그록 4.5, 코딩 벤치마크에서 토큰을 옵스 4.8의 4분의 1만 썼어요
터미널벤치 2.1에서 83.3%를 찍었는데, 정작 눈에 띄는 건 점수보다 “얼마나 적게 썼나”예요.
무슨 일이 있었나
터미널벤치는 AI가 실제 터미널 환경에서 코딩·시스템 작업을 얼마나 잘 처리하는지 보는 벤치마크예요. 그록 4.5가 이 테스트(2.1 버전)에서 83.3%를 기록했는데, xAI는 여기서 점수보다 토큰 효율을 더 강조했어요 — 같은 수준 작업을 옵스 4.8이 쓰는 출력 토큰의 4분의 1 정도로 끝냈다는 거예요.
왜 “점수”가 아니라 “토큰 수”를 자랑할까
API 비용은 결국 토큰 단위로 청구돼요. 점수가 조금 높은 것보다, 같은 결과를 훨씬 적은 토큰으로 뽑아낸다는 주장이 실무자 입장에선 더 체감되는 차이예요. 코딩 에이전트를 하루 종일 돌리는 회사라면 토큰 소모량이 곧 청구서 액수거든요.
이건 앞서 나온 오픈AI GPT-5.6의 “용도별 가격표” 전략과도 맞닿아 있어요 — 지금 AI 업계 경쟁이 “누가 더 똑똑하냐”에서 “누가 더 적게 쓰고 같은 결과를 내냐”로 옮겨가는 흐름이 뚜렷해지고 있어요.
지금 확인해볼 것
- 코딩 에이전트를 API로 돌리고 있다면, 같은 작업을 그록 4.5로 한 번 테스트해서 실제 토큰 청구량 차이를 비교해볼 것
- 벤치마크 점수만 보지 말고, 실제 작업에서 응답이 얼마나 장황한지(불필요한 설명·재확인 반복)를 직접 체크해볼 것
마치며
벤치마크 숫자는 회사마다 유리한 조건에서 잰 수치일 수 있으니 그대로 믿기보단, 실제로 쓰는 작업에 맞춰 직접 비교해보는 게 안전해요. 다만 “토큰 효율”이 다음 라운드 AI 경쟁의 핵심 화두가 됐다는 흐름 자체는 기억해둘 만해요.
궁금한 점
Q. 토큰을 적게 쓰면 무조건 더 좋은 건가요?
A. 꼭 그렇진 않아요. 답변이 너무 짧아서 설명이 부족해지는 경우도 있어서, 실제 작업 결과물 품질을 같이 봐야 해요.
Q. 터미널벤치 83.3%는 어느 정도 수준인가요?
A. 실제 개발 작업(파일 조작, 명령어 실행 등)을 어느 정도 자율적으로 처리하는지 보는 지표예요. 절대적인 “얼마나 똑똑한가”보다는 “실무 자동화에 얼마나 쓸만한가”에 가까운 테스트예요.