씽킹 머신스 랩(Thinking Machines Lab)이 사람이 AI 모델을 직접 맞춤화할 수 있도록 처음부터 학습한 멀티모달 AI 모델 '잉클링(Inkling)'의 전체 가중치를 공개하며 AI 커뮤니티의 주목을 받고 있습니다. 총 975B(빌리언) 파라미터 중 토큰당 41B가 활성화되는 MoE(Mixture-of-Experts) 트랜스포머 구조를 채택한 잉클링은 최대 1M(백만) 토큰의 긴 문맥을 처리할 수 있습니다. 텍스트, 이미지, 오디오, 비디오로 구성된 방대한 45조 토큰 데이터셋으로 사전 학습되어 텍스트, 이미지, 오디오를 기본 입력으로 함께 추론하는 멀티모달 기능을 제공합니다.
잉클링은 특정 벤치마크 최고 성능보다는 에이전트 작업, 추론, 코딩, 지시 수행, 사실성 전반의 범용성과 맞춤화 가능성을 우선시합니다. 특히, 추론 노력도(effort)를 0.2에서 0.99 범위로 조절하여 사용자가 비용, 지연 시간, 성능 사이의 균형을 선택할 수 있도록 한 점이 특징입니다. 예를 들어, Terminal Bench 2.1 벤치마크에서는 Nemotron 3 Ultra와 유사한 성능을 약 3분의 1 토큰으로 달성하는 효율성을 보여주었습니다. 또한, Tinker 미세조정(fine-tuning) 플랫폼을 통해 사용자가 직접 모델을 맞춤화하고, Tinker 콘솔의 잉클링 플레이그라운드(Inkling Playground)에서 대화하며 모델 특성을 확인할 수 있습니다. 함께 공개된 잉클링-스몰(Inkling-Small) 프리뷰 버전은 276B 파라미터에 12B 활성 파라미터로, 여러 평가에서 대형 모델과 비슷하거나 더 높은 결과를 내며 효율적인 대안을 제시합니다.
이번 잉클링의 전체 가중치 공개는 AI 개발자들이 강력한 멀티모달 기반 모델을 활용하여 다양한 애플리케이션을 구축하고 맞춤화할 수 있는 중요한 기회를 제공합니다. 특히, 효율적인 추론과 유연한 맞춤화 기능은 비용에 민감하거나 특정 도메인에 특화된 AI 솔루션을 개발하려는 스타트업 및 개발자들에게 매력적입니다. 모델의 확신도 보정 및 불확실성 처리 능력은 AI의 신뢰성을 높여 환각(hallucination) 현상을 줄이고, 사용자에게 더 정확하고 유용한 정보를 제공하는 데 기여할 것으로 기대됩니다. 이는 단순히 성능 좋은 모델을 넘어, 실제 산업 현장에서 AI를 효과적으로 통합하고 활용하는 데 필요한 실용적인 기반을 마련했다는 점에서 의미가 큽니다.