Thinking Machines Lab Inkling open-weights 모델 공개 요약

Thinking Machines Lab이 첫 open-weights 모델 Inkling을 공개했습니다. 벤치마크 1위 경쟁보다 추가 학습과 추론 비용 조절에 무게를 둔 발표입니다.

개요

공식 발표 기준 Inkling은 multimodal Mixture-of-Experts 모델입니다. 텍스트, 이미지, 오디오를 입력으로 받고 thinking effort를 조절합니다. 총 파라미터 975B, 활성 파라미터 41B, context window 최대 1M tokens, pretrain 데이터 45T tokens입니다.

직접 모델을 돌려보지는 않았습니다. 저는 이 발표를 쓸 수 있는 open model 기반 쪽으로 읽습니다. 점수가 높은 모델 하나보다, Tinker에서 미세 조정해 자기 워크플로에 맞출 토대가 생긴 점이 더 큽니다.

필요 자료

• 모델 공개: Inkling open-weights 모델 출시.
• 추론 조절: Controllable thinking effort로 속도와 성능 분리.
• 맞춤 학습: Tinker에서 domain fine-tune.
• 직접 다운로드: Hugging Face 가중치.

예전에 정리한 NVIDIA Build 무료 LLM API 글과 결이 비슷합니다. 바로 운영에 넣기보다 모델 반응과 커스터마이징 경로를 먼저 확인하는 단계로 보는 게 맞습니다.

1. 적용 대상

• open-weights 모델을 서비스에 붙이려는 팀.
• 벤치마크 점수보다 fine-tune 경로를 먼저 보는 팀.
• 텍스트·이미지·오디오를 한 모델로 다루는 작업.
• Tinker 같은 학습 플랫폼에서 도메인 맞춤이 필요한 경우.

단순 채팅 품질만 보고 최고 점수를 고르는 용도라면 맞지 않을 수 있습니다. 발표 자체도 customization과 cost curve를 강조합니다.

2. 발표에서 눈에 띄는 점

공식 글은 Inkling을 넓은 범용 모델로 설명합니다. agentic coding, tool use, instruction following, multimodal 입력을 같이 보여줍니다. cost curve 쪽에서 Nemotron 3 Ultra와 같은 점수를 Terminal Bench 2.1에서 맞출 때 토큰을 약 1/3만 쓴다고 적혀 있습니다.

토큰 사용량이 먼저입니다. 같은 점수라도 긴 워크플로에서는 비용 차이가 바로 납니다.

3. 확인 경로

• 제품 개요: Inkling 페이지
• 발표 원문: Introducing Inkling
• 학습 플랫폼: Tinker
• 가중치 다운로드: Hugging Face 링크를 발표 페이지에서 확인해주시면 됩니다.
• 문서: Tinker docs를 보면 됩니다.

확인

Inkling 제품 페이지에서 multimodal 입력, controllable effort, Tinker fine-tune, Hugging Face 링크가 모두 보이면 핵심 확인은 끝입니다. 실제 도입 전에는 본인 작업 1건으로 토큰 사용량과 fine-tune 가능성을 따로 재시면 됩니다.