Inkling은 Thinking Machines가 처음 공개한 오픈웨이트 모델이다. 975B 총 파라미터, 41B 활성 파라미터의 Mixture-of-Experts(MoE) 트랜스포머이며, 텍스트·이미지·오디오·비디오를 포함한 45조 토큰으로 사전학습됐다. 최대 컨텍스트 길이는 100만 토큰이고, Tinker 플랫폼에서 파인튜닝할 수 있다.

포지션

Thinking Machines는 Inkling을 “가장 강한 공개 모델”이라기보다 커스터마이징하기 좋은 기반 모델로 소개한다. 경쟁력의 중심은 세 가지다.

• 멀티모달 입력을 기본 능력으로 다룬다.
• 추론 노력(thinking effort)을 조절해 비용과 성능을 맞춘다.
• Tinker에서 파인튜닝하고 Playground에서 직접 실험할 수 있다.

함께 공개된 Inkling-Small은 12B 활성 파라미터 규모의 경량 프리뷰 모델이다.

Inkling Small

Artificial Analysis의 2026년 7월 30일 평가에서 Inkling Small은 Intelligence Index 40점을 기록해 Inkling의 41점과 1점 차이에 머물렀다. 규모는 276B 총 파라미터, 12B 활성 MoE로 Inkling의 975B 총 파라미터, 41B 활성 파라미터보다 훨씬 작다.

차이는 컨텍스트와 장기 작업 성격에서 갈린다. Inkling은 100만 토큰 컨텍스트를 지원하지만 Inkling Small은 256K 토큰이다. 반면 AA-Briefcase 장기 지식 작업 벤치마크에서는 Inkling Small이 917 Elo로 Inkling의 839 Elo보다 높게 나왔고, 평균 턴 수도 34회로 Inkling의 81회보다 적었다. Artificial Analysis는 정답률 차이라기보다 출력 구성과 프레젠테이션 품질 차이가 크게 작용했다고 해석한다.

자기 파인튜닝 데모

공개 글에서 가장 흥미로운 부분은 Inkling이 Tinker API를 사용해 자기 자신을 특정 행동으로 파인튜닝하는 데모다. 예시는 “응답에서 문자 e를 쓰지 않는 lipogram 모델”을 목표로 한다. Inkling은 목적 함수, 합성 데이터, 학습 설정, 평가 코드를 만들고 Tinker에서 후학습한 뒤 새 체크포인트로 전환한다.

이 데모는 모델 능력 과시라기보다 커스터마이징 워크플로의 방향을 보여준다. 사용자는 프롬프트만 고치는 대신, 모델이 직접 평가 기준과 학습 루프를 구성하게 하고 그 결과를 새 가중치로 반영한다.

에이전트와 코딩 능력

Inkling은 여러 코딩 하네스와 도구 스키마에서 동작하도록 학습됐고, 특정 하네스에 과적합되지 않도록 도구 세트와 스키마를 랜덤화했다고 설명한다. Thinking Machines는 Design Arena의 Agentic Web Dev 순위에서 강한 오픈웨이트 모델군에 든다고 소개한다.

이 점은 agent-harness 관점에서 중요하다. 모델 자체의 코딩 점수뿐 아니라, 도구 스키마 변화와 하네스 차이를 견디는 능력이 실제 에이전트 성능을 좌우하기 때문이다.

아키텍처 관찰 포인트

Sebastian Raschka의 분석은 Inkling을 GLM-5.2, Kimi K2.5, Nemotron 3 Ultra 같은 최신 MoE 모델과 비교한다. Inkling은 975B 총 파라미터와 41B 활성 파라미터로 GLM-5.2보다 총 파라미터가 크지만 활성 footprint는 비슷하다. Kimi K2.5보다 sparsity는 낮아 토큰당 활성 비율이 더 높고, Nemotron 3 Ultra처럼 Mamba 하이브리드를 쓰지 않고 일반 transformer decoder 계열을 따른다.

흥미로운 구조적 차이는 세 가지다.

• key/value projection 뒤와 attention·MLP branch 출력에 kernel-4 short convolution을 넣어 지역 토큰 mixing을 보강한다.
• token embedding 직후 별도 RMSNorm을 둔다.
• RoPE 대신 learned input-dependent relative-position bias를 사용하며, sliding-window 중심 구조와 결합한다.

사용자가 봐야 할 점

Inkling은 다음 사용자에게 의미가 있다.

• 오픈웨이트 기반으로 멀티모달 에이전트를 커스터마이징하려는 팀
• 모델을 단순 호출보다 파인튜닝 루프와 함께 운영하려는 연구·제품 조직
• 긴 컨텍스트와 도구 사용, 조절 가능한 reasoning budget을 함께 실험하려는 개발자

반대로 “오늘 가장 높은 일반 벤치마크 점수”만 찾는 경우에는 공개 글 자체도 Inkling을 그 포지션으로 주장하지 않는다. Inkling의 강점은 범용 최고점보다 커스터마이징 가능한 기반 모델이라는 데 있다.

관련 문서

• gpt-5-6 — GPT-5.6 모델 패밀리
• glm-5-2-tips-vs-opus — GLM-5.2와 Opus 비교
• agent-harness — 에이전트 하네스 설계
• reasoning-effort-tips-control — reasoning effort 설정의 비용·품질 균형

참고 자료

• Inkling: Our Open-Weights Model — Thinking Machines (2026-07-15)
• Inkling: A New Open-Weight 975B MoE with a Few Surprises — Sebastian Raschka (2026-07-16)
• Inkling Small lands within a point of Inkling on the Artificial Analysis Intelligence Index with less than a third of the parameters — Artificial Analysis (2026-07-30)