Tinker 정식 출시: Kimi K2 추론 모델 및 Qwen3-VL 비전 지원 추가

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

Thinking Machines Lab이 AI 모델 학습 및 커스터마이징 플랫폼인 Tinker의 정식 출시(GA)를 발표했다. 이번 업데이트를 통해 기존 대기 명단이 제거되어 누구나 즉시 가입하여 사용할 수 있으며, 1조 개의 파라미터를 보유한 추론 특화 모델 Kimi K2 Thinking과 멀티모달 처리를 위한 Qwen3-VL 모델이 새롭게 추가되었다. 또한 OpenAI API와 호환되는 인터페이스를 도입하여 기존 워크플로우와의 통합을 용이하게 했으며, 비전 모델의 성능을 입증하기 위해 DINOv2와의 비교 벤치마크 결과를 공개했다.

배경

LoRA 파인튜닝 개념, OpenAI API 사용법, VLM(Vision Language Model) 기초

대상 독자

AI 모델 학습 및 배포를 담당하는 ML 엔지니어 및 연구원

의미 / 영향

Tinker의 GA와 OpenAI API 호환성 확보는 개발자들이 고성능 오픈소스 모델을 더 쉽게 학습하고 상용 서비스에 적용할 수 있는 인프라 접근성을 높여준다. 특히 거대 추론 모델과 비전 모델의 통합 지원은 멀티모달 에이전트 개발을 가속화할 것으로 예상된다.

섹션별 상세

Tinker 플랫폼이 정식 출시되어 누구나 대기 없이 가입하여 사용할 수 있게 되었다. 사용자는 Tinker 홈페이지에서 모델 라인업과 가격을 확인할 수 있으며, 제공되는 쿡북을 통해 다양한 코드 예제를 참고할 수 있다. 이번 일반 공개는 모델 학습 및 커스터마이징을 원하는 빌더와 연구자들에게 더 넓은 접근성을 제공한다.

새로운 추론 모델인 Kimi K2 Thinking이 추가되었다. 이 모델은 1조 개의 파라미터를 가진 거대 모델로, 긴 추론 체인(Chain of Reasoning)과 도구 사용(Tool Use)에 최적화되어 복잡한 논리적 작업에 적합하다. 사용자는 이제 Tinker 플랫폼 내에서 이 거대 모델을 직접 미세 조정할 수 있다.

OpenAI API와 호환되는 샘플링 인터페이스를 도입했다. 이를 통해 사용자는 모델 학습 중에도 특정 경로를 지정하여 빠르게 샘플링을 수행할 수 있으며, 기존 OpenAI API 기반 플랫폼들과 Tinker를 손쉽게 연동할 수 있다. 이는 기존 인프라를 유지하면서도 Tinker의 강력한 모델들을 즉시 활용할 수 있는 유연성을 제공한다.

Qwen3-VL 시리즈(30B, 235B)를 통한 비전 입력 지원이 시작되었다. 사용자는 텍스트와 이미지 데이터를 교차 배치하여 입력할 수 있으며, 이를 활용해 지도 미세 조정(SFT)이나 강화학습(RL) 기반의 비전 모델 튜닝이 가능하다. 특히 스크린샷, 다이어그램, 사진 등 다양한 시각적 데이터를 처리하는 애플리케이션 구축에 유리하다.

Qwen3-VL-235B 모델과 DINOv2-base 모델의 이미지 분류 성능 비교 실험 결과가 공개되었다. LoRA를 이용한 미세 조정 결과, 데이터가 적은 환경(Few-shot)에서 Qwen3-VL이 DINOv2보다 우수한 정확도를 보였다. 이는 VLM이 가진 사전 언어 지식이 '골든 리트리버'나 '해바라기' 같은 개념을 이해하는 데 도움을 주어 분류 성능을 높였기 때문이다.

이미지 분석

Chart
클래스당 학습 데이터 개수(1~16개)에 따른 정확도 변화를 보여준다. 모든 데이터셋에서 Qwen3-VL(파란색)이 DINOv2(주황색)보다 높은 초기 정확도를 보이며, 특히 데이터가 극도로 적은 1-shot 상황에서 성능 차이가 두드러짐을 확인할 수 있다.
Caltech-101, Stanford Cars 등 4개 데이터셋에서 Qwen3-VL과 DINOv2의 성능을 비교한 그래프이다.

실무 Takeaway

Tinker의 OpenAI API 호환성을 활용해 기존에 구축된 LLM 애플리케이션의 백엔드를 코드 수정 최소화로 교체할 수 있다.
데이터가 부족한 특정 도메인의 이미지 분류 작업 시, 순수 비전 모델보다 언어 지식을 결합한 Qwen3-VL 같은 VLM을 LoRA로 튜닝하는 것이 더 효율적이다.
복잡한 추론이나 도구 사용이 필요한 에이전트 개발 시 1조 파라미터 규모의 Kimi K2 Thinking 모델을 활용하여 성능을 극대화할 수 있다.

언급된 리소스

문서Tinker Homepage

튜토리얼Tinker Cookbook

API DocsTinker Documentation