오픈 가중치 모델 잉클링의 공개와 전략적 방향

전 OpenAI CTO 미라 무라티가 설립한 씽킹 머신즈(Thinking Machines)가 텍스트, 이미지, 오디오를 동시에 처리하는 오픈 가중치 모델 잉클링(Inkling)을 공개했다. 잉클링은 기업이 자유롭게 수정하고 상업적으로 이용할 수 있는 아파치 2.0(Apache 2.0) 라이선스로 배포되었으며, AI의 판단 기준인 내부 파라미터를 모두 공개했다. 네이티브 멀티모달(Native Multimodal) 구조를 통해 외부 벤치마크에서 폐쇄형 모델에 근접한 성능을 기록했다.

잉클링은 기존 대형 AI들이 논란이 될 만한 질문에 답변을 거부하거나 우회하던 방식에서 벗어나, 민감한 주제라도 사실에 기반해 직접 답변하도록 설계됐다. 이는 AI의 도덕적 필터링보다 데이터의 사실적 정확성을 우선시하는 기업 환경에 맞춘 설계다.

추론 예산 조절을 통한 사고 강도 제어

잉클링은 '제어 가능한 사고 노력(controllable thinking effort)' 기능을 통해 작업 난이도에 따른 연산량을 조절한다. 개발자가 추론 예산, 즉 AI가 답을 내놓기 전까지 고민하는 양을 0.2에서 0.99 사이의 숫자로 지정하는 방식이다. 0.2는 빠른 응답이 필요한 단순 작업에, 0.99는 깊은 분석이 필요한 고난도 작업에 할당한다. 모델 크기를 무작정 키워 성능을 높이던 기존 방식 대신, 작업별로 사고 깊이를 조절해 불필요한 연산을 줄였다. 이는 온프레미스 환경에서 기업이 토큰 비용을 최적화하는 기준이 된다.

성능 지표에서는 오픈 웨이트 경쟁 모델인 네모트론 3 울트라(Nemotron 3 Ultra)를 앞섰다. 수학 문제 풀이 능력인 AIME 2026에서 97.1%를 기록해 네모트론 3(94.2%)보다 높았고, 코딩 능력을 측정하는 SWEBench Verified에서도 77.6%로 네모트론 3(70.7%)를 제쳤다. 특히 AI가 스스로 도구를 선택하고 실행하는 MCP Atlas 벤치마크에서는 74.1%를 기록하며 네모트론 3(44.7%)와 큰 격차를 벌렸다.

9,750억 개 파라미터와 MoE 구조의 효율성

이러한 정밀한 사고 제어는 잉클링의 거대한 모델 구조와 효율적인 연산 방식 덕분에 가능하다. 잉클링은 전체 파라미터 9,750억 개를 가진 거대 모델이지만, MoE(Mixture-of-Experts, 전문가 혼합) 방식을 채택해 실제 작동 시에는 410억 개의 활성 파라미터만 호출한다. 이를 통해 방대한 지식 규모를 유지하면서도 개별 답변에 들어가는 계산 비용을 낮췄다.

텍스트 전용 추론이나 소프트웨어 엔지니어링 자율성은 Claude Fable 5, GPT 5.6 Sol, Gemini 3.1 Pro, GLM 5.2 등 폐쇄형 모델보다 낮다. 하지만 시각과 청각을 통합 처리하는 멀티모달 능력은 경쟁력을 갖췄다. 비전 벤치마크인 MMMU Pro에서 73.3%, 오디오 처리 성능을 측정하는 MMAU에서 77.2%를 기록하며 범용적인 정보 처리 성능을 증명했다.

미라 무라티가 공개한 잉클링은 텍스트와 이미지, 오디오를 모두 처리하며 설계도를 공개해 누구나 수정해 쓸 수 있는 오픈 가중치 모델이다. 추론 예산, 즉 AI가 답을 내기 위해 사용하는 연산량을 0.2에서 0.99까지 조절해 생각의 깊이를 결정하는 방식은 비용과 성능의 균형을 맞추는 실질적인 수단이 된다.

기업은 보안을 위해 모델을 자체 서버에 구축하면서, 작업 난이도에 따라 글자 수 단위로 계산되는 토큰 비용을 최적화할 수 있는 지점을 찾아야 한다. AI의 경쟁력은 이제 절대적인 지능이 아니라 상황에 맞게 사고량을 조절하는 효율성에서 결정된다.