개요
AI Sparkup은 Thinking Machines Lab의 첫 정식 오픈웨이트 모델 Inkling을 소개한다. 원문에 따르면 Inkling은 9,750억 파라미터 MoE 모델이지만 토큰당 활성 파라미터는 410억이며, 텍스트·이미지·오디오·영상을 함께 학습했다. Artificial Analysis Intelligence Index에서 41점을 기록해 당시 미국산 오픈웨이트 모델 중 앞섰지만, GLM-5.2와 Kimi K2.6 등 중국계 오픈모델보다 높은 종합 성능을 주장하지는 않는다. 대신 같은 평가 과제에서 상대적으로 적은 출력 토큰을 사용하고, 에이전트 작업·멀티모달 입력·파인튜닝을 함께 겨냥한 균형형 베이스 모델로 포지셔닝된다.
핵심 포인트
- 모델 규모와 활성 규모: 9,750억 파라미터 MoE 중 매 순간 약 410억 파라미터가 작동하며, 원문은 최대 100만 토큰 문맥과 45조 토큰 규모의 텍스트·이미지·오디오·비디오 학습을 언급한다.
- 종합 성능의 위치: Artificial Analysis Intelligence Index에서 41점을 받아 Nemotron 3 Ultra의 38점을 앞섰다고 소개되지만, 원문 자체도 최강 모델은 아니며 GLM-5.2·Kimi K2.6 등에 미치지 못한다고 명시한다.
- 토큰 효율: 같은 Intelligence Index 과제에서 Inkling의 평균 출력 토큰은 2만 5천 개로, 원문 비교값인 GLM-5.2 4만 3천 개, Kimi K2.6 3만 8천 개, DeepSeek v4 Pro 3만 7천 개보다 적다.
- 에이전트 작업 평가: GDPval-AA v2에서 Inkling이 Elo 1238을 기록해 Kimi K2.6(1190)과 DeepSeek v4 Flash(1189)를 앞섰다고 원문은 전한다. 이는 해당 평가 결과에 대한 기사 서술이며, 독립 재현 결과는 아니다.
- 멀티모달 구조: 이미지·영상은 계층적 패치 인코더, 오디오는 이산 토큰 인코딩으로 처리한 뒤 공유 표현 공간에 투영해 하나의 디코더가 다루는 방식으로 설명된다.
- 커스터마이징 중심 공개: Inkling은 모델이 직접 파인튜닝 코드를 작성·실행·평가하는 데모와 함께 소개됐고, Thinking Machines의 Tinker 플랫폼 및 개발자용 플레이그라운드에서 커스터마이징할 수 있도록 제공된다.
왜 중요한가
Inkling의 의미는 최상위 종합 점수보다 비용·속도·커스터마이징 가능성의 조합을 전면에 내세운 오픈웨이트 선택지가 추가됐다는 데 있다. 반복적인 에이전트 작업이나 특정 업무에 맞춘 모델이 필요한 경우, 모든 작업에서 최고 점수를 내는 모델보다 적은 토큰을 사용하고 조정 가능한 베이스 모델이 실용적일 수 있다는 관점을 보여준다. 다만 실제 비용·속도·품질 우위는 사용 환경과 평가 조건에 따라 달라질 수 있으므로, 이 글의 벤치마크 수치를 일반적인 우월성으로 확대해서는 안 된다.
관련 페이지: moc-ai-models · glm-5.2 · kimi-k2 · open-source
참고 링크
- 원문: https://aisparkup.com/posts/14513
- Thinking Machines Lab 공식 발표: https://thinkingmachines.ai/news/introducing-inkling/
- 원문이 인용한 Artificial Analysis Intelligence Index: https://artificialanalysis.ai/evaluations/intelligence-index