AI/LLM

미라 무라티 잉클링 공개 — 싱킹머신즈랩 오픈웨이트·사고량 조절·팅커 전략

오픈AI 전 CTO 미라 무라티의 싱킹머신즈랩이 첫 범용 모델 잉클링(Inkling)을 오픈웨이트로 공개했다. 9750억 파라미터 MoE, 사고량(thinking budget) 조절, 기업 맞춤 팅커(Tinker) 플랫폼, 딥시크·키미 참고 보도까지. 셀프호스팅 LLM·오픈소스 모델·API 비용·데이터 주권을 저울질하는 개발자·백엔드·ML 팀을 위한 도입 체크리스트와 라이선스 주의점.

by Lee발행: 2026-07-18

한 줄 요약: 오픈AI 전 CTO 미라 무라티(Mira Murati)의 싱킹머신즈랩(Thinking Machines Lab)이 첫 범용 모델 잉클링(Inkling)을 오픈웨이트로 공개했다. 9750억 파라미터 MoE, 사고량 조절, 기업 맞춤 플랫폼 팅커(Tinker)가 핵심이다.

이 글이 필요한 사람: 오픈웨이트·셀프호스팅 LLM을 검토 중인 백엔드·ML 엔지니어, API 비용과 데이터 통제를 저울질하는 제품·인프라 담당, 중국 오픈 모델과 미국 진영의 무게 이동을 추적하는 개발자.

네이버·다음 IT면에 “성능 100단계 조절 가능한 AI 모델”, “오픈소스 모델 뜬다” 식 헤드라인이 올라온 뒤 검색량이 붙었다. 이 글은 보도 요약이 아니라 잉클링이 개발 스택에서 어디에 끼는지 — 오픈웨이트 vs 오픈소스, 사고 예산(thinking budget), 팅커 수익 모델, 도입 체크리스트 — 를 정리한다.

잉클링 공개 사실 정리와 스펙 경계
오픈웨이트·MoE·사고량 조절이 실무에서 의미하는 것
팅커 플랫폼과 폐쇄형 API 대비 선택 기준
참고 자료·FAQ

※ 미출시 벤치마크 체감 후기·미확인 가격은 쓰지 않는다. 수치·일정은 공식 발표·신뢰 가능한 보도에 한정한다.

무슨 일이 있었나 — 미라 무라티의 첫 자체 모델

2026년 7월 15일(현지) 전후, 싱킹머신즈랩은 회사 설립 이후 첫 자체 범용 AI 모델 잉클링을 공개했다고 보도됐다. 미라 무라티는 오픈AI에서 챗지피티·이미지 생성 모델 개발을 이끌다 2024년 9월 퇴사했고, 이후 싱킹머신즈랩을 세워 앤드리슨호로위츠·엔비디아·AMD 등으로부터 대규모 투자를 받은 바 있다.

보도에 따르면 잉클링의 골자는 다음과 같다.

오픈웨이트: 학습된 가중치를 내려받아 자체 서버에서 돌리고, 보유 데이터로 추가 학습할 수 있다. 학습 데이터·전체 소스코드까지 여는 완전 오픈소스와는 다르다.
약 9750억 파라미터, 질의당 약 410억 파라미터만 활성화하는 전문가 혼합(MoE) 구조.
텍스트·이미지·음성·영상 등 멀티모달 입력 학습(약 45조 토큰 규모로 보도). 현재 출력은 문장·코드·표 등 텍스트 계열에 제한된다는 설명.
문제 난도에 따라 AI가 답을 찾는 사고량(사고 예산)을 조절할 수 있고, 불확실한 질문에는 억지 답 대신 불확실성을 표시하도록 설계했다는 주장.
회사 스스로 “공개된 개방·폐쇄 모델 중 최강은 아니다”라고 선을 그으며, 최고 성능 경쟁보다 여러 업무에서 고르게 작동하는 쪽을 목표로 한다고 밝혔다.

구조적으로 중국 딥시크(DeepSeek) V3 계열을 참고했고, 후속 학습 데이터 일부에 문샷AI 키미(Kimi) 계열 생성 데이터를 활용했다는 보도도 있다. 사전학습은 자체 진행, 다음 세대부터는 후속 학습도 자체화하겠다는 계획으로 전해진다. 이 부분은 라이선스·재학습 정책 확인이 필수다.

미라 무라티 싱킹머신즈랩 오픈웨이트 AI 모델 — 오픈AI 전 CTO 라인의 첫 자체 모델이 오픈웨이트로 나온 것이 핵심 신호다

오픈웨이트 vs 폐쇄 API — 개발자가 실제로 얻는 통제권

검색 키워드에 “오픈소스 모델”이 붙지만, 잉클링은 보도 기준으로 오픈웨이트에 가깝다. 용어를 섞으면 라이선스 사고가 난다.

축	폐쇄형 API	오픈웨이트	완전 오픈소스
가중치	비공개	공개·다운로드	공개
학습 데이터·코드	비공개	보통 비공개·부분 공개	재현 가능한 범위로 공개
호스팅	벤더 종속	자체·VPC 가능	자체·VPC 가능
미세조정	벤더 기능 범위	로컬·전용 클러스터	동일 + 연구 재현
비용 형태	토큰·호출	GPU·전력·인력	GPU·전력·인력

실무에서 오픈웨이트가 빛나는 구간은 세 가지다. ① 데이터가 밖으로 못 나가는 계약, ② 호출량이 많아 API 한계 비용이 아픈 경우, ③ 도메인 미세조정 가중치를 자산으로 소유하고 싶은 경우. 반대로 트래픽이 적고 품질만 필요하면 클로즈드 API가 여전히 싸다. 잉클링 공개는 “미국 진영에도 쓸 만한 오픈웨이트 선택지가 늘었다”는 신호이지, 모든 팀이 당장 셀프호스팅해야 한다는 뜻이 아니다.

용어 주의: 헤드라인의 “오픈소스”와 본문의 “오픈웨이트”를 혼동하지 말 것. 배포 전 라이선스 전문(상업 이용·재배포·파생 모델·학습 데이터 재사용)을 법무·보안과 함께 읽는다.

사고량 조절 — 100단계 헤드라인의 개발 해석

국내 검색·뉴스에서는 “성능 100단계 조절” 표현이 눈에 띄었다. 영문·기술 맥락에서는 흔히 추론 시 사고 예산(thinking / reasoning budget) — 문제 난도에 따라 내부 연산·토큰 소비를 늘리거나 줄이는 컨트롤 — 과 같은 계열로 이해하면 된다. 구체 UI가 “100단계 슬라이더”인지는 제품 문서·데모 기준으로 확인해야 하며, 이 글에서는 미확인 UI를 단정하지 않는다.

개발 관점에서 사고 예산이 중요한 이유는 단순하다.

비용 곡선: 쉬운 질의에 최대 추론을 쓰면 GPU·지연이 낭비된다. 난도별 기본값을 두면 평균 단가가 내려간다.
지연 SLA: 챗 UI는 빠른 응답, 배치 분석·코드 리뷰는 느려도 정확도가 우선이다. 엔드포인트마다 예산을 분리할 수 있다.
불확실성 표시: 억지 답 대신 “모르겠다”를 내면, 다운스트림에서 휴먼 리뷰·재질문 분기를 걸 수 있다. RAG·도구 호출 에이전트와 궁합이 좋다.

이미 앤트로픽 클로드의 노력 레벨, 오픈AI 추론 모델의 토큰 한도 같은 축이 시장에 있다. 잉클링이 그 축을 오픈웨이트 배포로 가져왔다면, 셀프호스팅 팀도 “품질 슬라이더”를 제품 설정에 노출할 수 있게 된다. 관건은 벤치마크 홍보가 아니라 우리 평가셋에서 예산 단계별 품질·지연 곡선을 그리는 일이다.

LLM 사고 예산 조절과 비용 지연 트레이드오프 — 사고 예산을 난도별로 나누면 평균 비용과 p95 지연을 동시에 관리하기 쉽다

사고 예산 라우팅 스케치 (의사코드)
// thinking-budget-router.example.js
// 실제 잉클링 API 스펙이 아닌, 제품 설계용 패턴 예시
function pickThinkingBudget(req) {
  const { task, userTier, maxLatencyMs } = req;

  if (task === 'typo-fix' || task === 'classify') {
    return { level: 'low', reason: '단순 작업 — 빠른 응답 우선' };
  }
  if (task === 'code-review' || task === 'security-audit') {
    return { level: 'high', reason: '오탐 비용이 큼' };
  }
  if (maxLatencyMs && maxLatencyMs < 1500) {
    return { level: 'low', reason: 'SLA 우선 — 품질 일부 양보' };
  }
  if (userTier === 'free') {
    return { level: 'medium', reason: '무료 티어 비용 캡' };
  }
  return { level: 'medium', reason: '기본값' };
}

// 응답 후: 불확실성 플래그가 있으면 human_queue 로 보냄
function routeAfterModel(result) {
  if (result.uncertainty === 'high') {
    return { action: 'human_review', payload: result };
  }
  return { action: 'auto_apply', payload: result };
}

팅커(Tinker) — 모델 판매보다 맞춤 학습 플랫폼

싱킹머신즈랩은 잉클링 자체를 단순 유료 판매하기보다, 기업이 자체 데이터로 맞춤 학습하는 플랫폼 팅커에서 수익을 낸다는 전략으로 보도됐다. 메시지는 명확하다. “모든 고객에게 같은 범용 모델 하나”가 아니라, 업무·지식 체계가 다른 기업마다 수정 가능한 AI가 현장 성능이 더 높다는 주장이다.

이 전략이 개발 조직에 던지는 질문은 세 가지다.

데이터 준비도: 미세조정할 만큼 정제된 사내 코퍼스·라벨·피드백 루프가 있는가.
MLOps 소유: 학습 잡, 평가셋, 롤백, 드리프트 모니터링을 누가 운영하는가. 팅커 같은 플랫폼을 써도 평가 책임은 남는다.
벤더 락인 형태: 가중치는 가져가더라도 학습 파이프라인·UI·관측이 플랫폼에 묶이면, API 락인과 다른 형태의 종속이다. 중간 체크포인트 내보내기 정책을 계약 전에 확인한다.

중국 오픈웨이트가 先行하고 메타·오픈AI도 개방·폐쇄를 병행하는 구도에서, 미국 쪽 “쓸 만한 오픈웨이트 + 엔터프라이즈 미세조정” 공백을 겨냥한 포지셔닝으로 읽힌다. 팀 입장에서는 잉클링 하나만 보는 게 아니라 라마·큐원·딥시크·키미 계열과 같은 평가 테이블에 한 줄 더 넣는 작업이다.