2026년, 미라 무라티의 Thinking Machines Lab이 첫 범용 AI 모델 잉클링을 출시했습니다. 오픈웨이트 시장에 새로운 경쟁자가 등장하며 AI 혁신을 이끌고 있습니다.
2026년 AI 시장의 새로운 강자: 잉클링 등장
2026년, 전 OpenAI CTO 미라 무라티가 설립한 Thinking Machines Lab이 첫 범용 AI 모델 ‘잉클링(Inkling)’을 전격 공개했습니다. 미국에서 개발된 이 모델은 오픈웨이트 시장에 새로운 경쟁자를 추가하며, 중국 개발자들이 주도하던 코딩 및 추론 모델 분야에 새로운 활력을 불어넣을 것으로 기대됩니다. 잉클링의 등장은 전 세계 AI 기술 발전의 중요한 이정표입니다.
잉클링의 혁신적인 기술 사양
잉클링은 9,750억 개의 총 매개변수 중 410억 개가 활성화되는 전문가 혼합 아키텍처를 채택했습니다. 최대 100만 토큰의 컨텍스트 윈도우를 지원하며, 텍스트, 이미지, 오디오, 비디오를 아우르는 45조 토큰의 방대한 멀티모달 데이터로 사전 학습되었습니다. Thinking Machines Lab은 잉클링이 코딩, 도구 사용 및 멀티모달 작업에 최적화되었다고 밝혔습니다. 지난해 10월 출시된 커스터마이징 API 플랫폼 ‘팅커(Tinker)’를 통해 개발자들은 잉클링을 미세 조정할 수 있습니다.
오픈웨이트 AI 시장 경쟁 구도와 잉클링
현재 2026년 기준, 오픈웨이트 AI 모델 시장은 매우 치열합니다. 올해 6월 OpenRouter는 DeepSeek V4 Flash, GLM 5.2, MiniMax M3, Nvidia Nemotron 3 Ultra를 주목할 모델로 꼽았습니다. Nemotron이 유일한 미국 개발 모델이었으나, 잉클링의 합류로 미국발 오픈웨이트 AI 모델의 저변이 넓어졌습니다. 중국 개발자들이 선도하는 시장에서 잉클링의 등장은 균형추 역할을 하며 새로운 경쟁 구도를 형성할 것입니다.
잉클링의 성능 벤치마크 결과
Thinking Machines Lab 벤치마크는 잉클링의 잠재력을 보여줍니다. SWE-Bench Verified에서 77.6%를 기록, DeepSeek V4 Pro 및 GLM 5.2에는 못 미쳤지만 Nvidia Nemotron 3 Ultra를 앞섰습니다. MCP Atlas 74.1%, BrowseComp (컨텍스트 관리 포함) 77.1%, IFBench 79.8%를 달성했습니다. 잉클링은 추론 노력 설정(0.2~0.99)으로 성능과 토큰 생성량 균형을 조절합니다. 자체 테스트에서 Nemotron 3 Ultra와 동일한 Terminal Bench 2.1 점수를 얻으면서도 약 3분의 1 토큰만 생성하는 효율성을 보였습니다.
개발자를 위한 잉클링 접근성
개발자들은 팅커 플랫폼에서 64,000 또는 256,000 토큰 컨텍스트 길이로 잉클링을 미세 조정하고 잉클링 플레이그라운드에서 테스트 가능합니다. Together AI, Fireworks, Modal, Databricks, Baseten 등 API로 모델 사용이 가능하며, SGLang, vLLM, TokenSpeed, llama.cpp, Hugging Face Transformers 같은 추론 소프트웨어도 지원합니다. 잉클링 전체 가중치는 오리지널 및 NVFP4 양자화 체크포인트 형태로 Hugging Face에서 제공됩니다. Thinking Machines Lab은 더 작은 Inkling-Small 모델(총 2,760억 매개변수)도 테스트 완료 후 공개할 예정입니다.
기업 도입의 이점과 차별화 전략
Forrester 비스와짓 마하파트라는 잉클링이 벤치마크 선두보다 오픈웨이트, 멀티모달, 제어 가능한 추론, 팅커 통합에서 차별화된다고 분석했습니다. 그는 도메인 적응이 중요한 지식 집중 코파일럿, 멀티모달 고객 서비스, 운영 자동화 등에서 기업이 이점을 얻을 것이라고 언급했습니다. Pareekh Consulting 파리크 자인은 잉클링의 미국 개발 원산지가 서구권 기업들의 규제 및 조달 장벽을 해소하며 자체 인프라 배포 옵션을 제공한다고 강조했습니다.
현실적인 도입 비용 및 안전성 고려
잉클링 자체 인프라 배포는 상당한 GPU 자원을 요구합니다. BF16 체크포인트는 최소 2TB VRAM, NVFP4 양자화는 600GB 필요합니다. 9,750억 매개변수의 거대 모델인 만큼, 클로즈드 모델 API가 많은 조직에게 더 경제적일 수 있습니다. 잉클링-스몰은 인프라 비용과 지연 시간을 줄여 현실적인 대안이 됩니다. Thinking Machines Lab은 잉클링이 보정, 지침 준수, 검열 저항 훈련을 받았고, StrongREJECT에서 98.6%를 기록했습니다. 하지만 미세 조정 후 안전성 재평가는 필수입니다. CIO들은 AI 에이전트 작업의 로깅, 감사, 인간 승인 거버넌스를 확보해야 합니다.
