Grok 4.5 공개와 훈련 구조·학습 환경의 핵심 요소

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

SpaceXAI가 공개한 Grok 4.5는 mixture-of-experts 구조를 바탕으로 수조 토큰의 Cursor 데이터를 활용해 개발자 상호작용과 툴 사용 패턴을 학습하고, 학습 데이터 믹스를 Composer 2.5보다 넓게 구성해 STEM 과제와 연구 논문까지 포함해 다분야 능력을 확보했다. 훈련 과정에서는 난이도가 높은 실제 환경을 대상으로 한 강화학습을 적용하고, 이러한 환경을 대규모로 생성·정제하기 위해 분산 에이전트 시스템을 도입해 수작업으로는 오래 걸리는 환경 구축을 자동화했다. 벤치마크 관점에서는 Opus나 GPT 계열과 성능이 유사하되 비용 대비 역량을 중시하는 포지셔닝을 취하고 있으며 일부 전통적 벤치마크는 포화 상태라고 명시되어 실세계 문제 해결력과 효율성에 초점을 맞춘 점이 특징이다.

섹션별 상세

Grok 4.5는 mixture-of-experts 아키텍처를 기반으로 SpaceXAI와 공동 훈련된 모델이며 트레이닝에 수조 토큰 규모의 Cursor 데이터가 포함되어 개발자 상호작용과 소프트웨어 툴 사용 패턴을 포착했다. 입력으로는 코드베이스와 개발자-에이전트 상호작용 로그가 사용되고, 처리 과정에서 모델은 기존 소프트웨어 문맥과 대화형 상호작용을 동시에 학습해 출력으로 코드 생성과 에이전트 행동 생성 능력을 확보한다. 문단에 따르면 수조 토큰이라는 데이터 규모가 명시되어 있고 이전의 Composer 2.5와 달리 학습 데이터 믹스를 넓혀 STEM 과제와 연구 논문 등 고품질 지식 작업도 포함되었다. 이러한 데이터·구조 결합은 코드 전문성뿐 아니라 다양한 도메인에서의 추론·문제 해결 능력을 향상시키는 기제로 작동한다.

근거

Training included trillions of tokens of Cursor data which capture a wide-range of user interactions with codebases and software tools. — 문단 'A strong foundation' 중 첫 문단과 두 번째 문단
Grok 4.5 is a mixture-of-experts model that we trained jointly with SpaceXAI. — 문단 'A strong foundation' 첫 문단 제목 바로 아래 문장

개선된 학습 절차는 난이도가 높은 실제적 문제들에 대해 강화학습을 적용하고, 이를 대규모로 구성하기 위해 분산 에이전트 시스템을 도입한 점이 핵심이다. 환경 설계는 엔지니어가 문제 규격과 검증 방식을 정의하면 여러 에이전트가 각 환경을 구성·테스트·정제하는 방식으로 진행되어, 과거에 수백 명의 엔지니어가 수개월 걸려 만들 작업을 자동화·병렬화했다는 운영상의 근거가 제시되었다. 본문은 또한 최신 벤치마크에서 포화 현상(예: SWE-Bench Pro의 한계)이 관찰되어 절대적 벤치마크 우위보다 비용 대비 역량을 중시하는 포지셔닝이 쓰였음을 지적했다. 이 접근은 모델이 단순 벤치마크 점수보다 실세계 복잡 문제 해결 능력과 비용 효율을 동시에 추구하도록 방향을 전환시키는 결과를 낳는다.

근거

We used reinforcement learning on difficult problems in realistic environments spanning both software engineering and broader knowledge work and developed a distributed agent system to construct these environments at scale. — 섹션 'Reinforcement learning on difficult problems' 전체 내용

이미지 분석

Screenshot
이미지는 기사 본문 중 훈련 데이터와 혼합 전문가 아키텍처, 그리고 강화학습 및 분산 에이전트 시스템에 관한 문단들을 캡처하고 있어 원문에서 주로 다루는 기술적 근거 문장을 직접 확인할 수 있다. 스크린샷은 수조 토큰의 Cursor 데이터 언급과 Composer 2.5와의 대비, 그리고 환경 구성 방식에 대한 서술을 포함하므로 본문 주장들의 문맥적 위치와 문장 구조를 검증하는 데 유용하다.
웹페이지 스크린샷으로 Grok 4.5의 'A strong foundation' 및 'Reinforcement learning on difficult problems' 섹션 본문을 보여준다.

용어 해설

혼합 전문가 모델(Mixture of Experts): — 모델 내부에 여러 전문가(서브모듈)를 두고 입력에 따라 활성화되는 전문가 집합을 선택해 계산을 분배하는 구조이다. 활성화되는 전문가만 계산하므로 동일 파라미터 수 대비 효율적인 추론·학습이 가능하며 대규모 모델 스케일업에 유리하다. 본문에서는 Grok 4.5의 핵심 구조로 성능과 계산 효율의 균형을 맞추는 방식으로 언급되었다.
강화학습(Reinforcement Learning): — 환경과 상호작용하면서 보상 신호를 통해 행동 정책을 개선하는 학습 패러다임이다. 본문에서는 난이도가 높은 실제적 문제 환경에서 모델이 문제를 탐색하고 도구를 사용하며 실수에서 회복하는 능력을 키우기 위한 학습 방법으로 활용되었다. 복잡한 소프트웨어 공학 과제나 지식 작업에서 모델의 문제해결 능력을 높이는 핵심 수단으로 자리잡았다.
에이전트 시스템(Agent System): — 여러 에이전트가 분산되어 특정 환경을 구성·테스트·개선하는 소프트웨어 구조로, 각 에이전트가 문제 사양에 맞춰 역할을 수행한다. 본문에서는 수백 명의 엔지니어가 수월하게 만들 환경을 에이전트들이 대규모로 구축하도록 해 실험 환경 확장 속도를 높이는 수단으로 기술되었다. 이러한 시스템은 RL 기반 훈련 파이프라인을 현실적·반복 가능하게 만들기 위한 인프라적 요소다.
Cursor 데이터(Cursor data): — 개발자 상호작용 로그와 코드베이스, 툴 사용 기록을 포함하는 대규모 데이터셋 계열로, 개발자와 에이전트의 행동 패턴을 포착한다. 본문에서는 수조 토큰 규모의 Cursor 데이터가 모델 훈련에 포함되어 개발자 작업 방식과 에이전트 환경 상호작용을 학습하는 근거로 언급되었다. 코드 이해와 에이전트 행동 학습에 실질적 기여를 하는 데이터 소스이다.

기술

Cursor
Composer 2.5
Mixture of Experts
Reinforcement Learning

활용 사례

코드 생성과 자동화된 리팩터링
개발자-에이전트 상호작용 학습을 통한 도구 사용 자동화
분산 에이전트를 이용한 대규모 환경 구축 및 검증

Grok 4.5 공개와 훈련 구조·학습 환경의 핵심 요소

TL;DR

섹션별 상세

이미지 분석

용어 해설

기술

활용 사례

관련 토론

댓글

관련 기사

xAI의 새로운 대규모 언어 모델 Grok 4.6의 성능과 경제성 분석.

xAI의 Grok 4.6 출시와 Cursor 인수: 코딩 데이터로 강화된 AI 에이전트

Grok 4.6 접근 확대, 에이전트 평가 체계, 오픈 모델 배포 경쟁

Grok Bot이 개인 에이전트를 단순하게 쓰는 방식

Grok 4.6과 에이전트 경쟁의 전환