AI 미세조정 플랫폼 팅커 전면 공개, Kimi K2 및 비전 입력 지원

대형 모델을 파인튜닝할 때 가장 번거로운 과정 중 하나는 긴 대기자 명단을 견디고 플랫폼마다 제각각인 독자 API를 익히는 일입니다.

Thinking Machines는 12월 12일 모델 파인튜닝 플랫폼 Tinker의 대기자 명단을 완전히 없애고 일반 제공(GA)에 들어간다고 발표했습니다. 누구나 즉시 가입해 쓸 수 있게 된 이번 업데이트에는 굵직한 기능들이 대거 포함되었습니다.

1조 파라미터 추론 모델과 멀티모달 시각 입력

이번 업데이트에서 가장 눈에 띄는 추가 모델은 Kimi K2 Thinking입니다. 1조 개의 파라미터를 갖춘 이 모델은 Tinker가 지원하는 라인업 중 가장 거대하며, 긴 추론 사슬과 도구 호출 작업에 특화되어 있습니다.

시각 입력 기능도 새로 열렸습니다. 알리바바의 Qwen3-VL-30B-A3B-Instruct와 Qwen3-VL-235B-A22B-Instruct 모델이 추가되어, 이미지와 텍스트를 바이트 단위 청크로 묶어 지도학습 파인튜닝(SFT)과 강화학습(RL)에 바로 투입할 수 있습니다.

Thinking Machines는 시각 이해 능력을 입증하기 위해 Qwen3-VL을 이미지 분류기로 파인튜닝하는 레시피를 공개했습니다. 별도의 분류 헤드를 다는 대신, 이미지를 보고 클래스 이름을 텍스트로 생성하도록 유도하는 방식입니다.

Caltech 101, Stanford Cars, Oxford Flowers, Oxford Pets 등 4개 데이터셋을 대상으로 순수 비전 모델인 DINOv2-base와 LoRA 미세조정 성능을 비교했습니다. 클래스당 라벨링된 샘플이 단 한 개뿐인 극단적인 소량 데이터 환경에서, 사전 학습된 언어 지식을 보유한 Qwen3-VL이 DINOv2를 크게 앞섰습니다.

훈련 도중 실시간 샘플링이 가능한 OpenAI 호환 API

엔지니어링 측면에서 가장 반가운 변화는 OpenAI API 호환 인터페이스의 도입입니다. 기존에는 Tinker 전용 샘플링 함수를 거쳐야 했지만, 이제는 OpenAI 클라이언트에 모델 경로만 지정하면 바로 호출할 수 있습니다.

특히 모델이 백그라운드에서 한창 훈련 중인 상태에서도 특정 체크포인트 경로를 지정해 즉시 샘플링 출력을 받아볼 수 있습니다. 기존에 OpenAI 규격에 맞춰 구축해 둔 평가 도구나 에이전트 파이프라인을 수정하지 않고도 곧바로 연동할 수 있는 셈입니다.

왜 중요한가

연구자와 개발자 입장에서 1조 파라미터급 초대형 추론 모델과 대형 멀티모달 모델을 인프라 구축 고민 없이 곧바로 다룰 수 있게 되었다는 점은 실질적인 진입 장벽 완화입니다.

OpenAI 호환 API를 지원하면서 모델 훈련 중 실시간 샘플링까지 열어준 대목은 영리한 설계라고 봅니다. 파인튜닝 과정에서 중간 체크포인트 성능을 확인하기 위해 복잡한 별도 파이프라인을 짤 필요 없이, 기존에 쓰던 평가 스크립트에 경로만 갈아 끼우면 되기 때문입니다.

VLM을 텍스트 생성 기반의 분류기로 활용한 벤치마크 역시 현실적인 시사점을 줍니다. 산업 현장에서는 라벨링된 이미지 데이터가 턱없이 부족한 경우가 많은데, 멀티모달 모델이 가진 사전 지식을 활용하면 극소량의 데이터로도 유의미한 정확도를 뽑아낼 수 있습니다.

다만 수천억에서 1조 파라미터에 달하는 대규모 모델은 훈련뿐만 아니라 추론 단계에서도 상당한 연산 비용과 지연 시간을 유발합니다. 아무리 소량 데이터 적응력이 뛰어나더라도 실제 프로덕션 서비스에 올릴 때는 경량 비전 모델과의 가성비 차이를 꼼꼼히 따져봐야 합니다.