드만 있는 데이터셋으로는 학습하기 어려운, 실제 에이전트 세션의 실패와 복구 패턴이 신호로 들어갔다는 뜻입니다. 토큰을 적게 쓰고도 작업을 끝내는 효율이 여기서 나왔다는 게 xAI의 설명입니다.

문제는 같은 데이터가 벤치마크를 오염시켰다는 점입니다. xAI는 발표 자료 각주에 이렇게 적었습니다.

Grok 4.5는 CursorBench에서 유리합니다. Cursor 코드베이스의 이전 스냅샷이 실수로 학습에 포함됐기 때문입니다.

Hacker News에서는 이 구조를 두고 더 근본적인 질문도 나왔습니다. 한 개발자(espadrine)는 "xAI가 프론티어 base 모델 회사에서 파인튜닝 회사로 전환한 것 아니냐"고 물었습니다. 자체 기반 모델의 순수 성능이 아니라, 인수한 데이터로 특정 워크로드를 잘하게 다듬는 쪽으로 무게가 옮겨졌다는 관찰입니다. 이 지적이 맞든 틀리든, Grok 4.5의 강점과 오염이 같은 출처에서 나온 한 쌍이라는 사실은 바뀌지 않습니다.

HN을 덮은 건 성능이 아니라 신뢰였다

출시 당일 Hacker News 스레드는 752점, 1,394개 댓글까지 올랐습니다. 실제 사용 후기는 갈렸습니다. 어떤 개발자는 Tailwind 제거 작업을 "빠르고 저렴하게 해냈다"고 했고, 테스트 스위트를 개선하며 숨은 버그까지 찾았다는 보고도 있었습니다. 반대로 인라인 함수 리팩터링에서 "기본 요청도 실패해 거의 못 쓰겠다"는 후기도 나왔습니다. 모델 품질에 대한 반응은 그 자체로 반반이었습니다.

정작 스레드에서 가장 크게 번진 건 능력이 아니라 신뢰 문제였습니다. Grok이 정치적 질문에서 Musk의 입김에 따라 출력을 조정한다는 의혹, 과거 사고 이력이 반복 인용됐습니다. 한 댓글은 이렇게 요약했습니다.

정치를 빼더라도, Elon은 자기가 싫어하는 사람이나 회사를 상대로 자기 플랫폼을 무기화해 왔다. Grok을 쓰는 건 그래서 공급망 리스크다. 그 리스크를 상쇄할 만큼 모델이 압도적으로 좋은 것도 아니다.

이건 벤치마크로 반박할 수 있는 종류의 비판이 아닙니다. 코딩 모델을 사내 파이프라인에 넣는 결정에는 점수표만이 아니라 공급자를 얼마나 신뢰하느냐가 함께 들어가는데, Grok은 바로 그 축에서 감점을 받고 시작합니다. 지속 가능성에 대한 의문도 있었습니다. 캐시 히트 가격이 입력의 25%로 DeepSeek이나 Xiaomi의 1% 대비 높다는 지적, idle GPU를 태워 낮은 마진에 파는 것 아니냐는 추측이 오갔습니다.

개발자는 무엇을 기준으로 골라야 하나

정리하면 Grok 4.5는 성능 정상을 노리는 모델이 아니라, 비용·속도·토큰 효율을 무기로 한 실용 코딩 모델입니다. 채택을 검토한다면 다음 축으로 나눠 보는 편이 낫습니다.

저비용 대량 실행이 핵심인 팀이라면 라우팅 스택에 한 축으로 넣어 A/B로 실측해 볼 값어치가 있습니다. 실제로 여러 개발자가 모델을 하나로 고정하지 않고 작업별로 라우팅하는 스택을 짜는 중이라고 했습니다. 저비용 모델 경쟁은 이미 중국 오픈 모델이 미국 개발자 토큰의 46%를 가져간 소식과 단일 요금으로 프론티어 성능을 노린 Sakana Fugu Ultra에서 다뤘습니다. Grok 4.5는 여기에 "인수한 코딩 에디터 데이터로 특화"라는 새 변수를 더합니다.

반대로 규제가 빡빡하거나 공급자 신뢰가 조달 기준에 들어가는 조직이라면, 벤치마크 점수와 무관하게 감점 요인이 먼저 걸립니다. 이때는 가격이 아무리 매력적이어도 라우팅 후보에서 빠질 수 있습니다.

남은 질문

Grok 4.5는 에디터를 인수해 그 세션 데이터로 코딩 모델을 만드는 경로가 실제로 통한다는 사례입니다. 토큰 효율은 그 경로가 낸 성과이고, CursorBench 오염은 그 경로가 판 함정입니다. 앞으로 다른 회사가 코딩 에디터나 CI 도구를 인수해 비슷한 데이터 파이프라인을 만들 때, 벤치마크에 쓸 코드와 학습에 쓸 코드를 어떻게 분리해 점수의 신뢰를 지킬지가 반복해서 걸릴 문제입니다.

당장 확인할 것도 몇 가지 남아 있습니다. 독립 벤치마크에서 CursorBench 이점을 걷어낸 순수 성능이 어디쯤인지, 200K 초과 요금 구간에서 실제 청구서가 어떻게 나오는지, 그리고 파인튜닝 성격이 짙어진 Grok 계열이 다음 세대에서 기반 모델 성능을 다시 끌어올릴지입니다. 저렴하고 빠르다는 사실은 분명하지만, 그 대가로 무엇을 감수하는지는 각 팀이 직접 재봐야 합니다.