Inkling: Thinking Machines Lab의 오픈 웨이트 MoE 모델 – 벤치마크, 아키텍처, 그리고 실제 경쟁하는 부분

(dev.to)

Dev.to OpenSource2026년 7월 16일AI 모델

Inkling: Thinking Machines Lab의 오픈 웨이트 MoE 모델 – 벤치마크, 아키텍처, 그리고 실제 경쟁하는 부분

전 OpenAI CTO 미라 무라티의 Thinking Machines Lab이 공개한 'Inkling'은 강력한 멀티모달 성능과 자가 미세 조정 기술을 갖춘 975B 규모의 오픈 웨이트 모델로, 폐쇄형 모델 중심의 AI 시장에 새로운 경쟁 구도를 제시합니다.

이 글의 핵심 포인트

1975B 파라미터 규모의 MoE 아키텍처 및 네이티브 멀티모달(텍_스트, 이미지, 오디오, 비디오) 지원
2RoPE 대신 상대적 위치 임베딩(Relative Positional Embeddings)과 짧은 컨볼루션을 채택한 독특한 구조
3복잡한 추론(HLE) 및 에이전틱 코딩 성능은 GPT/Claude 등 최상위 폐쇄형 모델 대비 열세
4'Tinker' 플랫폼을 통한 자가 미세 조정(Self-Fine-Tuning) 데모를 통해 인프라 중심 비즈니스 모델 제시
545조 토큰 학습 및 NVIDIA GB300 NVL7CA 기반의 대규모 컴퓨팅 자원 투입

이 글에 대한 공공지능 분석

왜 중요한가?

미국 기업이 중국의 DeepSeek 등 강력한 오픈 웨이트 모델 공세에 맞서 내놓은 실질적인 대항마라는 점에서 의미가 큽니다. 특히 단순한 모델 공개를 넘어, 가중치는 무료로 풀되 미세 조정 인프라를 유료화하는 새로운 수익 모델을 실험하고 있습니다.

어떤 배경과 맥락이 있나?

현재 AI 산업은 거대 모델의 성능 경쟁을 넘어, 효율적인 MoE(Mixture-of-Experts) 구조와 텍_스트/이미지/오디오를 동시에 처리하는 네이티브 멀티모달리티로 패러다임이 전환되고 있습니다. Inkling은 RoPE 대신 상대적 위치 임베딩을 사용하는 등 기존의 표준적 접근법에 의문을 제기하며 기술적 변곡점을 보여줍니다.

업계에 어떤 영향을 주나?

'모델 가중치 공개 + 학습 인프라 유료화' 전략은 모델 개발사의 막대한 컴퓨팅 비용 부담을 줄이면서도 생태계 장악력을 높일 수 있는 강력한 프레임워크가 될 것입니다. 이는 향후 오픈 소스 AI 스타트업들이 단순 모델 개발보다 'Fine-tuning as a Service'로 비즈니스 중심축을 옮길 가능성을 시사합니다.

한국 시장에 어떤 시사점이 있나?

한국의 AI 스타트업들은 Inkling과 같은 고성능 멀티모달 오픈 웨이트 모델을 활용해 특정 도메인(예: 제조, 의료, 미디어)에 특화된 에이전트를 구축할 기회를 얻었습니다. 다만, 복잡한 추론 성능의 한계를 인지하고, 모델의 강점인 멀티모달리티와 자가 학습 기능을 어떻게 서비스 로직에 녹여낼지가 핵심 과제입니다.

이 글에 대한 큐레이터 의견

Thinking Machines Lab의 전략은 매우 영리합니다. 모델의 가중치를 공개함으로써 개발자 생태계를 빠르게 흡수하고, 대신 'Tinker'라는 미세 조정 플랫폼을 통해 실질적인 수익을 창출하겠다는 계산입니다. 이는 자본력이 부족한 스타트업들에게 고성능 멀티모달 에이전트를 구축할 수 있는 저렴한 진입로를 제공한다는 점에서 큰 기회입니다.

하지만 리스크도 명확합니다. 벤치마크에서 나타나듯 Inkling은 여전히 GPT-5나 Claude와 같은 최상위 모델의 복잡한 추론(HLE) 및 에이전틱 코딩 성능에는 미치지 못합니다. 따라서 논리적 완결성이 극도로 중요한 금융이나 법률 분야보다는, 시각·청각 정보 처리가 핵심인 인터랙티브 콘텐츠나 멀티모달 서비스 개발에 우선적으로 고려되어야 합니다. 창업자들은 모델의 '지능' 자체보다 '확장성'과 '멀티모달리티'라는 도구적 가치에 집중하여 비즈니스 모델을 설계해야 합니다.

원문 보기 →