전 OpenAI CTO가 프론티어급 모델을 완전 개방으로 내놨다. Mira Murati가 설립한 Thinking Machines Lab은 2026년 7월 16일 첫 모델 Inkling을 공개하고, 총 9,750억 파라미터 Mixture-of-Experts 구조의 가중치를 Apache 2.0 라이선스로 풀었다. 45조 토큰으로 학습했고 100만 토큰 컨텍스트를 지원하며, Hugging Face에서 곧바로 내려받을 수 있다. ASAP은 이 발표를 1차 보도 기준으로 정리한다.

무라티가 알트먼과 다른 길을 택했다

Thinking Machines Lab은 2026년 7월 16일 첫 제품 Inkling을 완전한 오픈웨이트로 공개했다. Mira Murati는 OpenAI의 최고기술책임자였다가 회사를 나와 Thinking Machines Lab을 세웠는데, 첫 모델을 폐쇄 API가 아니라 Apache 2.0 라이선스의 오픈웨이트로 냈다는 점이 발표의 핵심이다. OpenAI가 최상위 모델을 가중치 비공개로 유지해 온 노선과 정면으로 갈린다. 가중치는 Hugging Face에 올라왔고, vLLM과 SGLang, Llama.cpp 같은 오픈소스 추론 스택에서 바로 돌릴 수 있다. 학습에는 NVIDIA GB300 NVL72 시스템이 쓰였다고 밝혔다.

Inkling의 설계와 '스스로 고치는' 특성

Inkling의 구조는 규모와 자기개선 두 축으로 요약된다. 총 9,750억 파라미터의 Mixture-of-Experts로, 256개의 라우팅 전문가와 2개의 공유 전문가 가운데 토큰당 6개를 켜서 활성 파라미터는 약 410억이다. 학습 데이터는 텍스트와 이미지, 오디오, 영상을 포함한 45조 토큰이고 컨텍스트는 100만 토큰까지 받는다. Thinking Machines Lab은 이 모델이 "스스로 미세조정 스크립트를 작성해 자기 행동을 다듬고, 새로운 기술을 학습하며, 자기 능력을 평가할 수 있다"고 설명했다. 함께 공개된 소형 모델 Inkling-Small은 총 2,760억 파라미터에 활성 120억으로, 가벼운 배포용이다.

"최강은 아니다"라는 이례적 자기고백

이 발표에서 가장 눈에 띄는 대목은 스펙이 아니라 태도다. Thinking Machines Lab은 Inkling을 두고 "오늘 이용 가능한, 오픈이든 폐쇄든, 가장 강력한 모델은 아니다"라고 스스로 못박았다. 신제품 발표에서 자사 모델이 최강이 아니라고 먼저 밝히는 일은 드물다. 이 고백은 두 가지를 시사한다. 첫째, 벤치마크 1위 경쟁 대신 개방성과 커스터마이즈 가능성을 무기로 삼겠다는 포지셔닝이다. 둘째, 과장된 최상위 주장을 피함으로써 오히려 발표 수치의 신뢰도를 높이는 전략이다. 최강을 자처하지 않는 것 자체가 이 팀의 차별화 메시지인 셈이다.

Apache 2.0가 진짜 승부수인 이유

라이선스 한 줄이 이 발표의 무게를 결정한다. Inkling은 Apache 2.0로 풀렸는데, 이는 최근 오픈 모델들이 흔히 붙이는 '수정 라이선스'나 사용량 제한이 있는 커뮤니티 라이선스와 결이 다르다. Apache 2.0는 상업 이용과 재배포, 특허 조항까지 명확히 허용하는 진짜 개방형 라이선스라, 기업이 법무 검토 없이도 사내 제품에 넣기 쉽다. 프론티어급 모델을 이 조건으로 내놓는 사례는 흔치 않다. 성능이 세계 최강이 아니어도, '법적으로 안심하고 통제권을 온전히 가져갈 수 있다'는 점이 폐쇄 API가 주지 못하는 가치다. 무라티 팀은 성능 대신 신뢰와 자유를 판돈으로 걸었다.

파인튜닝을 앞세운 사업 설계

Inkling은 단독 모델이 아니라 파인튜닝 플랫폼과 한 묶음으로 나왔다. Thinking Machines Lab은 자사 Tinker 플랫폼으로 이 모델을 커스터마이즈하도록 설계했고, TogetherAI와 Fireworks, Modal, Databricks, Baseten 같은 서드파티 서비스에서도 접근할 수 있게 했다. 보도된 사례로 Bridgewater Associates가 Tinker로 오픈 모델을 자사 데이터에 맞춰 파인튜닝해 금융 추론 테스트에서 84.7%를 얻었다는 결과가 언급됐다. 이 구조가 말하는 전략은 분명하다. '가장 똑똑한 범용 모델'을 파는 대신, 기업이 자기 데이터로 길들이기 쉬운 베이스 모델과 그 도구를 파는 것이다. 스스로 미세조정 스크립트를 쓴다는 모델 특성도 이 파인튜닝 우선 노선과 맞닿아 있다.

한국 팀이 지금 시험해볼 것

국내 조직에는 Inkling이 특히 실용적인 선택지가 될 수 있다. Apache 2.0라 사내 GPU에 자가호스팅하면 데이터를 밖으로 내보내지 않고 상업적으로 자유롭게 쓸 수 있고, 라이선스 리스크가 낮아 법무 검토 부담이 작다. 활성 파라미터가 약 410억이라 전체 9,750억 규모에 비해 추론 부담이 상대적으로 가볍고, 더 가벼운 배포가 필요하면 Inkling-Small을 쓰면 된다. 관건은 범용 성능이 최상위가 아니라는 점을 감안해, 자사 도메인 데이터로 파인튜닝했을 때 실제 업무에서 쓸 만한 수준이 나오는지를 대표 태스크로 직접 재는 것이다. 개방성의 이점은 이 실측을 거쳐야 자산이 된다.

남은 물음표

Inkling의 진짜 실력은 아직 독립 검증을 기다린다. Thinking Machines Lab이 최강이 아니라고 밝힌 만큼 정확한 벤치마크 위치는 커뮤니티의 재현으로 드러날 것이고, Bridgewater의 84.7%도 특정 파인튜닝 조건에서 나온 사례라 일반화하기 이르다. 스스로 미세조정 스크립트를 쓴다는 특성이 실무에서 얼마나 안정적으로 작동하는지도 검증이 필요하다. 그럼에도 프론티어급 규모를 Apache 2.0로 개방했다는 사실만으로, Inkling은 폐쇄 모델의 대안 지형을 넓혔다. 다음 수순은 커뮤니티 파인튜닝과 중립 하네스의 재측정이다.

출처: Thinking Machines Lab Inkling 공개(2026년 7월 16일; 총 9,750억 파라미터 MoE, 라우팅 전문가 256개·공유 2개 중 토큰당 6개 활성, 활성 파라미터 약 410억, 학습 45조 토큰, 100만 토큰 컨텍스트, Apache 2.0 라이선스, Inkling-Small 총 2,760억·활성 120억, NVIDIA GB300 NVL72 학습, Hugging Face 배포) 발표 및 The Register·aiangst 보도 기반 ASAP 정리.