xAI가 따라잡았다: Grok 4.6이 달라진 이유

URL: https://www.youtube.com/watch?v=NwstOgsxstQ 날짜: 2026-08-15 채널: Tech Bridge

---

📌 핵심 질문 / Grok 4.6은 무엇이 달라졌으며, 실제로 쓸 만한 모델인가?

==Grok 4.6의 핵심 도약은 새 사전학습(pre-training)보다 Cursor 인수로 확보한 강화학습(RL)·후속학습(post-training)을 Grok 4.5에 적용해 장기 실행 에이전트의 안정성을 높인 데 있다.== 인텔리전스 지표는 최전선 모델과 맞붙을 만큼 올라갔지만, 토큰 효율이 30% 이상 낮아지면서 Grok 4.5가 갖고 있던 독보적인 속도·가격 우위는 약해졌다.

• Artificial Analysis Intelligence Index에서 4.6은 61점으로 5.6 Soul과 나란히 최전선에 합류했다.
• DeepSWE는 Grok 4.5의 54%에서 66%로 상승했고, Frontier Code도 56.6에서 61.3으로 올랐다.
• $2/1M input, $6/1M output으로 여전히 저렴하지만, 실제 작업당 비용은 약 $0.84로 Grok 4.5의 두 배 이상이 됐다.
• 장기 연구·코딩·다중 에이전트 작업은 좋아졌지만, UI 디자인과 2D·3D 게임 재구축은 Fable·Soul·Kimi K3·Muse 12에 크게 뒤졌다.

Grok 4.6은 “가장 좋아하는 모델”이 아니라, xAI가 빠르게 최전선으로 접근하고 있다는 신호다. 당장 Grok 4.5의 속도와 효율을 대체하지는 못하지만, 4.7이 경쟁 구도를 바꿀 가능성을 보여준다.

1. xAI의 급격한 회복과 Grok 4.6의 위치

Grok 4.6의 등장은 한동안 느렸던 xAI의 모델 출시 속도가 Cursor 인수 이후 급격히 빨라진 흐름 위에 놓여 있다.

1.1. 모델 출시 가뭄에서 연속 출시로

1. Cursor 인수 이후의 가속

   1. 긴 공백의 종료: xAI는 몇 달 동안 의미 있는 모델을 거의 내놓지 못했지만, Cursor를 인수한 뒤 Grok 4.5와 Grok 4.6을 연달아 공개했다.
   2. 후속학습 역량 확보: Cursor가 축적한 RL과 post-training 기술이 모델의 사전학습 이후 행동을 개선하는 실질적인 수단이 됐다.

2. Grok 4.5가 만든 기준점

   1. 비(非)Anthropic·OpenAI 모델의 첫 실사용 후보: Grok 4.5는 일상 업무의 기본 모델로 바로 쓰지는 않더라도, Anthropic이나 OpenAI가 아닌 연구소의 모델 중 처음으로 매일 운전해 볼 만한 수준에 도달했다.
   2. 속도와 비용의 특별한 조합: Grok 4.5는 빠른 모드에서 거의 즉시 결과를 내놓았고, 프런티어 모델보다 훨씬 싼 가격이 뚜렷한 정체성이었다.

1.2. 4.6이 해결하려는 문제

1. 장기 실행 에이전트의 신뢰성

   1. 긴 작업 유지: 여러 sub-agent를 장시간 가동하면서도 무엇을 완수해야 하는지 잊지 않고 작업을 이어가는 능력이 좋아졌다.
   2. 에이전트 개발 방식의 변화: 사용자가 짧은 프롬프트의 답을 기다리는 방식보다, 에이전트가 어려운 문제를 오래 풀고 작동하는 결과물을 들고 돌아오는 방식이 중요해지고 있다.

2. 성능과 한계의 동시 등장

   1. 밝은 면: 속도, 가격, 안정성, 장기 작업, 다중 에이전트 조율이 모두 유망하다.
   2. 거친 면: 모델이 완벽하지 않고, UI 이벤트 처리·계획 모드·게임 제작·디자인에서 즉시 드러나는 문제가 있었다.
   3. Grok Build CLI: 공식 Grok Build CLI는 작업 결과를 확인하고 이미지를 다루는 경험이 좋았으며, 실제 평가의 중심 도구로 사용됐다.

1.3. 평가 방식과 벤치마크의 한계

1. 초기 벤치마크 신호

   1. Artificial Analysis: Grok 4.6은 GPT-5.6 Soul과 목을 나란히 하는 수준으로 표시됐고, Fable 5와 Opus 5 바로 뒤에 위치했다.
   2. 비용 대비 변화: 5.6 Soul에 가까운 지능을 5분의 1 수준의 가격으로 제공한다면 모델 시장의 비용 구조가 빠르게 바뀔 수 있다.

2. 점수와 사용감의 불일치

   1. 지표의 불완전성: 벤치마크는 실제로 얼마나 똑똑하고 유용한지를 완전히 측정하지 못한다.
   2. Opus 5 사례: 처음에는 좋아 보였지만 코드 병합을 거듭할수록 문제가 늘었고, 작성한 코드를 청소하는 일이 많아졌다. 모든 지표에서 견고해 보여도 실제 사용에서는 Fable보다 훨씬 싫어질 수 있다.
   3. 별명으로 드러난 불신: 겉보기에는 그럴듯하지만 뒤처리를 남기는 Opus의 결과물을 “slopus”라고 부를 만큼, 점수와 실전 품질의 차이가 컸다.

2. Grok 4.6의 학습 변화: 새 사전학습이 아니라 강한 후속학습

Grok 4.6은 Grok 4.5를 기반으로 더 긴 보충 학습과 SFT·RL을 거쳐 장기 작업에 맞게 행동을 조정했다.

2.1. Cursor 인수가 가져온 RL·post-training

1. 기술적 성격

   1. 새로운 pre-training 아님: Grok 4.6은 완전히 새로 사전학습한 모델이 아니라 Grok 4.5 위에 새로운 post-training을 얹은 모델이다.
   2. Cursor의 자산: Cursor 인수로 확보한 미친 수준의 RL·후속학습 파이프라인이 사전학습이 끝난 뒤 모델 행동을 개선하는 데 쓰였다.

2. 보충 학습과 데이터 구성

   1. 긴 supplemental training: 4.5보다 긴 보충 학습을 수행했다.
   2. 추론·기술 데이터: 추론(reasoning), 고급 기술 개념, 고품질 엔지니어링 자료를 포함한 curated model-generated data를 사용했다.
   3. 학습 레시피 개선: optimizer와 training recipe를 개선해 SFT와 RL 단계가 더 강한 기반 위에서 진행되도록 했다.

2.2. SFT·RL 단계의 작업 궤적 재생성

1. 다양한 분야의 trajectory

   1. 추론 노력: Grok 4.5를 활용해 reasoning effort에 해당하는 SFT trajectory를 다시 생성했다.
   2. 에이전트 harness: 실제 도구를 사용하는 agent harness 안에서의 작업 궤적을 수집했다.
   3. 업무 범위: STEM, software engineering, knowledge work를 모두 포함했다.

2. 문제 궤적의 제거와 검증

   1. 모델 기반 필터링: 문제가 있는 trace를 model-based check로 걸러냈다.
   2. 행동 개선: 결과로 나온 SFT checkpoint는 기본 성능이 강해졌고, 긴 작업에서의 행동도 좋아졌다.
   3. RL 적용 범위: knowledge work, 일반 코딩, kernel optimization·web development·computer-aided design 같은 도메인 환경에서 agentic RL 작업을 수행했다.

2.3. 넓은 제품 아이디어를 작동하는 결과로 바꾸기

1. 아이디어에서 첫 버전까지

   1. 낯선 영역 조사: 사용자가 제시한 제품 아이디어를 처음 보는 도메인이라도 조사한다.
   2. 앱 구조화: 조사한 내용을 앱 구조와 핵심 상호작용으로 바꾼다.
   3. 작동하는 초안: 핵심 기능이 실제로 움직이는 첫 버전을 만든다.

2. 긴 궤적에서의 자기 점검

   1. 반복 개선: 여러 차례의 피드백을 거치면서 결과물을 다듬는다.
   2. self-test와 verification: 긴 trajectory에서 스스로 만든 결과를 더 많이 테스트하고 검증한 뒤 다음 단계로 이동한다.
   3. 기존 약점과의 대비: 예전 Grok은 전체를 한 번에 쓴 다음 어떤 때는 작동하고 어떤 때는 실패했지만, 4.6은 장기 작업에 더 많은 점검을 넣으려 한다.

2.4. 안전성 평가의 확대

1. 새로운 safeguards

   1. 능력 확대에 따른 위험: 해킹 가능성 같은 새 위험에 대응하기 위해 safeguard를 추가했다.
   2. 평가 범위: 배포 전 capability·safeguard calibration 테스트를 역대 가장 넓은 범위로 수행했다.
   3. 배포 후 검증: 배포 후 테스트와 제3자 테스트도 함께 진행했다.

2. 실제 보안 감사로 검증하기

   1. 질문: 실제 코드베이스를 철저히 감사해 출시 준비 여부와 우선 수정할 문제를 묻는 방식으로 장기 에이전트 능력을 시험했다.
   2. 기대치: 벤치마크 점수보다 실제 프로젝트의 보안·구조·운영 맥락을 얼마나 오래 유지하는지가 중요한 검증 기준이 됐다.

3. 벤치마크에서 확인된 성능 상승

Grok 4.6은 4.5 대비 한 달 남짓한 기간에 큰 폭으로 상승했으며, 특히 에이전트·코딩 관련 평가에서 최전선 모델과의 간격을 줄였다.

3.1. Artificial Analysis와 종합 지능 지표

1. 최전선 진입

   1. 점수 61: SpaceX AI의 Grok 4.6은 Artificial Analysis Intelligence Index에서 61점을 기록해 5.6 Soul과 같은 프런티어 라인에 합류했다.
   2. 4.5 대비 +5점: Grok 4.5가 공개된 지 한 달여 만에 5점이 상승했다.
   3. 4.3 대비 +23점: 비교적 최근 모델인 Grok 4.3과 비교해도 23점 높은 수치다.

2. 세부 평가 결과

   1. DeepSWE: 4.5의 54%에서 4.6의 66%로 올라갔다. post-training만으로 12%p 상승한 것은 큰 도약이다.
   2. CursorBench: 상승 폭은 더 작았지만 4.6이 5.6 Soul을 넘어섰다.
   3. 데이터 오염 주의: CursorBench 데이터가 실수로 모델 학습에 들어갔을 가능성이 있으며, CursorBench 3.2에서 정리했을 수 있지만 확실하지 않다.
   4. Frontier Code: 56.6에서 61.3으로 상승해 Soul과 Fable 사이의 중간에 자리했다.
   5. AI Briefcase·Harvey Lab Evals: 두 평가에서 best-in-class 결과를 냈다.
   6. GDPval: 크게 뛰었지만 실제 유용성을 판단하는 핵심 지표로 보기는 어렵다.

3.2. 출시·접근 경로

1. 사용 가능 위치

   1. Cursor: Cursor 안에서 Grok 4.6을 사용할 수 있다.
   2. Grok Build: 공식 Grok Build에서도 바로 접근할 수 있다.
   3. 첫 주 혜택: Grok Build의 Cursor subscription 안에서 첫 주 동안 사용량을 2배로 제공했다.

2. 개인 사용 경로

   1. X Premium: 이미 X의 blue check와 광고 제거가 포함된 월 $40 Pro tier를 사용하고 있어 별도 API 구매 없이 구독에 포함된 Grok 사용량을 활용했다.
   2. 실제 사용 범위: 게임을 여러 개 만들고, T3 Code에서 Cursor와 Grok의 기능을 맞추는 실무 코드를 고쳤다.
   3. T3 Code 연동: Grok bindings를 빠르게 통합했고, Grok Build 팀과 협력해 연동을 완성했다.

4. 가격·토큰 효율의 역전

4.6은 지능을 올리는 대신 Grok 4.5의 가장 강력했던 가격·속도 장점을 희생했다.

4.1. 프런티어급 지능을 낮은 가격에 제공하기

1. API 가격

   1. 입력: 1M 토큰당 $2다.
   2. 출력: 1M 토큰당 $6다.
   3. 상대 가격: Opus 5보다 60% 저렴하고 5.6 Soul보다도 저렴하다.

2. 작업당 비용

   1. Grok 4.6: 작업당 약 $0.84로 계산된다.
   2. 비교 모델: Kimi K3와 비슷한 비용에 약간 더 높은 지능을 제공한다.
   3. 저가 구간: Gemini 3.6 Flash와 Terra보다 조금 비싸고, 5.6 Soul보다 조금 싸다.
   4. Fable과의 차이: Fable 5의 작업당 $3.14에 비해 Grok 4.6은 $0.84로 크게 싸다.

4.2. 4.5보다 두 배 이상 비싸진 실제 비용

1. 토큰 증가

   1. 30% 이상 증가: 한 번의 실행에서 사용하는 토큰 수가 30% 넘게 늘었다.
   2. 효율성 상실: Grok 4.5는 5.6 Soul보다 토큰 효율이 좋은 몇 안 되는 주요 모델이었지만, 4.6은 더 이상 그 마법 같은 효율을 유지하지 못한다.
   3. 상대적 위치: 그래도 Fable과 비교하면 효율이 비슷하거나 나은 편이지만, “작고 빠르고 싼 모델”이라는 독특한 포지션은 약해졌다.

2. 가격표에 가려진 증가

   1. 표면 가격: 토큰당 가격만 보면 여전히 매력적이다.
   2. 실제 총액: 토큰 수가 늘어나 Grok 4.5보다 실제 작업 비용이 두 배 이상 증가했다.
   3. 현금화된 효율 저하: 더 많이 생각하고 더 긴 답을 생성하면서 지능 상승이 비용으로 바뀌었다.

4.3. 컨텍스트와 캐시 비용

1. 유지된 사양

   1. 컨텍스트 창: 500K 토큰으로 4.5와 같다.
   2. 기본 가격: 표면적인 입력·출력 가격 구조도 같은 프런티어 비교선 안에서 이해할 수 있다.

2. 상승한 캐시 읽기 비용

   1. 기존: 캐시에서 읽는 토큰은 1M당 3센트였다.
   2. 현재: 4.6에서는 1M당 5센트로 올라갔다.
   3. 영향: 긴 에이전트 작업에서 캐시 읽기와 토큰 증가가 누적돼 작업당 비용 상승을 더 키울 수 있다.

4.4. 속도 하락이 만드는 사용감 변화

1. 4.5의 즉시성

   1. 빠른 실행: 4.5 테스트는 거의 즉시 끝나서 오히려 이상할 정도로 빨랐다.
   2. 고유한 가치: 프런티어와 특정 능력을 겨루기보다, 훨씬 빠르고 싼 점이 4.5를 독특하게 만들었다.

2. 4.6의 긴 대기

   1. 일반적인 프런티어 경험: 프롬프트를 보내고 다른 일을 하러 가야 하는 익숙한 대기 시간이 돌아왔다.
   2. 원인: 더 많은 토큰을 생성하고 더 오래 생각하기 때문이다.
   3. 결과: 지능이 늘었지만 속도와 비용이라는 기존 리더십이 동시에 약화됐다.

5. UI 디자인에서 드러난 약점

Grok 4.6은 장기 코드 작업에서는 강점을 보였지만, 시각적 완성도와 디자인 감각은 최전선 경쟁자보다 한 세대 뒤처졌다.

5.1. 기본 디자인 출력

1. 시각적 일관성 부족

   1. 노이즈 패턴: 배경의 noise pattern이 산만하다.
   2. 텍스트와 배경의 충돌: 날카로운 텍스트와 흐릿한 배경이 어울리지 않아 화면이 하나의 언어로 묶이지 않는다.
   3. 오래된 AI 느낌: 결과가 초기 GPT-5.0 시기의 AI slop처럼 느껴졌다.

2. 반복되는 레이아웃 관습

   1. 보라색과 mock app: 보라색을 활용한 화면과 한쪽 모서리의 작은 mock app은 아이디어는 있지만 정교하지 않다.
   2. 카드 과잉: 카드가 너무 많고, 낡은 Tailwind 템플릿처럼 보인다.
   3. 브루털리즘과 중앙 정렬: 여러 시안이 비슷한 brutalism을 반복하거나 지루한 중앙 정렬 페이지에 머문다.

5.2. 디자인 스킬과 경쟁 모델 비교

1. 스킬 적용 전후

   1. 기본 출력의 한계: 디자인 스킬 없이 생성한 시안 대부분은 인상적이지 않았다.
   2. Claude 디자인 스킬: Claude의 design skill을 사용하면 몇몇 결과는 더 좋아지지만, 그 자체가 Grok의 기본 디자인 감각을 해결하지는 않는다.
   3. 부분적인 아이디어: hover 시 떠오르는 카드 같은 아이디어는 있었지만 정리가 덜 됐다.

2. Fable·Opus·Soul과의 격차

   1. Fable 5: 비슷한 디자인 작업에서 훨씬 나았고, 차이가 우스울 정도로 컸다.
   2. Opus 5: 터미널 스타일 시안은 싫었지만 나머지 결과는 Grok보다 훨씬 좋았다.
   3. 5.6 Soul: 종종 촌스러운 결과를 내더라도 이 유형의 페이지에서는 의미 있게 더 나았다.

6. Fish Slop 게임 재구축 실험

기존 복잡한 게임 코드베이스를 참고해 새 버전을 만드는 작업은 모델이 시스템 간 관계를 이해하고 끝까지 유지하는지를 드러냈다.

6.1. 2D 게임의 재구축

1. 실험 배경

   1. 기존 프로젝트: 이전에 Opus 4.5로 만들다 중단한 Fish Slop은 Insaniquarium의 미친 수족관 게임을 의도한 프로젝트였다.
   2. 평가 방식: 기존 코드베이스와 자산을 참고하되, 처음부터 새 버전을 만들도록 요청했다.
   3. 평가 대상: 게임의 여러 시스템 사이 관계를 이해하고, 기능을 끝까지 묶어내는 능력을 확인했다.

2. 조작·비율 문제

   1. 컨트롤: 조작감이 나쁘고, 움직임이 자연스럽지 않았다.
   2. 요소 크기: 물고기 먹이는 지나치게 크고 물고기는 너무 작았다.
   3. 선택 상태: 하단에서 선택한 요소가 마우스를 떼어도 계속 강조 표시됐다.

3. 게임 루프 문제

   1. 성장 속도: 생물이 충분히 빨리 성장하지 않았다.
   2. 진행 속도: 다음 단계로 넘어가는 데 너무 오래 걸렸다.
   3. 상대 평가: Kimi K3가 같은 작업에서 Grok 4.6보다 의미 있게 더 나은 결과를 냈다.

6.2. 3D 포팅의 첫 실패

1. 검은 화면

   1. 전례 없는 실패: 3D 버전으로 바꾸라는 요청에서 처음 열었을 때 검은 화면만 나왔다.
   2. 기존 모델과의 차이: 다른 모델은 버그나 움직임·메커니즘·3D 모델 문제가 있어도 최소한 3D 환경을 열었고, GPT-4조차 그 단계까지는 갔다.
   3. 실패의 의미: Grok 4.6은 이 작업에서 3D 포팅 자체를 outright fail한 첫 모델이었다.

2. 스크린샷 피드백 이후

   1. 수정 시도: 실패 화면의 이미지를 주고 고치도록 요청했다.
   2. 좌우 반전: 위·아래 방향은 맞았지만 왼쪽과 오른쪽이 뒤집혔다.
   3. 공간 배치: 지면 위에 놓인 요소들의 위치가 전반적으로 잘못됐고, 3D 모델의 품질도 매우 낮았다.
   4. 자체 평가: 한동안 본 것 중 최악의 3D 패스였으며, 전년도의 모델에서 기대할 법한 수준이었다.

6.3. Muse 12와 Kimi K3의 대비

1. Muse 12

   1. 저렴한 대안: 훨씬 싼 오픈 계열 모델이 방향 문제를 조금 겪으면서도 실제로 작동하는 3D 환경을 만들었다.
   2. 게임성: 이동과 핵심 메커니즘이 Grok보다 훨씬 잘 작동했다.

2. Kimi K3

   1. 세대 차이: 지면 위 사물의 모델링, 조명, 핵심 작동에서 Grok보다 한참 앞섰다.
   2. 오픈 웨이트의 의미: 온라인에서 가중치를 내려받을 수 있는 오픈 웨이트 모델이 이 정도로 더 나은 3D 결과를 낸다는 점이 두드러졌다.
   3. 물고기 모델: Kimi K3가 만든 물고기 모델은 지금까지 본 모델 중 가장 좋은 3D 모델링 결과에 가까웠다.
   4. 종합 판단: Grok 4.6의 3D 결과는 단순히 덜 인상적인 정도가 아니라 한 세대 전 수준이었다.

7. 실제 코드베이스에서의 장기 작업

실제 보안 감사와 T3 Code의 Cursor·Grok Build 연동 작업은 디자인 실험보다 Grok 4.6의 강점을 잘 보여줬다.

7.1. 실제 프로젝트 보안 감사

1. 기존 맥락을 찾아가는 능력

   1. Git history 활용: 프로젝트의 과거 보안 감사를 찾아냈다.
   2. 문맥 유지: 코드베이스의 broker, worker isolation, storage control plane을 읽고 구조적 위험을 검토했다.

2. 제안된 수정 사항

   1. 엔드포인트 보호: 엔드포인트를 잠그기 위한 조언을 적용한다.
   2. 공개 접미사 목록: public suffix list에 프로젝트를 올리는 방안을 제시했다.
   3. 브라우저 격리: 모든 capsule 페이지에 Chrome을 임베드한다.
   4. 관리자 UI: admin trust and safety UI를 완성한다.
   5. 토큰 노출 제거: identity token을 URL에 넣지 않는다.
   6. 운영 플래그 제한: 넓은 출시 시 production에서 sandbox-off 플래그를 거부한다.

3. 감사 품질

   1. 실제 가치: 실행 가능한 조언이 많았고, 작업 중 에러나 문제를 새로 만들지 않았다.
   2. 한계: 더 깊은 문제를 전부 찾지는 못했지만, 실무 초기 보안 감사로는 받아들일 만했다.

7.2. T3 Code의 Cursor 연동을 ACP에서 SDK로 옮기기

1. 마이그레이션 배경

   1. 낡은 어댑터: T3 Code의 현재 빌드는 Cursor CLI의 오래된 ACP adapter를 사용한다.
   2. 새 방향: Cursor가 유지보수하는 SDK로 옮기는 것이 권장된다.
   3. 관련 작업: Julius가 진행한 새 orchestrator 작업에도 SDK 전환이 포함된 것으로 보인다.

2. SDK가 맞는 이유

   1. 장기 GUI host: 장시간 살아 있는 GUI 호스트에 필요한 실제 model catalog를 제공한다.
   2. 작업 제어: resume, cancel, image, usage 정보를 다룰 수 있다.
   3. 유지보수 주체: Cursor가 실제로 유지하는 인터페이스이므로 ACP보다 미래성이 높다.

3. ACP와 SDK의 불편한 차이

   1. 콜백 문제: ACP의 host contract와 built-in callbacks가 현재 바인딩에서 실제 문제를 만들었다.
   2. 라이선스: 공식 문서의 라이선스가 MIT가 아니라서 확인이 필요하다.
   3. 승인 UI 부재: SDK는 GUI 수준의 approve·deny를 제공하지 않는다.
   4. 질문 차단 부재: blocking ask-question 흐름을 지원하지 않는다.
   5. 로그인 재사용 불가: 기존 에이전트 로그인을 재사용할 수 없어 별도 로그인을 구현해야 한다.
   6. 현실적인 우선순위: 대부분을 auto-run하는 환경이라 승인 UI 부재는 감수할 수 있지만, 자체 로그인 구현은 성가신 작업으로 남는다.

7.3. 계획 모드와 이벤트 UI의 거친 부분

1. 계획 승인 실패

   1. 클라이언트 연결 종료: plan approval이 완료되기 전에 client가 disconnected 됐다.
   2. 계획 모드 잔류: Grok은 plan mode를 활성 상태로 남겼지만 계획을 UI 어디에도 제대로 표시하지 않았다.
   3. 운영 대응: legacy plan mode를 켜야 하는 상황이 됐다.

2. Grok Build 이벤트 문제

   1. 이벤트 정리 필요: ACP가 보내는 이벤트 구조가 이상해 T3 Code 쪽에서 더 많은 cleanup 작업이 필요하다.
   2. UI 접힘: HTML skill을 호출한 뒤 결과 UI가 다시 접혔다.
   3. 한계의 성격: 모델의 계획·코드 능력과 별개로, harness의 이벤트 표현 계층이 결과를 가렸다.

7.4. 계획부터 PR 관리까지 이어진 작업

1. Grok Build 구현의 공백 찾기

   1. 비교 질문: T3 Code의 Grok Build 구현이 다른 harness와 비교해 어떤 부분이 비어 있는지 물었다.
   2. 계획 수립: Grok 4.6은 구현 공백을 훑고 계획을 작성했다.
   3. 스킬 호출: HTML이라는 짧은 피드백이 HTML skill을 실행했다.

2. 대규모 PR 수행

   1. 끝까지 실행: 계획을 갱신하고 전체 계획을 구현한 뒤 PR을 열고, 병합될 때까지 babysit하도록 했다.
   2. 리뷰 대응: GitHub에서 Macroscope의 리뷰 피드백을 받고 변경 사항을 크게 수정했다.
   3. 대리 응답 표시: 실제 계정으로 답글을 달되, 어떤 모델이 Theo를 대신해 답하는지 PR 댓글 첫머리에 표시하는 개인 skill을 따랐다.
   4. 규모: Grok Build 커버리지의 여러 공백을 보완하는 약 1,000줄 규모의 PR이었다.

3. 스택된 PR과 개인 기록 조사

   1. 실제 컴퓨터의 기록: 처리한 이벤트와 실제로 발생한 이벤트의 차이를 찾기 위해 컴퓨터의 history를 직접 조사하게 했다.
   2. 별도 PR: 이미 열린 PR 위에 추가 변경을 얹는 stacked PR을 만들도록 했다.
   3. 컨텍스트 유지 난이도: 이전 PR과 새 PR의 차이, 조사 결과, 로컬 history, 여러 skill의 규칙을 동시에 유지해야 해서 단순 코드 생성보다 어려운 작업이다.
   4. Grok 4.5와의 연결: Grok 4.5도 서로 무관해 보이는 여러 단계의 일을 한 스레드에서 일관되게 처리하는 능력이 좋았고, 4.6은 그 강점을 이어가면서 더 깊게 검증하려 한다.

8. 모델별 실사용 점수와 Grok 4.6의 평가

비용·지능·속도·철저함·오케스트레이션을 따로 보면, 4.6의 상승과 회귀가 동시에 보인다.

8.1. 비교 기준: Fable·Soul·Grok 4.5

1. 비용

   1. Fable: 너무 비싸다.
   2. Soul: Fable보다 훨씬 낫다.
   3. Grok 4.5: 비용 면에서는 확실히 더 좋았다.

2. 지능

   1. Fable: 현재 가장 강하다.
   2. Soul: 놀랄 만큼 강하지만 Fable에는 조금 못 미친다.
   3. Grok 4.5: 두 모델보다 낮게 평가된다.

3. 속도

   1. Fable: 매우 느리다.
   2. Soul: 토큰 효율이 좋아 의미 있게 빠르다.
   3. Grok 4.5: 특히 fast mode에서 날아갈 정도로 빨랐다.

4. 철저함

   1. Fable: 사려 깊지만 여기저기 빠뜨리는 것이 있어 thorough하기보다는 thoughtful하다.
   2. Soul: 모든 것을 확인하고 모든 edge를 건드릴 만큼 매우 철저하지만, 그 결과 코드를 너무 많이 쓴다.
   3. Grok 4.5: 철저함에서는 부족했다.

5. 오케스트레이션

   1. Fable: 가장 강하다.
   2. Soul: 놀랄 만큼 가깝게 따라간다.
   3. Grok 4.5: 대부분의 모델보다 낫지만 선두에는 못 미친다.

8.2. Grok 4.6에 매긴 체감 점수

1. 비용 6점 안팎

   1. 회귀 원인: 토큰당 가격이 아니라 토큰 효율이 내려가면서 실제 비용이 상승했다.
   2. 잔존 장점: 그래도 프런티어 모델과 비교하면 저렴한 편이다.

2. 지능 6.5점

   1. 확실한 상승: 매번 압도적으로 더 똑똑한 모습은 아니지만, 의미 있게 좋아졌다고 자신 있게 말할 수 있다.
   2. 벤치마크와 실전의 결합: 61점, DeepSWE·Frontier Code 상승은 장기 에이전트 능력의 실제 개선과 맞물린다.

3. 속도 5.5점 이하

   1. 가장 큰 회귀: 4.5가 가진 빠른 응답성이 사라졌다.
   2. 대기 비용: 더 많은 토큰을 생성하기 때문에 프런티어 모델처럼 프롬프트를 보내고 다른 일을 해야 한다.

4. 철저함은 소폭 상승

   1. 개선: 자기 테스트와 검증이 늘었다.
   2. 잔여 문제: 여전히 중요한 것을 놓치는 경우가 있어 완전한 해결은 아니다.

5. 오케스트레이션 6.5점

   1. sub-agent 사용: 여러 sub-agent를 꽤 괜찮게 활용했다.
   2. 잠재력: 긴 작업을 유지하는 능력이 점수 상승을 뒷받침하지만, Fable과 Soul을 모두 넘어선 것은 아니다.

8.3. 왜 Grok 4.6이 아쉽게 느껴지는가

1. Grok의 기존 리더십 상실

   1. 원래의 강점: Grok이 선두였다고 볼 수 있었던 영역은 속도와 비용이었다.
   2. 동시 회귀: 4.6에서 비용과 속도가 함께 나빠졌다.
   3. 차별화 약화: 특정 능력에서 프런티어와 동급이어서가 아니라, 훨씬 빠르고 싼 점 때문에 4.5가 독특했는데 그 간격이 줄었다.

2. 지능 성장 속도가 주는 기대

   1. 빠른 추격: 4.6의 지능 상승 속도는 4.7이 비용·속도 외의 영역에서도 빠르게 따라잡을 가능성을 보여준다.
   2. 다음 모델의 방향: 4.6의 후속학습 기반과 SpaceX 데이터가 결합되면 더 큰 변화가 가능하다.

주요 발언 모음

“Grok 4.6은 빠르고, 싸고, 안정적이며, 많은 sub-agent가 참여하는 장기 작업에서 해야 할 일을 잊지 않는다.”

“지능이 싸지고 있는 동안 내 급여는 싸지지 않는다.”

“4.6은 새 pre-training이 아니라 Grok 4.5 위에 올린 새로운 post-training이다.”

“4.5에서 54%였던 점수가 66%로 올라간 것은 post-training 개선으로서는 엄청난 상승이다.”

“Grok 4.5가 특별했던 이유는 특정 작업에서 프런티어만큼 잘해서가 아니라, 프런티어와 속도·가격 차이가 충분히 커서 독특하게 유용했기 때문이다.”

“Grok 4.6이 내가 가장 좋아하는 모델인가? 아니다. 앞으로 많이 쓸 것인가? 아마 아닐 것이다. 하지만 Grok 4.7은 정말 기대된다.”

“더 많은 경쟁, 더 좋은 모델, 더 싼 모델을 만들기 위해 싸우는 더 많은 회사가 필요하다.”

핵심 데이터와 수치

• 영상 길이: 1,430초(약 23분 50초)다.
• Artificial Analysis Intelligence Index: Grok 4.6은 61점으로 5.6 Soul과 같은 프런티어 라인에 올랐다.
• 지능 지표 상승: Grok 4.5 대비 +5점, Grok 4.3 대비 +23점이다.
• DeepSWE: 54%에서 66%로 12%p 상승했다.
• Frontier Code: 56.6에서 61.3으로 올랐다.
• Context window: 500K 토큰으로 유지됐다.
• API 가격: 입력 1M 토큰당 $2, 출력 1M 토큰당 $6이다.
• 작업당 비용: Grok 4.6 약 $0.84, Fable 5 약 $3.14다.
• 가격 비교: Grok 4.6은 Opus 5보다 토큰당 60% 저렴하다.
• 토큰 사용량: 4.5보다 실행당 30% 이상 늘었다.
• 캐시 읽기: 1M 토큰당 3센트에서 5센트로 올랐다.
• Cursor 사용량: 출시 첫 주 Grok Build의 Cursor subscription에서 2배 사용량을 제공했다.
• X Premium 사용 경로: 광고 제거가 포함된 Pro tier는 월 $40이다.
• Grok 4.7 예고: 초기 학습이 끝났고 3~4주 안에 준비될 수 있으며, SpaceX의 대규모 사내 데이터를 supplemental training에 추가할 예정이다.
• PR 규모: T3 Code의 Grok Build 커버리지 공백을 다루는 변경은 약 1,000줄이었다.

결론 및 시사점

1. Grok 4.6의 본질은 post-training 경쟁이다: Cursor 인수로 확보한 RL·SFT·agent harness 경험이 장기 에이전트의 자기 검증과 작업 유지력을 끌어올렸다.
2. 최전선 지능에는 가까워졌다: 61점, DeepSWE 66%, Frontier Code 61.3은 단순한 마케팅이 아니라 4.5 대비 뚜렷한 상승을 보여준다.
3. 가격표만 보면 안 된다: $2/$6의 토큰 가격은 낮지만, 실행 토큰이 30% 이상 늘어 실제 작업당 비용은 4.5보다 두 배 이상 높아졌다.
4. 속도·비용의 차별화가 약해졌다: 4.5의 가장 큰 장점이던 거의 즉시 응답과 저비용이 사라져, 단순히 “더 싸고 빠른 프런티어”라고 부르기 어려워졌다.
5. 작업 종류에 따라 선택이 갈린다: 실제 보안 감사, 코드베이스 마이그레이션, 다중 에이전트 장기 실행에는 유망하지만, 시각 디자인과 3D 게임 제작에는 Fable·Soul·Kimi K3·Muse 12가 낫다.
6. 하네스 계층도 품질의 일부다: 계획 승인, 로그인 재사용, approve·deny, blocking question, ACP 이벤트가 불안정해 모델 자체의 능력이 UI와 통합 계층에서 깎였다.
7. 벤치마크는 오염·사용감과 함께 읽어야 한다: CursorBench 학습 데이터 혼입 가능성과 Opus 5의 점수-실전 격차는 숫자만으로 모델을 고르면 안 된다는 경고다.
8. 4.7의 기대가 4.6의 가장 큰 성과다: SpaceX 데이터와 빠른 후속학습이 결합되면 xAI가 비용·속도·오케스트레이션의 균형을 다시 찾을 수 있다.
9. 경쟁은 사용자에게 유리하다: Grok이 빠르게 따라붙고 모델 가격이 내려가면, 특정 연구소의 독점보다 더 많은 선택지와 낮은 비용이 생긴다.