드디어 출시한 무라티: 인클링은 미국 최대 오픈 웨이트 모델이지만, 1등을 노리지 않는다

17개월, 모델 하나, 그리고 허세 제로

씽킹 머신스 랩(Thinking Machines Lab)은 1년 반 동안 AI 업계에서 가장 주목받는 빈방이었습니다. 전 OpenAI CTO 미라 무라티가 2025년 2월에 설립한 이 회사는 아무것도 출시하지 않은 상태에서 120억 달러 기업가치로 20억 달러를 조달했고, 공격적으로 인재를 채용했으며, 그 뒤로는 대체로 침묵했습니다. 그리고 7월 15일, 마침내 모델을 공개했습니다.

모델의 이름은 인클링(Inkling)입니다. 총 9,750억 파라미터에 토큰당 활성 파라미터가 약 410억 개인 전문가 혼합(MoE) 트랜스포머로, 컨텍스트 윈도우는 최대 100만 토큰, 사전학습은 텍스트·이미지·오디오·비디오를 아우르는 45조 토큰 규모로 이뤄졌습니다. 전체 가중치는 Apache 2.0 라이선스로 허깅페이스에 올라와 있는데, 파라미터 수 기준으로 보면 현재 공개된 미국산 오픈 웨이트 모델 중 가장 큽니다. 경량 버전인 인클링-스몰(Inkling-Small)은 총 2,760억, 활성 120억 파라미터의 프리뷰로 먼저 나왔고, 테스트가 끝나는 대로 전체 가중치를 공개하겠다고 약속했습니다.

특이한 지점은 스펙 시트가 아닙니다. 표현 방식입니다. 씽킹 머신스는 공식 발표문에서 인클링이 "오늘날 이용 가능한 모델 중, 오픈이든 클로즈드든, 종합적으로 가장 강력한 모델은 아니다"라고 담담하게 밝혔습니다. 이 분야의 어떤 스타트업보다도 많은 기대를 짊어져 온 연구소가, 첫 출시작을 두고 자기 입으로 "우리가 이긴 건 아니다"라고 말한 것입니다.

숫자가 실제로 말하는 것

회사는 최대 추론 노력(effort=0.99로 표기) 기준의 벤치마크를 공개했습니다. Humanity's Last Exam 텍스트 전용 29.7%, AIME 2026 97.1%, GPQA Diamond 87.2%, SWEBench Verified 77.6%, Terminal Bench 2.1 63.8%, MMMU Pro 비전 73.5%, VoiceBench 91.4%입니다. FORTRESS 평가의 적대적 안전성 점수는 78.0%였습니다.

이 수치는 프런티어를 정의하는 수준이라기보다 '경쟁권'으로 읽는 편이 맞습니다. 정상권을 밀어내지는 못하지만 진지한 경쟁자 무리에는 확실히 들어간다는 뜻이고, 연구소 스스로의 평가와도 일치합니다. 더 흥미로운 주장은 효율에 관한 것입니다. 씽킹 머신스는 인클링이 엔비디아의 네모트론 3 울트라와 동등한 코딩 성능을 내면서 토큰은 약 3분의 1만 소비한다고 밝혔습니다. 추론 비용이 에이전트 배포의 결정적 제약인 시장에서, '문제 해결까지 소요된 토큰'은 리더보드 한 줄보다 오히려 정직한 지표일 수 있습니다.

이 모델 위에 무언가를 얹으려는 사람이라면 아키텍처 메모도 눈여겨볼 만합니다. 학습에는 하이브리드 옵티마이저가 쓰였습니다. 큰 행렬 가중치에는 Muon을, 나머지에는 Adam을 적용했습니다. 어텐션 스택은 슬라이딩 윈도와 글로벌 레이어를 5:1 비율로 섞었습니다. 사후학습(post-training)은 3,000만 롤아웃을 넘겼고, 연구소는 강화학습에서 로그-선형 추론 성능 향상을 확인했다고 보고했습니다. 이 마지막 주장은 몇 주 안에 오픈 웨이트 커뮤니티에서 재현되거나, 아니면 조용히 재현되지 않거나 둘 중 하나인 종류의 이야기입니다. 이제 가중치가 공개됐으니 곧 답이 나올 겁니다.

사업은 모델이 아니라 팅커다

인클링은 제품이 아닙니다. 씽킹 머신스는 이걸로 돈을 벌지 않습니다. 매출은 파인튜닝 플랫폼 팅커(Tinker)에서 나오며, 인클링은 출시 첫날부터 50% 도입 할인과 함께 커스터마이징 대상으로 올라갔습니다. 가중치는 고객 유치 깔때기이고, 커스터마이징 레이어가 요금소인 셈입니다.

이는 모델을 잠긴 API로 두고 토큰당 추론에서 마진을 뽑는 프런티어 연구소의 표준 구도를 뒤집습니다. 씽킹 머신스는 대신 기업들이 '단 하나의 최고 범용 모델'보다 '강력하고 주무르기 쉬운 베이스'를 더 원한다는 데 베팅하고 있습니다. 대표 사례로 내세운 것이 브리지워터 어소시에이츠와의 협업입니다. 이 헤지펀드의 금융 전문성으로 학습한 모델이 금융 추론 테스트에서 84.7%를 기록했고, 운영 비용은 약 14분의 1이었다는 겁니다. 다만 이 수치에는 각주가 필요합니다. 테크크런치가 지적했듯, 독립 평가가 아니라 두 회사의 자체 평가에서 나온 숫자입니다.

배포 확대는 즉각적이고 광범위했습니다. 투게더 AI, 파이어웍스, 모달, 베이스텐, 데이터브릭스가 일제히 지원에 나섰습니다. 데이터브릭스는 자사 유니티 AI 게이트웨이를 통해 인클링을 밀고 있는데, 오픈 웨이트 진영이 2년째 반복해 온 바로 그 논리를 그대로 씁니다. 사내 코드베이스로 파인튜닝하고, 커서나 오픈코드 같은 코딩 에이전트에 연결하고, "토큰당 API 과금 없이 추론 비용을 최적화"하고, 벤더 종속을 피하라는 겁니다.

검열 이슈는 포지셔닝 전략이다

씽킹 머신스는 인클링을 코그니션의 프로파간다·검열 평가(Propaganda and Censorship Eval)로 측정해, 검열 비순응 패턴이 강하게 나타났다고 보고했습니다. 이건 한가한 성능 메모가 아닙니다. 중국산 오픈 웨이트 모델들, 즉 딥시크, 큐원, GLM, 그리고 이제 문샷의 키미 K3까지 비용을 무기로 오픈 모델 배포 점유율을 꾸준히 늘려 온 올 한 해 내내 쌓여 온 불안을 정면으로 겨냥한 세일즈 포인트입니다.

포춘은 이 전략적 공백을 명확히 짚습니다. 메타는 오픈 웨이트에서 유료 독점 제품 쪽으로 방향을 틀었고, OpenAI의 오픈 공개는 제한적인 수준에 머물렀으며, 비용에 민감한 기업들은 중국 대안으로 흘러갔습니다. 워싱턴에서는 이를 점점 국가적 사안으로 읽고 있습니다. 인클링은 진짜 규모에서 나온 미국 최초의 신뢰할 만한 응답입니다. 다만 '검열에 대한 저항성'이 파인튜닝된 파생 모델에서도 살아남을지는 별개의 문제입니다. 오픈 웨이트의 핵심은 결국 누구든 그 행동을 다시 학습시켜 없앨 수 있다는 데 있으니까요.

거품을 걷어내야 할 지점

세 가지 단서가 중요합니다.

첫째, 회사는 사후학습에 증류(distillation) 방식으로 경쟁사 출력을 사용했다고 인정했고, 향후 모델은 자체 완결적 방법에 의존할 것이라고 밝혔습니다. 정직한 공개이지만 동시에 '독립적인 프런티어 연구소'와 '다른 연구소의 출력으로 일부 학습했다'가 서로 배타적이지 않다는 사실을 상기시킵니다.

둘째, 재무 상황이 불투명합니다. 보도된 500억 달러 규모 펀딩 라운드는 1월에 이미 정체됐고, 같은 달 공동창업자 두 명이 OpenAI로 떠났습니다. 직원 200명 규모로 자본을 태우면서 간판 모델을 무료로 뿌리는 연구소라면, 팅커가 빠르게 매출로 전환돼야 합니다.

셋째, 9,750억 파라미터에 붙은 Apache 2.0은 대다수 조직에게 실용적이라기보다 상징적입니다. 이 크기의 모델을 스스로 서빙할 수 있는 곳은 극히 드뭅니다. 바로 그래서 라이선스보다 배포 파트너 목록이 더 중요합니다. 실제로 대부분의 사용자는 인클링을 직접 돌리기보다 데이터브릭스나 파이어웍스에서 빌려 쓸 겁니다. 오픈 웨이트가 사주는 것은 이식성과 감사 권한이지, 공짜 추론이 아닙니다.

정리

인클링이 이번 주 가장 흥미로운 모델 공개인 이유는 무언가에서 1위를 해서가 아니라, 무엇을 주장하기를 거부했는지 때문입니다. 120억 달러어치 기대를 등에 진 연구소가 모델을 내놓고, 최고가 아니라고 소리 내어 말한 뒤, 고객들을 파인튜닝 레이어 쪽으로 안내했습니다. 이건 훌륭한 전략적 명료함이거나, 도약 전에 기준선을 우아하게 낮춰 두는 방법이거나 둘 중 하나입니다. 정직한 답은, 기업들이 실제로 대규모 커스터마이징에 돈을 내는지 확인하기 전까지는 알 수 없다는 것입니다.

모호하지 않은 사실도 있습니다. 이제 미국에는 크고, 관대한 라이선스를 달았으며, 진짜 멀티모달이고, 첫날부터 실질적인 배포 인프라를 갖춘 오픈 웨이트 모델이 존재합니다. 지난 18개월간 오픈 웨이트 논의는 항저우와 베이징 쪽으로 기울어 왔습니다. 인클링이 그 흐름을 되돌리지는 못하지만, 국기가 아니라 실력으로 주장을 펴는 오랜만의 미국발 공개인 것은 분명합니다.