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.
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.
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
참고 자료
- Inkling: Our Open-Weights Model — Thinking Machines (2026-07-15)