GPT-5.6·그록 4.5·메타 뮤즈 비교 분석 — AI 모델 가격 대비 성능 경쟁이 바뀐 이유

핵심 메시지

• OpenAI(GPT-5.6 소울·테러·루나), xAI(그록 4.5), 메타(뮤즈 스파크) 등 세 진영이 사실상 하루 사이에 새 모델을 공개하며 경쟁이 한꺼번에 격화됐다.
• 이번 발표의 공통 화두는 성능의 절대 우위가 아니라 ‘거의 비슷한 성능을 훨씬 낮은 비용에’ 제공한다는 가격 대비 성능이다.
• 영상 제작자의 테스트에 따르면 여러 벤치마크에서 GPT-5.6 소울이 앤트로픽 클로드 계열(페이블·오퍼스·소넷)의 약 3분의 1 비용으로 비슷하거나 앞서는 점수를 냈다.
• 다만 벤치마크마다 결과가 엇갈렸고, 다시간 장기 과제(SWE 마라톤)에서는 그록 4.5가 앞서는 등 ‘어느 모델이 최고인가’라는 단일한 답은 없었다.
• 저비용 대안으로 그록 4.5, 중국의 GLM 5.2, 메타 뮤즈 스파크가 등장하면서 ‘싸면서 거의 비슷하다’는 논리는 OpenAI만의 무기가 아니게 됐다.

쉽게 이해하기

영상은 세 곳의 프런티어 연구소가 짧은 시간 안에 잇달아 새 모델을 내놓으면서 벌어진 상황을 정리한다. 제작자는 OpenAI가 GPT-5.6 소울·테러·루나를, xAI가 그록 4.5를, 메타가 뮤즈 스파크를 공개했다고 전하며, 이번 경쟁의 핵심 질문을 ‘최고 점수’가 아니라 ‘거의 비슷한 성능을 얼마나 싸게 주느냐’로 요약한다.

가격 대비 성능 측면에서 제작자는 자신이 직접 돌린 벤치마크들을 근거로 설명한다. 예컨대 UC 버클리가 공동 주도하고 55개 산업·300명의 전문가가 실제 업무를 바탕으로 설계했다는 ‘에이전트 최종시험(Agents’ Last Exam)’에서 GPT-5.6 소울이 약 54%로, 페이블의 45%를 앞섰다고 소개한다. 그는 이 벤치마크가 최근에 만들어져 학습 데이터 오염 가능성이 낮다는 점을 신뢰의 근거로 든다.

그러나 결과는 벤치마크에 따라 달라진다. 자피어의 오토메이션 벤치나 실제 경제적 영향력을 재는 GDPval에서는 격차가 줄거나 페이블이 비용 3배를 들여 근소하게 앞서기도 했다. 특히 수 시간이 걸리고 수천만 토큰을 쓰는 장기 소프트웨어 과제(SWE 마라톤)에서는 그록 4.5가 선두였는데, 제작자는 xAI가 커서(Cursor) 인수로 확보한 데이터가 도움이 됐을 수 있다고 추정한다.

제작자는 OpenAI에 치우쳐 보이지 않도록 반론도 제시한다. 그록 4.5나 더 저렴한 GLM 5.2, 메타 뮤즈 스파크처럼 ‘조금 부족하지만 훨씬 싼’ 대안들이 함께 놓이면 OpenAI의 비용 우위 곡선이 그만큼 덜 매력적으로 보인다는 것이다. 실제로 뮤즈 스파크는 바이브 코드 벤치에서 소울의 81%에 못 미치는 72%를 냈지만 비용은 약 35분의 1 수준이라고 전한다.

마지막으로 영상은 모델 공개 방식의 변화도 짚는다. 기업들이 릴리스 노트에 실제로 플레이할 수 있는 게임을 넣어 인터페이스 구성·브라우저 사용 같은 능력을 과시하기 시작했다는 것이다. 제작자는 같은 프롬프트로 만든 게임에서 소울 울트라가 페이블보다 빠르게(약 20분 대 1시간 이상) 결과를 냈지만 시각적 완성도는 페이블이 더 인상적이었다고 평가한다.

주요 인사이트

• 이번 세대의 경쟁 축은 ‘최고 성능’에서 ‘성능 대비 비용’으로 옮겨갔다. 같은 점수라도 비용이 3분의 1이면 실무 선택이 달라질 수 있다는 게 영상의 핵심 관점이다.
• 단일 벤치마크로 우열을 단정하기 어렵다. 제작자는 겹치는 벤치마크를 묶은 지표는 특정 모델을 과대평가할 수 있고, 더 어렵고 새로운 시험(프런티어·SWE 마라톤)에서는 결과가 뒤집힌다고 지적한다.
• 검증이 쉬운(정답을 확인할 수 있는) 영역일수록 곧 특정 모델이 사실상 ‘정복’해 버린다는 경고가 나온다. 제작자는 한 OpenAI 모델이 경쟁 프로그래밍 벤치마크를 사실상 깨뜨렸다는 소식을 그 사례로 든다.
• ‘싸면서 거의 비슷하다’는 전략은 양날의 검이다. 그록 4.5·GLM 5.2·메타 뮤즈처럼 더 저렴한 경쟁자가 같은 논리를 들고 나오면 특정 회사의 가격 우위는 상대화된다.
• 벤치마크 점수는 데이터 품질·오염 여부·부여된 추론 예산에 크게 좌우된다. 제작자는 낮은 점수가 반드시 무능이 아니라 검증 난이도나 학습 데이터 부족의 산물일 수 있다고 본다.

자주 묻는 질문

관련 AI 소식