For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/ko/articles/grok-45-coding-benchmarks-token-efficiency.md.
Grok 4.5는 코딩, 에이전트 및 지식 작업을 목표로 하는 최첨단 모델입니다. 가장 뛰어난 실용적 장점은 경쟁력 있는 엔지니어링 성능, 초당 최대 80토큰 서빙, 500K 컨텍스트 윈도우, 그리고 공개된 SWE-Bench Pro 비교에서 낮은 토큰...
Grok 4.5는 xAI를 코딩 모델 경쟁의 최전선으로 다시 이끌었습니다.
2026년 7월 8일에 출시된 이 모델은 소프트웨어 엔지니어링, 에이전트 작업 및 광범위한 지식 작업을 위해 설계되었습니다. Cursor로 훈련되었으며 현재 xAI API, Grok Build 및 Cursor를 통해 사용할 수 있습니다. 핵심은 단순히 모델 품질만이 아닙니다. Grok 4.5는 더 빠른 서빙, 더 적은 생성 토큰, 그리고 완료된 작업당 더 낮은 비용을 중심으로 포지셔닝되었습니다.
공식 모델 문서에는 500,000 토큰 컨텍스트 윈도우, 텍스트 및 이미지 입력, 구성 가능한 추론, 함수 호출, 구조화된 출력 지원, API 가격(입력 토큰 100만 개당 $2, 출력 토큰 100만 개당 $6)이 명시되어 있습니다.
이 글에서는 Grok 4.5가 어디에서 뛰어난 성능을 보이는지, 효율성 주장을 어떻게 해석해야 하는지, 훈련에서 무엇이 변경되었는지, 그리고 주변 추론 스택이 왜 모델 자체만큼 중요해질 수 있는지 설명합니다.
Grok 4.5는 코딩, 에이전트 작업 및 일반 컴퓨터 기반 지식 작업을 위한 xAI의 플래그십 모델입니다. 공식 출시 자료에서는 단일 응답 후 중단되는 대신 장기 실행 작업 처리, 도구 사용, 오류 복구 및 결과 검증이 가능한 모델로 설명됩니다.
이는 자율 코딩, 저장소 수준 변경, 기술 연구, 데이터 분석 및 다단계 사무실 워크플로우에 사용되는 고급 모델과 동일한 광범위한 범주에 속합니다.
| 항목 | Grok 4.5 |
|---|---|
| 모델명 | grok-4.5 |
| 주요 사용 사례 | 코딩, 에이전트 작업, 지식 작업 |
| 입력 모달리티 | 텍스트 및 이미지 |
| 출력 모달리티 | 텍스트 |
| 컨텍스트 윈도우 | 500,000 토큰 |
| 추론 | 구성 가능 |
| 함수 호출 | 지원 |
| 구조화된 출력 | 지원 |
| 입력 가격 | 100만 토큰당 $2 |
| 캐시된 입력 가격 | 100만 토큰당 $0.50 |
| 출력 가격 | 100만 토큰당 $6 |
| 보고된 서빙 속도 | 초당 최대 80 토큰 |
| 사용 가능 환경 | xAI API, Grok Build, Cursor |
500K 컨텍스트 윈도우는 대규모 코드베이스, 긴 기술 문서, 다중 파일 조사 및 확장된 에이전트 기록을 처리하기에 충분히 큽니다. 큰 컨텍스트 윈도우가 자동으로 더 나은 결과를 보장하지는 않지만, 도구가 과도한 잘림 없이 관련 소스 자료를 제공할 수 있는 더 많은 여유를 줍니다.
공식 xAI 발표에서는 여러 소프트웨어 엔지니어링 평가 결과를 공개합니다. Grok 4.5는 모든 벤치마크에서 최고 모델은 아니지만, 다른 최첨단 시스템과 경쟁력을 유지합니다.
| 벤치마크 | Grok 4.5 | 선택 비교 결과 |
|---|---|---|
| DeepSWE 1.0 | 62.0% | Fable max 66.1%; GPT-5.5 xhigh 64.31%; Opus 4.8 max 55.75% |
| DeepSWE 1.1 | 53.0% | Fable max 70%; GPT-5.5 xhigh 67%; |
Opus 4.8 max 59% |
| Terminal-Bench 2.1 | 83.3% | Fable max 84.3%; GPT-5.5 xhigh 83.4%; Opus 4.8 max 78.9% |
| SWE-Bench Pro | 64.7% | Fable max 80.4%; Opus 4.8 max 69.2%; Opus 4.7 max 64.3% |
| SWE Marathon | 29.0% | Opus 4.8 max 26.0%; Fable max 24.0%; Opus 4.7 max 16.0% |
이 수치들은 터미널 작업, 실용적인 엔지니어링 작업, 그리고 긴 에이전트 워크플로우에서 특히 강력한 모델임을 시사합니다. 하지만 신중하게 해석해야 합니다. 벤치마크 환경, 추론 설정, 도구 접근 권한, 제공업체별 구성에 따라 결과가 달라질 수 있습니다.
또한 Cursor는 Cursor 코드베이스의 이전 스냅샷이 실수로 훈련 데이터에 포함되어 CursorBench 결과에 영향을 미칠 수 있다고 공개했습니다. 회사는 해당 벤치마크를 공개 비교에서 제외했으며, 해당 데이터는 향후 모델에 사용되지 않을 것이라고 밝혔습니다.
Grok 4.5에 관한 가장 실용적인 주장은 효율성입니다.
xAI에 따르면 이 모델은 최대 초당 80토큰으로 서빙됩니다. 이는 긴 추론 과정, 저장소 편집, 반복 에이전트 루프가 느린 프리미엄 모델보다 더 반응성이 뛰어나게 느껴질 만큼 충분히 빠른 속도입니다.
회사는 또한 Grok 4.5가 SWE-Bench Pro 작업당 평균 15,954개의 출력 토큰을 사용한 반면, Opus 4.8은 최대 설정에서 67,020개의 출력 토큰을 사용했다고 보고했습니다. 이는 측정된 워크로드에서 약 4.2배 적은 출력 토큰을 사용한 셈입니다.
토큰 효율성이 중요한 세 가지 이유는 다음과 같습니다.
중요한 지표는 단순히 백만 토큰당 가격이 아닙니다. 팀은 허용 가능한 품질 수준에서 동일한 작업을 완료하는 데 드는 비용을 비교해야 합니다. 명시된 토큰 가격이 더 높은 모델이라도 더 적은 시도, 더 적은 도구 호출, 더 적은
생성된 토큰
기본 API 가격은 다음과 같습니다:
| 토큰 유형 | 가격 |
|---|---|
| 입력 | 100만 토큰당 $2 |
| 캐시된 입력 | 100만 토큰당 $0.50 |
| 출력 | 100만 토큰당 $6 |
Cursor는 또한 자체 모델 제품군 내에서 입력 토큰 100만 개당 $4, 출력 토큰 100만 개당 $18의 더 빠른 변형을 제공합니다. 가격 및 가용성은 플랫폼에 따라 다를 수 있으므로, 개발팀은 실제 사용 환경에서 요금을 확인해야 합니다.
Grok 4.5는 단순히 함수를 완성하거나 오류를 설명하는 것을 넘어서는 역할을 합니다. 공식 예시는 다음과 같습니다:
태양계 데모는 디자인, 프런트엔드 코드, 3D 렌더링, 제어 및 상호작용 로직을 결합하기 때문에 유용합니다. 모든 단일 프롬프트 애플리케이션이 프로덕션 준비가 완료되었다는 증거는 아니지만, 모델이 처리하도록 최적화되는 통합 작업의 종류를 보여줍니다.
Grok 4.5는 사무 작업까지 확장됩니다. 출시 자료에서는 구조화된 비즈니스 검토 슬라이드를 만들고, 수식, 웹 연구 및 여러 시트를 포함하는 스프레드시트 작업을 수행합니다.
개발팀의 경우, 실용적인 워크플로우는 다음과 같을 수 있습니다:
모델이 빠르고 유능하더라도 여전히 잘못된 가정, 안전하지 않은 변경, 또는 불완전한 검증을 생성할 수 있습니다. 에이전트 코딩 모델의 가장 좋은 사용법은 일반적으로 제한 없는 자율성보다는 가시적인 증거를 갖춘 구조화된 자동화입니다.
효율성 향상은 단순한 서비스 최적화로 제시되지 않습니다. xAI와 Cursor 모두 모델 아키텍처, 데이터 준비, 강화 학습 및 분산 훈련 전반에 걸친 변경 사항을 설명합니다.
Cursor는 Grok 4.5를 혼합 전문가 모델로 설명합니다. MoE 시스템에서는 주어진 토큰이나 작업에 대해 네트워크의 일부만 활성화됩니다. 이를 통해 모든 매개변수가 모든 추론 단계에 참여할 필요 없이 전체 모델 용량을 늘릴 수 있습니다.
공식 소스는 토큰당 사용되는 정확한 연산량을 계산할 수 있을 만큼 충분한 구현 세부 정보를 공개하지 않습니다. 따라서 검증되지 않은 매개변수 수에서 성능을 추론하기보다는 측정된 동작(속도, 벤치마크 품질, 토큰 소비)에 초점을 맞추는 것이 더 정확합니다.
xAI는 Grok 4.5가 수만 개의 NVIDIA GB300 GPU에서 학습되었다고 밝혔습니다. 이 규모의 학습에는 단순한 하드웨어 이상이 필요합니다. 장기 실행을 위해서는 수천 개의 가속기를 생산적으로 유지할 수 있는 안정적인 분산 시스템, 체크포인트 복구, 네트워킹, 데이터 파이프라인 및 모니터링이 필요합니다.
발표에서는 대규모 학습 실행을 위해 설계된 안정성 기술을 강조합니다. 시스템이 효율적으로 복구할 수 없을 경우 긴 실험에서의 실패는 막대한 연산량을 낭비할 수 있기 때문에 이는 중요합니다.
학습 파이프라인에는 다음이 포함되었습니다:
아이디어를 한 문장으로 입력하면 We0 AI가 쇼케이스 사이트, 페이지, CMS를 생성하고 출시 후 고객과 트래픽 확보를 돕습니다.
무료 등록을 위한 하나의 완전한 프로젝트 생성
하나의 완전한 생성 흐름을 시도하고 첫 번째 프로젝트 초안을 빠르게 보는 데 가장 적합합니다.
목표는 원시 토큰 양에만 의존하는 대신 유용한 학습 신호의 밀도를 개선하는 것입니다. 반복되거나 품질이 낮거나 관련성이 약한 데이터는 신중하게 선택된 예제와 동일한 개선 효과를 제공하지 않으면서 학습 비용을 증가시킬 수 있습니다.
Cursor는 모델이 수조 개의 Cursor 데이터 토큰으로 학습되었다고 밝혔습니다. 회사에 따르면, 이 데이터세트는 사용자, 코드베이스, 소프트웨어 도구 및 에이전트 간의 상호작용을 포착합니다.
이 구분은 중요합니다. 코드 전용 데이터세트는 구문, 패턴, 라이브러리 및 일반적인 구현을 가르칩니다. 상호작용 데이터는 작업 순서도 가르칠 수 있습니다:
이는 Grok 4.5가 단순한 코드 완성이 아닌 소프트웨어 엔지니어링에 초점을 맞춘 이유를 설명하는 데 도움이 됩니다.
xAI는 강화 학습 프로그램이 수십만 개의 작업을 다루며, 특히 다단계 소프트웨어 엔지니어링 및 기타 기술 작업에 중점을 둔다고 밝혔습니다.
Cursor는 모델을 훈련시키는 환경을 다음과 같이 설명합니다:
두 회사는 또한 이러한 훈련 환경을 대규모로 생성, 테스트 및 개선하기 위한 분산 에이전트 시스템을 구축했습니다. 일부 에이전트 롤아웃은 몇 시간 동안 실행될 수 있으며, 더 큰 학습 프로세스는 비동기적으로 계속됩니다.
이는 좁은 벤치마크 최적화에서 의미 있는 변화입니다. 모델은 올바른 최종 답변을 생성하는 것뿐만 아니라 그에 이르는 과정을 탐색하도록 훈련되고 있습니다.
하나에.
모델 가중치는 최종 제품의 일부일 뿐입니다.
일론 머스크의 공개 성명에 따르면, 그록 4.5는 아직 xAI가 자체 개발한 C/C++ 추론 소프트웨어를 GB300 하드웨어에 특화해 사용하지 않고 있습니다. 그는 최적화된 스택이 서빙 속도를 두 배로 높이거나 더 개선할 수 있다고 제안했습니다.
이는 측정된 생산 결과라기보다 미래지향적인 주장이므로, 보장된 성능으로 간주해서는 안 됩니다. 그럼에도 불구하고, 이는 모델 경쟁이 어디로 향하고 있는지를 강조합니다.
프론티어 모델 간 벤치마크 품질이 비슷해지면, 주변 시스템이 실질적인 이점을 창출할 수 있습니다:
사용자 입장에서 이는 모델 비교 시 단일 지능 점수 이상을 포함해야 함을 의미합니다. 더 빠르게 응답하고, 더 적은 토큰을 생성하며, 캐싱을 효과적으로 사용하고, 더 적은 재시도로 작업을 완료하는 모델은 비록 다른 모델이 벤치마크에서 앞서더라도 실제 현장에서 더 나은 가치를 제공할 수 있습니다.
그록 4.5는 xAI의 Responses API를 통해 사용 가능합니다. 다음 Python 예제는 OpenAI 호환 클라이언트 인터페이스를 사용합니다:
import os
from openai import OpenAI
api_key = os.environ.get("XAI_API_KEY")
if not api_key:
raise RuntimeError("먼저 XAI_API_KEY 환경 변수를 설정하세요.")
client = OpenAI(
api_key=api_key,
base_url="https://api.x.ai/v1",
)
response = client.responses.create(
model="grok-4.5",
input=(
"다음 JavaScript 함수를 검토하고, 버그를 수정하며, "
"변경 사항을 설명하세요: "
"function median(values) { values.sort(); "
"return values[values.length / 2]; }"
),
)
print(response.output_text)
모델을 프로덕션에서 사용하기 전에:
그록 4.5는 xAI의 코딩, 에이전트 작업 및 지식 작업을 위한 프론티어 모델입니다. 텍스트 및 이미지 입력, 구성 가능한 추론, 함수 호출 및 구조화된 출력을 지원합니다.
공식 xAI 모델 문서에는 50만 토큰 컨텍스트 윈도우가 명시되어 있습니다. 실제 사용 가능한 컨텍스트는 요청 형식, 도구 출력 및 플랫폼별 제한에 따라 달라질 수 있습니다.
게시된 기본 가격은 2달러입니다.
입력 토큰 100만 개당 $0.50, 캐시된 입력 토큰 100만 개당 $0.50, 출력 토큰 100만 개당 $6입니다. 플랫폼별 변형이나 우선 처리 서비스는 다른 요금이 적용될 수 있습니다.
정답은 벤치마크와 작업 흐름에 따라 다릅니다. Grok 4.5는 여러 엔지니어링 테스트에서 경쟁력을 보이며 일부 비교에서 앞서지만, 다른 모델들은 다른 영역에서 우위를 점하고 있습니다. 속도, 토큰 사용량, 도구 신뢰성, 작업 완료 비용 등을 벤치마크 점수와 함께 평가해야 합니다.
xAI는 Grok 4.5가 SWE-Bench Pro 작업당 평균 15,954개의 출력 토큰을 사용한 반면, Opus 4.8은 최대 설정에서 67,020개의 출력 토큰을 사용했다고 보고했습니다. 이는 측정된 작업 부하에서 출력 토큰이 약 4.2배 더 적은 것입니다.
네. 공식 모델 페이지에는 텍스트 및 이미지 입력과 텍스트 출력이 명시되어 있습니다. 따라서 스크린샷 분석, 문서 검토, 에이전트 작업 흐름 내 시각적 컨텍스트와 같은 작업에 적합합니다.
네. Cursor는 Grok 4.5를 데스크톱, 웹, iOS, CLI 및 SDK 환경에서 사용할 수 있다고 밝혔습니다. 사용 할당량과 가격은 선택한 Cursor 요금제에 따라 다릅니다.
프로덕션 에이전트 내에서 추론 모델로 사용할 수 있지만, 주변 시스템에는 권한 제어, 검증, 관찰 가능성, 재시도 및 영향이 큰 작업에 대한 인간 승인이 여전히 필요합니다. 벤치마크 성능이 운영상의 안전 장치 필요성을 없애지는 않습니다.
Grok 4.5는 코딩, 에이전트 및 지식 작업을 목표로 하는 최첨단 모델입니다. 가장 큰 실용적 장점은
경쟁력 있는 엔지니어링 성능, 초당 최대 80토큰 처리 속도, 50만 토큰 컨텍스트 윈도우, 그리고 공개된 SWE-Bench Pro 비교에서 더 낮은 토큰 소비량의 조합입니다.
훈련 방식은 대규모 인프라, 큐레이션된 데이터, Cursor 상호작용 기록, 그리고 실제 도구 사용 환경에서의 강화 학습을 결합합니다. 이는 모델이 단순 코드 생성에서 더 길고 종단 간 워크플로우로 나아가도록 돕습니다.
주요 이야기는 단순히 Grok의 성능 향상뿐만 아니라, xAI가 실제 작업 완료의 총비용과 속도에서 경쟁하고 있다는 점입니다.
한 문장에서 시작해 몇 분 안에 완전한 웹사이트를 받아보세요.
