Thinking Machines, Inkling 2 Small 공개: 594B MoE 구조로 다음 주 오픈소스화

대부분의 오픈소스 AI 모델은 짧은 코드 작성에는 능숙하지만, 복잡한 실전 에이전트 루프에 들어가면 몇 단계를 못 가 엉뚱한 길로 빠지곤 합니다.

Thinking Machines가 이를 겨냥한 차세대 모델 Inkling 2 Small을 발표했습니다. 전체 594B 파라미터 가운데 실제 추론 시에는 17B만 활성화하는 MoE 구조를 택했습니다.

Artificial Analysis 인텔리전스 인덱스에서 31점을 기록하며 이전 세대를 훌쩍 뛰어넘었습니다. 현재는 외부 안전성 점검을 위해 Tinker Playground에서 먼저 제공되고 있으며, 다음 주 테스트를 마치는 대로 Apache 2.0 라이선스로 전체 가중치를 공개할 계획입니다.

시각적 피드백으로 코드를 직접 검증하는 AI

Inkling 2 Small의 핵심 무기는 시각 인식과 에이전트 코딩의 유기적 결합입니다.

292M 크기의 비전 인코더를 탑재해 이미지와 텍스트 토큰을 함께 처리합니다. 덕분에 웹사이트나 3D 그래픽, 인터랙티브 게임을 만들 때 렌더링 화면을 스스로 보면서 코드를 수정할 수 있습니다.

단순히 문법 오류만 잡는 것이 아니라, 화면 배치가 어긋나면 스크린샷 피드백을 바탕으로 코드를 고쳐 나가는 방식입니다. 내부 와인 시음 블라인드 테스트에서는 단 한 장의 사진만으로 20번 중 19번 와인 세 종류를 정확히 구별해 내기도 했습니다.

코딩 성능을 끌어올리기 위해 수십만 건의 장기 과제를 강화학습으로 훈련시켰습니다. 단순 단위 테스트 통과 여부만 본 게 아니라, 문제에 접근하는 논리적 과정 자체를 평가하는 채점기를 도입했습니다.

Fledge-Alpha라는 가명으로 필드 테스트를 거쳤으며, 요청하지 않아도 자신이 수정한 코드를 알아서 재검증하는 안정성을 갖췄습니다.

426달러로 직접 다른 모델을 훈련시키다

이 모델은 일상적인 개발을 넘어 머신러닝 자율 연구에서도 남다른 능력을 보여줍니다.

Thinking Machines는 이 모델에게 Tinker 플랫폼에서 Qwen3.5-4B를 파인튜닝해 날씨와 위키피디아 트래픽을 예측하는 시계열 모델로 만들어보라는 과제를 주었습니다.

Inkling 2 Small은 직접 평가 지표를 짜고, 훈련 데이터와 레시피를 실험하며, 파이프라인에서 발생하는 버그를 스스로 해결했습니다. 4.5시간 동안 426달러의 컴퓨팅 비용을 들여 완성된 모델은 초기 예측 성능의 두 배를 웃돌았습니다.

고난도 GPU 커널 최적화 벤치마크인 PMPP-Hard에서도 69개 문제 중 64개를 통과하며 최상위권 상용 모델들과 대등한 실력을 입증했습니다.

왜 중요한가

자율형 코딩 에이전트나 시각적 UI 개발 환경을 구축하려는 개발자에게 이번 오픈소스 공개는 주목할 만한 소식입니다.

그동안 오픈소스 모델들은 터미널 안에서 장시간 독립적으로 작동할 때 자멸하는 경우가 많았습니다. Inkling 2 Small이 시각적 결과를 직접 확인하며 루프를 돌 수 있게 만든 점은 실제 프론트엔드 작업의 완성도를 크게 끌어올립니다.

특히 594B급 모델을 상업적 이용이 자유로운 Apache 2.0으로 푼다는 점은 고비용 폐쇄형 API에 의존하던 시장 판도에 적지 않은 자극제가 될 것입니다. 활성 파라미터가 17B 수준이라 토큰 처리 속도도 효율적입니다.

다만 현실적인 진입 장벽도 분명합니다. 활성 파라미터가 적더라도 594B에 달하는 전체 가중치를 VRAM에 올려야 하므로 일반 개인용 PC에서 온프레미스로 구동하기는 어렵습니다.

또한 모델이 알아서 4.5시간 동안 426달러를 소진하며 모델을 훈련시켰던 것처럼, 자율 에이전트를 실무에 투입할 때는 비용과 호출 한도를 철저히 제한하는 안전장치가 필수적이라고 봅니다.