2026년 07월 20일 - Inkling 공개, 그리고 몰래 러스트로 갈아탄 Claude Code

AI · ML

AI · LLM

씽킹머신, 오픈웨이트 모델 Inkling 공개 — 근데 1등은 아님

I've got an Inkling

• Thinking Machines Lab이 첫 오픈웨이트 모델 Inkling을 공개함. 975B 파라미터 MoE 구조에 41B만 활성화되는 방식이고, 45조 토큰 규모의 텍스트·이미지·오디오·비디오로 처음부터 학습했음.
• 컨텍스트 창은 최대 1M 토큰까지 지원하고, 텍스트·이미지·오디오를 네이티브로 함께 처리하는 멀티모달 구조. 추론 강도(thinking effort)도 조절 가능함.
• Apache 2.0 라이선스로 가중치를 공개했고, 자체 파인튜닝 플랫폼 Tinker 위에서 바로 커스텀 버전을 만들 수 있게 했음. Artificial Analysis Intelligence Index 기준 41점으로 미국 랩 오픈웨이트 모델 중 1위지만, 오픈소스 전체로 보면 중국 랩들의 모델에는 못 미치는 수준.
• GLM-5.2는 744B 파라미터(활성 40B)에 1M 컨텍스트, MIT 라이선스로 이미 스타트업들의 자체 호스팅 워크로드를 상당수 흡수한 상태임 — 이번 Inkling 공개는 그 구도에 미국 랩이 처음 본격 대응한 카드인 셈.
• 다만 GLM-5.2는 비전 입력을 기본 지원하지 않아 이미지 프롬프트가 안 되는데, Inkling은 처음부터 이 부분을 채우고 나온 것.

---

AI · 로보틱스

텐센트 훈위안, "말하면서 동시에 상상하는" 로봇 두뇌 모델 RxBrain 공개

RxBrain: Embodied Cognition Foundation Model with Joint Language-Visual Reasoning and Imagination

• Tencent Hunyuan 팀이 로봇 등 실체화 에이전트(embodied agent)를 위한 파운데이션 모델 Hy-Embodied-RxBrain을 공개함. 기존 VLM은 장면을 이해하고 텍스트로 결정만 내리고, 월드모델은 미래 영상만 예측하는 데 그쳤는데, RxBrain은 이 둘을 하나의 시퀀스에 합쳤음.
• 하나의 오토리그레시브 시퀀스 안에서 추론 텍스트와 "상상된" 이미지 프레임을 번갈아 생성함 — 학습된 이미지 토큰이 언제 상상할지 스스로 결정하는 구조. 언어는 작업을 하위 단계로 쪼개고 순서·제약 조건을 정하고, 시각적 상상은 각 단계가 도달해야 할 실제 물리적 상태를 이미지로 그려냄.
• Mixture-of-Transformers 아키텍처로 언어·이미지·비디오의 이해와 생성을 한 모델에서 처리함. 학습 데이터는 실제 로봇 영상을 계획 단계별로 쪼개고 시각적 상태 전환과 정렬시키는 자동 파이프라인으로 구축했고, 평가를 위한 RxBrain-Bench도 함께 내놓았음.
• 대규모 액션 데이터 사전학습 없이도 실제 로봇 제어로 확장했을 때 준수한 성능을 보였다는 게 핵심 — 로봇 액션 데이터는 수집 비용이 크다는 게 업계의 오랜 병목이었는데, 이 병목을 우회할 수 있다는 신호로 읽힘.

개발 · 플랫폼

개발 · 인프라

Claude Code, 러스트로 새로 짠 Bun 위에서 돌아가고 있었음

Claude Code uses Bun written in Rust now

• Bun 개발자 Jarred Sumner가 "Bun을 러스트로 재작성했고, 6월 17일 배포된 Claude Code v2.1.181부터 이 버전을 쓰고 있다"고 밝힘. 리눅스 기준 시작 속도가 10% 빨라졌는데 거의 아무도 눈치채지 못했다는 후일담임.
• Simon Willison이 직접 확인에 나서서 strings ~/.local/bin/claude | grep -m1 'Bun v1' 명령으로 "Bun v1.4.0 (macOS arm64)"을 찾아냄. 문제는 GitHub에 정식 공개된 Bun 최신 버전이 v1.3.14(5월 12일)라는 것 — 즉 Claude Code가 아직 정식 출시 전인 Bun 프리뷰 빌드를 실제 프로덕션에 심어서 쓰고 있었다는 뜻.
• strings 명령으로 바이너리 안의 .rs 파일 경로 563개를 뽑아내면서 러스트 포팅이 실제로 이뤄졌다는 것도 재차 확인함. 이후 이 러스트 버전은 "Bun canary"로 정식 공개돼 bun upgrade --canary로 누구나 설치할 수 있게 됐음.
• 수백만 대 디바이스에서 이미 조용히 돌아가고 있었다는 점이 포인트 — 런타임을 통째로 갈아끼워도 사용자가 체감하지 못할 만큼 무결점으로 배포했다는 뜻이고, Bun 팀 입장에선 최대 규모의 실전 검증을 이미 마친 셈.

---

개발 · 오픈소스

하루 만에 스타 551개 — AI 코딩 툴에 "코드 지도" 붙여주는 오픈소스

tirth8205/code-review-graph

• code-review-graph는 Tree-sitter로 코드베이스를 파싱해 SQLite에 구조 그래프로 저장하고, 이를 MCP로 노출해 Claude Code, Codex, Cursor, Windsurf, Zed, Continue, Gemini CLI 등 주요 AI 코딩 툴에 "꼭 필요한 부분만" 컨텍스트로 넘겨주는 도구임. 별도 클라우드나 외부 DB 없이 로컬에서 전부 처리함.
• 설치 커맨드가 로컬에 깔린 AI 코딩 툴을 자동으로 감지해서 각 툴에 맞는 MCP 설정을 심어주고, 지원되는 경우 플랫폼 훅·스킬까지 자동으로 얹어줌. 500개 파일 규모 프로젝트 기준 최초 그래프 빌드에 약 10초가 걸리고, 이후엔 watch 모드로 변경분만 증분 갱신하는 구조임.
• 공개 하루 만에 GitHub 스타 551개를 모으며 트렌딩 1위에 오름 — 리뷰나 대형 리포 작업에서 컨텍스트 사용량을 벤치마크로 줄였다는 게 소구점임.
• 큰 리포에서 AI 툴이 관련 없는 파일까지 통째로 읽어 토큰을 낭비하는 문제가 계속 지적돼 왔던 만큼, 이런 "코드 지도" 계층을 붙이는 접근이 앞으로 여러 MCP 도구들의 표준 패턴으로 자리잡을 가능성이 있음.

산업 · 비즈니스

산업 · 하드웨어

12만 달러짜리 볼링장 채점 시스템, ESP32로 1,600달러에 다시 만듦

Show HN: I replaced a $120k bowling center system with $1,600 in ESP32s

• SRE로 일하는 글쓴이가 가족과 함께 미국 중서부 시골에서 폐업한 8레인 볼링장을 10.5만 달러에 인수했음. 2008년에 설치된 채점 시스템은 공 속도·궤적 계산, 카메라 기반 핀 감지, 파울 판정, 애니메이션, 핀세터·볼리턴 제어까지 맡고 있었는데, 부품 교체만 레인 한 쌍당 4,000달러가 들고 전체 시스템 교체 견적은 8~12만 달러였음.
• 뜯어보니 실제로 물리적 핀세터를 작동시키는 건 릴레이 하나를 켜는 것뿐 — 70년 된 기계식 장비를 움직이는 데 필요한 전자장치는 그게 전부였다는 뜻. 나머지는 전부 기계식이었음.
• 글쓴이는 레인 한 쌍당 200~400달러짜리 프로토타입으로 이를 대체함. ESP32와 ESP-NOW 메시 네트워크(RS485 폴백 포함)로 각 레인의 릴레이·옵토커플러·적외선 브레이크빔 센서를 제어하고, 라즈베리파이 한 대가 레인 컴퓨터 겸 Redis 상태 머신으로 전체를 조율하는 구조임.
• 하드웨어보다 프로토콜·펌웨어 작성이 더 어려운 작업이었다고 밝힘 — 각 노드가 센서 이벤트를 쏘고 명령을 받는 스타 토폴로지 메시를 직접 짰음.
• 8레인 전체를 약 1,600달러에 재현했다는 점이 화제가 되며 공개 6시간 만에 HN에서 740포인트, 댓글 74개를 모았음 — 레거시 산업 장비의 벤더 락인과 폐쇄형 하드웨어 마진이 얼마나 컸는지를 보여주는 사례로 읽힘.