Grok 4.6 공개 분석: GPT-5.6 Sol과 동률, 성능·비용·한계까지 확인할 부분

xAI가 2026년 8월 12일(한국 시간 13일) Grok 4.6을 공개했습니다. 이번 모델은 짧은 질문에 빠르게 답하는 용도보다 코딩, 에이전트 작업, 지식 노동처럼 여러 단계를 거쳐 결과물을 완성해야 하는 작업을 겨냥합니다.

공개 자료 기준으로 Grok 4.6은 독립 평가에서 GPT-5.6 Sol과 같은 최상위권 점수를 받았고, 일부 지식 노동·법률·에이전트 효율 평가에서는 경쟁 모델보다 앞섰습니다. 반면 실제 코드 저장소 수정이나 터미널 사용처럼 실행 환경과 도구 호출이 중요한 영역에서는 약점도 확인됩니다. 따라서 “모든 분야에서 가장 강한 모델”이라기보다는, 긴 작업을 비교적 적은 호출로 처리하는 모델로 보는 편이 정확합니다.

Grok 4.6의 공개 정보와 사용 조건

Grok 4.6의 API 가격은 직전 모델과 같은 기본 단가로 발표됐습니다. 입력은 100만 토큰당 2달러, 출력은 6달러이며, 컨텍스트 길이는 Grok 4.5와 같은 50만 토큰입니다. 추론 강도에는 가장 깊게 사고하는 xhigh 단계가 새로 추가됐습니다.

공개 당일부터 Cursor, xAI의 Grok Build, API에서 사용할 수 있다는 점도 특징입니다. 특히 Cursor와 Grok Build를 통해 모델을 단순한 대화형 챗봇이 아니라 코드 작성과 수정, 웹 개발 같은 작업을 수행하는 에이전트로 사용할 수 있도록 배치한 모습입니다.

다만 API 비용을 볼 때 기본 단가만 보고 판단하면 안 됩니다. 프롬프트가 20만 토큰을 넘는 요청에는 입력 4달러, 출력 12달러가 적용됩니다. 중요한 점은 20만 토큰을 초과한 부분만 비싸지는 것이 아니라, 해당 요청 전체에 높은 단가가 적용된다는 설명입니다. 50만 토큰 컨텍스트를 실제로 활용하는 장시간 작업이라면 표면적인 가격표와 실제 청구액 사이에 차이가 커질 수 있습니다.

구분	입력(100만 토큰)	출력(100만 토큰)
기본	2달러	6달러
프롬프트 20만 토큰 초과	4달러	12달러
캐시 입력	0.5달러 (4.5는 0.3달러)	—

캐시 입력 가격도 100만 토큰당 0.5달러로, Grok 4.5의 0.3달러보다 올랐습니다. 긴 문서를 반복해서 참조하는 애플리케이션에서는 캐시 적중률과 요청 단위의 토큰 규모를 함께 계산해야 합니다.

독립 평가에서 확인된 현재 위치

Artificial Analysis의 Intelligence Index에서 Grok 4.6은 61점을 기록했습니다. 비교해 보면 GPT-5.6 Sol(Max)과 동률이며, Claude Opus 5의 63점과 Fable 5의 62점 바로 아래에 위치합니다. Kimi K3보다는 앞선 점수입니다.

상승 속도도 눈에 띕니다. Grok 4.5는 같은 지수에서 56점이었는데, 약 5주 만에 4.6이 5점을 올렸습니다. Grok 4.3과 비교하면 상승 폭은 23점입니다. 단기간에 모델의 순위가 크게 바뀐 만큼, xAI가 학습과 평가를 빠르게 반복하고 있다는 신호로 해석할 수 있습니다.

다만 이 점수만으로 실제 사용 경험까지 동일하게 예측할 수는 없습니다. Intelligence Index는 여러 평가를 종합한 지표이고, 코딩·에이전트·검색·추론 등 세부 능력은 서로 다른 결과를 낼 수 있습니다. 최상위권에 올라왔다는 흐름은 확인되지만, 모든 업무에서 GPT나 Claude를 앞선다는 의미는 아닙니다.

잘하는 작업과 아직 벌어진 격차

강점: 지식 노동과 에이전트

xAI가 공개한 자체 비교표에서는 지식 노동과 장시간 에이전트 작업에서 강점이 강조됐습니다. 지식 노동 능력을 평가하는 GDPval-AA에서 Grok 4.6은 1753점을 기록해 Fable 5의 1741점, GPT-5.6 Sol의 1728점보다 높았습니다. AA-Briefcase에서는 1577점, 법률 벤치마크 Harvey LAB에서는 15.8%로 세 모델 중 가장 높습니다.

Artificial Analysis 평가에서도 GDPval-AA v2의 Elo 점수는 1753점으로 Opus 5에 이어 2위였습니다. 은행 업무를 평가하는 τ³-Banking에서는 50.7%를 기록해 상위 두 모델에 포함됐습니다. 이런 결과는 문서 분석, 업무 절차 수행, 여러 도구를 이어서 사용하는 지식 노동형 에이전트에 Grok 4.6이 적합할 가능성을 보여줍니다.

약점: 저장소와 터미널 작업

반대로 코드 실행 환경을 직접 다루는 평가에서는 격차가 남았습니다. 실제 코드 저장소를 수정하는 DeepSWE에서 Grok 4.6은 65.9%로 GPT-5.6 Sol의 73.0%에 뒤졌습니다. Terminal-Bench v3.0에서도 26.0%에 그쳐 경쟁 모델의 34%대 점수보다 낮았습니다.

평가	Grok 4.6	비교
Intelligence Index	61	Sol 61 동률, Opus 5 63, Fable 5 62
GDPval-AA	1753	Fable 5 1741, Sol 1728
Harvey LAB(법률)	15.8%	세 모델 중 최고
DeepSWE(저장소 수정)	65.9%	Sol 73.0%
Terminal-Bench v3.0	26.0%	경쟁 모델 34%대

이 차이는 코드를 설명하거나 생성하는 능력과, 저장소 구조를 파악하고 명령어를 실행하며 오류를 수정하는 능력이 다르기 때문에 생길 수 있습니다. 개발자가 모델을 선택할 때는 “코딩 모델인가”라는 한 가지 기준보다, 필요한 작업이 코드 초안 작성인지 실제 저장소 운영인지 구분해야 합니다.

에이전트 효율이 비용에 미치는 영향

Grok 4.6의 경쟁력은 토큰 단가보다 작업을 끝내는 방식에서 더 뚜렷하게 나타납니다. 같은 과제를 Grok 4.6은 평균 53턴, 입력 토큰 약 5억 개로 처리했습니다. 비교 대상인 Opus 5(Max)는 평균 103턴과 약 20억 개의 입력 토큰을 사용했습니다.

턴은 모델과 도구 사이의 왕복 횟수입니다. 에이전트 작업에서는 한 번의 응답만 보는 것보다, 파일을 읽고 명령을 실행하고 결과를 확인하는 반복 과정이 전체 비용과 시간에 큰 영향을 줍니다. 같은 결과에 도달한다면 호출 횟수가 적고 불필요한 문맥을 덜 보내는 모델이 실제 운영비에서 유리할 수 있습니다.

GDPval-AA v2 기준 과제당 비용은 0.84달러로 Kimi K3와 같지만, 지능 지수는 조금 더 높습니다. 그러나 이 수치를 일반적인 API 비용으로 받아들이면 안 됩니다. 평가 과제의 길이, 도구 구성, 성공 판정 방식, 토큰 사용량이 실제 서비스와 다를 수 있기 때문입니다.

더구나 한 사용자는 Grok 4.6이 4.5보다 거의 두 배 많은 토큰을 출력한다고 지적했습니다. 사실 여부와 적용 범위는 작업마다 확인해야 하지만, 출력량이 늘어나면 명목 단가가 같아도 실제 비용은 증가합니다. 에이전트를 도입할 때는 100만 토큰당 가격보다 과제 하나를 완료하는 데 필요한 총 입력·출력 토큰과 평균 호출 수를 측정하는 편이 안전합니다.

벤치마크 수치를 읽을 때의 주의점

이번 발표의 자체 차트는 수치 자체와 별개로 표현 방식에 대한 비판을 받았습니다. 막대의 음영과 축 처리 때문에 Grok 4.6이 실제 차이보다 크게 앞선 것처럼 보인다는 지적입니다. 차트는 상대적 격차를 직관적으로 보여주지만, 축의 시작점이나 시각적 강조에 따라 독자가 체감하는 차이가 달라질 수 있습니다.

더 근본적인 문제는 경쟁 모델의 점수가 같은 조건에서 직접 측정된 결과가 아니라는 점입니다. xAI도 경쟁사 수치는 각사의 시스템 카드와 공개 리더보드에서 가져온 값이므로 실행 환경과 평가 조건이 다를 수 있다고 밝혔습니다.

예를 들어 코드 벤치마크는 사용할 수 있는 도구, 인터넷 접근 여부, 시간 제한, 재시도 횟수, 모델이 받는 시스템 프롬프트에 따라 결과가 달라질 수 있습니다. 따라서 xAI의 자체 표는 Grok 4.6이 어떤 영역을 강점으로 내세우는지 파악하는 자료로 보고, 모델 간 우열을 확정하는 자료로 사용하지 않는 것이 좋습니다.

실제 도입을 검토한다면 자신의 업무에서 작은 테스트 세트를 만들어야 합니다. 긴 문서 처리라면 입력 길이별 비용을 확인하고, 코딩이라면 단순 코드 생성과 저장소 수정·테스트·터미널 오류 대응을 나눠 측정해야 합니다. 같은 프롬프트를 한 번 실행한 결과보다 성공률, 재시도 횟수, 총 토큰, 완료 시간까지 함께 기록해야 비교가 가능합니다.

SpaceX·Cursor 통합과 다음 경쟁 구도

Grok 4.6의 빠른 개선은 모델 자체의 학습뿐 아니라 xAI의 사업 통합과도 연결돼 있습니다. SpaceX는 2026년 2월 xAI를 흡수해 Grok과 Colossus 슈퍼컴퓨터를 같은 회사 안에 배치했습니다. 6월에는 코딩 도구 Cursor를 600억 달러 규모의 주식 거래로 인수하기로 했으며, 거래는 3분기 마무리 예정입니다.

이번 발표에서 CursorBench가 주요 평가 지표로 등장하고, Cursor 창업자 마이클 트루엘이 공개 과정에 참여한 것도 이런 구조를 보여줍니다. 실제 개발 환경에서 수집되는 작업 패턴과 오류 사례가 모델 개선에 활용되고, 개선된 모델이 다시 Cursor와 Grok Build에서 사용되는 순환 구조입니다.

훈련 측면에서는 Grok 4.5 체크포인트를 바탕으로 후속 학습을 진행하고, 4.5가 생성한 추론·기술 데이터를 선별해 활용했습니다. 지도학습 데이터도 4.5를 이용해 다시 만들고 자동 검증으로 품질이 낮은 데이터를 제거했습니다. 강화학습 환경은 커널 최적화, 웹 개발, CAD 설계 등 실제 에이전트 작업으로 확대됐으며, NVIDIA GB300 NVL72가 훈련에 사용됐다고 밝혔습니다.

이 방식은 이전 모델이 만든 데이터를 다음 모델의 학습에 재투입해 개선 주기를 줄이는 데 유리할 수 있습니다. 다만 합성 데이터가 많아질수록 자동 검증의 품질과 실제 작업 데이터의 다양성이 중요해집니다. 빠른 출시 자체가 실제 성능의 지속적인 우위를 보장하지는 않습니다.

머스크는 공개 당일부터 Grok 4.7이 현재 출시된 모든 모델을 넘어설 것이라고 예고했습니다. SpaceX의 로켓과 자동차 개발 과정에서 쌓인 엔지니어링 데이터도 차별화된 학습 자산입니다. 하지만 예고와 출시 결과는 구분해야 합니다. 지난해 예고된 Grok 5 대신 이번에 나온 것은 Grok 4.6이므로, Grok 4.7의 우위 역시 실제 독립 평가와 사용 결과가 나온 뒤 판단할 문제입니다.

Grok 4.6은 프런티어 경쟁에 다시 세 번째 축을 만든 모델로 볼 만합니다. 특히 긴 지식 노동과 에이전트 작업에서 적은 왕복으로 결과를 내는 점이 강점입니다. 반면 20만 토큰을 넘는 요청의 가격 구조, 예상보다 많은 출력 토큰, 터미널·저장소 작업의 낮은 점수는 도입 전에 반드시 따로 확인해야 합니다.

지금 단계에서 가장 합리적인 판단 방법은 발표 차트의 순위보다 자신의 업무를 기준으로 테스트하는 것입니다. 짧은 질의응답에는 가격 차이가 작을 수 있지만, 긴 문맥과 반복적인 도구 호출이 필요한 서비스에서는 토큰 사용량과 성공까지의 턴 수가 비용을 좌우합니다. 독립 평가에서 현재 위치를 유지하는지, 20만 토큰 이상 작업에서도 효율이 유지되는지가 Grok 4.6의 실제 경쟁력을 가를 핵심 조건입니다.