Inkling 2 Mini·DaisyRose-27B 정리: 로컬 에이전트 코딩용 오픈 모델
3줄 요약
- Thinking Machines Lab이 총 264억 파라미터 규모의 Inkling 2 Mini를 오픈 웨이트로 내놓았고, 약 20GB 메모리로 노트북에서 돌릴 수 있다고 밝혔습니다 [2].
- RadixArk는 Qwen3.8-27B에 긴 에이전트 작업 중심의 강화학습을 더한 DaisyRose-27B를 Apache-2.0 라이선스로 풀었습니다 [1].
- 두 모델 모두 에이전트 코딩을 겨냥하지만, Inkling 2 Mini는 여러 차례 주고받는 대화와 까다로운 제약 지시에서 상대적으로 약하다고 합니다 [2].
무엇이 나왔나
Inkling 2 Mini
Inkling 2 Mini는 MoE(전문가 혼합, 토큰마다 일부 전문가 네트워크만 켜는 구조) 모델로, 실제로 쓰이는 활성 파라미터는 34억입니다 [2]. 특징은 레이어를 되풀이해 쓰는 반복형 구조입니다. 24개 레이어를 네 묶음으로 나눈 뒤 가운데 두 묶음을 세 번 돌려, 토큰 하나에 레이어가 총 48번 적용됩니다 [2]. 생각을 모두 글로 풀어 쓰는 대신 내부 계산을 늘려 더 적은 토큰으로 답에 닿도록 설계했다는 설명입니다 [2].
발표된 수치를 보면 DeepSWE v1.1 48.2%, SWE-bench Pro v2 Hard 77.9%로 비교 대상 중 가장 높았습니다 [2]. 다만 Terminal Bench v2.1에서는 71.6%로, 73.0%인 Qwen3.8-27B에 조금 뒤졌습니다 [2]. 도구 활용 쪽에서는 BrowseComp 79.0%, MCP Atlas Public 82.7%를 기록했습니다 [2].
DaisyRose-27B
DaisyRose-27B는 RadixArk가 처음 공개한 모델입니다 [1]. 엄선한 작업 약 1,200개로 H200 144대를 18일간 돌렸고, 총 약 63,000 GPU 시간이 들었다고 합니다 [1]. 터미널 작업 벤치마크인 Terminal-Bench 4.1의 pass@1(한 번 시도해 성공하는 비율)은 5.6%에서 12.0%로 올랐습니다 [1].
학습 데이터는 세 가지 원칙으로 골랐습니다. 원본 모델이 자주 틀리는 지점을 노리고, 서로 이어지는 문제를 묶어 긴 작업으로 만들고, 문제를 실제로 풀지 않고 점수만 따는 '보상 해킹' 여지가 있는 작업은 손보거나 뺐다는 것입니다 [1]. 26만 토큰 문맥과 이미지 이해 능력은 그대로 유지했습니다 [1].
어떻게 써먹나
- Mac에서 로컬로 돌려 보기: 발표에 따르면 Inkling 2 Mini는 RAM 32GB 이상인 Mac에서 Ollama로 실행할 수 있습니다 [2]. 공개 사례로는 M5 Pro·48GB MacBook Pro를 비행기 모드로 두고 비행 시뮬레이터를 몇 분 만에 만든 것, 같은 사양에서 주민 20명이 움직이는 가상 마을을 돌린 것이 있습니다 [2]. 인터넷 없이 코드를 다뤄야 하는 환경에서 검토해 볼 만합니다.
- 검색·MCP 도구와 함께 쓰기: 반복 구조는 모델이 외우는 사실 지식의 양을 늘려 주지 않으며, 지식량은 주로 전체 파라미터 수에 달려 있다고 합니다 [2]. 최신 API 문서나 라이브러리 정보는 검색이나 MCP 도구로 채워 주는 구성이 출처 설명과 맞습니다 [2].
- Qwen3.8-27B 환경을 그대로 활용하기: RadixArk는 기존 Qwen3.8-27B용 실행 구성에 DaisyRose-27B를 바꿔 끼울 수 있다고 밝혔습니다 [1]. 가중치는 BF16, FP8, NVFP4 세 가지로 제공되므로 보유 GPU에 맞는 정밀도를 고르면 됩니다 [1].
- 자체 에이전트 학습: 학습에 쓴 강화학습 프레임워크 Miles는 오픈소스입니다 [1]. 에이전트 실행과 학습을 서로 기다리지 않게 돌리는 비동기 방식과 내부 백엔드를 조합해, 비교한 Megatron 기반 학습기보다 GPU 시간을 57% 아꼈다고 합니다 [1]. 다만 내부 백엔드가 공개 범위에 포함되는지는 자료로는 확인되지 않습니다.
주의할 점
- Inkling 2 Mini의 속도 비교 그래프는 실측이 아니라 메모리 대역폭 614GB/s, BF16, 배치 크기 1을 가정한 이론적 상한입니다 [2]. 시연 영상도 대부분 15배속으로 재생됐습니다 [2].
- MultiChallenge 50.0%, ComplexConstraints v1.1 33.4%로 두 항목 모두 Qwen3.8-27B보다 낮습니다 [2]. 조건이 많은 지시나 긴 대화형 작업에는 별도 검증이 필요합니다.
- DaisyRose-27B의 12.0%는 원본 대비 두 배 남짓이지만 절대 수치는 여전히 낮은 편입니다. 이 값은 요약 기능을 켠 내부 mini-swe-agent 하네스로 작업당 8회 돌린 평균입니다 [1].
- DaisyRose-27B를 노트북에서 돌릴 때 필요한 메모리, Inkling 2 Mini의 라이선스, 두 모델의 이용 가격은 자료에 나오지 않아 아직 확인되지 않았습니다.
- 반복 구조는 글로 드러나지 않는 추론을 늘려 사고 과정 감시를 어렵게 할 수 있다는 우려가 있지만, 이번 실험 규모에서는 감시 가능성이 뚜렷하게 떨어지지 않았다고 합니다 [2].
정리
Inkling 2 Mini는 노트북 한 대로 돌리는 에이전트 코딩 모델을 노린 선택지이고, DaisyRose-27B는 Qwen3.8-27B 사용자에게 긴 에이전트 작업 성능을 끌어올린 대체 모델입니다 [1][2]. 공개 벤치마크는 각 사의 평가 조건에 따른 결과이므로, 실제 저장소와 작업 흐름에 맞춰 작은 범위부터 비교해 보는 접근이 안전합니다.
참고 자료
- DaisyRose-27B - 장시간 에이전트 작업에 강화학습을 적용한 Qwen3.8-27B 기반 모델 · GeekNews, 2026-11-19
- Inkling 2 Mini - 노트북에서 실행하는 반복형 트랜스포머 모델 · GeekNews, 2026-11-20