Thinking Machines Lab představuje Inkling, svůj první otevřený multimodální model AI

Thinking Machines Lab vydal Inkling, svůj první obecný umělý inteligentní model, který poskytuje vývojářům přístup k téměř jednomu bilionu parametrů, které mohou zpracovávat text, obrázky a audio. Spuštění 15. července 2026 představuje nejvýznamnější produktový milník pro tuto silně financovanou AI společnost, kterou založila bývalá technická ředitelka OpenAI Mira Murati.

Spíše než tvrdit, že postavili nejvýkonnější model na světě, Thinking Machines prezentuje Inkling jako přizpůsobitelnou základnu pro společnosti, výzkumné pracovníky a vývojáře, kteří chtějí mít větší kontrolu nad tím, jak se jejich AI chová. Jeho váhy lze stáhnout přes Hugging Face pod licencí Apache 2.0, zatímco model lze také jemně upravit prostřednictvím platformy Tinker pro školení.

Tato pozice by mohla být důležitá, protože trh s umělou inteligencí se dělí mezi proprietární systémy na hranici vývoje, které kontroluje malé množství společností, a otevřené modely, které organizace mohou upravit, hostovat a integrovat do své vlastní infrastruktury.

Model s 975 miliardami parametrů, který používá pouze zlomek najednou

Inkling obsahuje 975 miliard parametrů, což z něj činí jeden z největších otevřených modelů, který byl dosud vydán. Nicméně používá řídkou architekturu Mixture-of-Experts, což znamená, že pouze 41 miliard parametrů je aktivováno při zpracování každého jednotlivého tokenu.

Model obsahuje 66 transformerových vrstev a 256 expertů. Každý token je odeslán šesti z těchto expertů, spolu se dvěma sdílenými experty, kteří zůstávají aktivní napříč žádostmi. Tento přístup je určen k tomu, aby poskytl znalostní kapacitu velmi velkého modelu, aniž by vyžadoval, aby každý parametr byl použit během každé inferenční operace.

Thinking Machines uvedl, že design Mixture-of-Experts se značně inspiruje nápady, které byly představeny v DeepSeek-V3, včetně jeho směrování a metod load-balancingu. Inkling také používá kombinaci posuvného okna a globální pozornosti, spolu s relativními pozicními vložením místo Rotary Positional Embeddings, které se běžně používají v moderních jazycových modelech.

Model podporuje kontextové okno až do jednoho milionu tokenů. Prostřednictvím Tinker mají vývojáři aktuálně přístup k konfiguracím 64 000 tokenů a 256 000 tokenů, zatímco plná kontextová kapacita je dostupná prostřednictvím kompatibilních nasazení stažených vah.

Přirozené uvažování napříč textem, obrázky a audiem

Inkling je přirozeně multimodální, přijímá text, obrázky a audio jako vstupy a generuje text jako výstup. Obrázky jsou zpracovávány pomocí hierarchického patch encoderu, zatímco audio je převáděno na diskrétní tokeny a umístěno do stejného sdíleného reprezentačního prostoru jako textová a vizuální informace.

Thinking Machines předběžně trénoval model na 45 bilionech tokenů z textů, obrázků, audia a videa. Společnost uvedla, že data zahrnovala veřejně dostupný materiál, licencované nebo získané třetí strany, a synteticky generovaný nebo augmentovaný obsah. Nicméně, modelová karta neposkytuje úplný seznam dat, což činí “otevřené váhy” přesnější popis než plně otevřený zdroj.

Společnost také představila ovladatelný systém uvažování, který umožňuje vývojářům upravit, kolik výpočtu Inkling aplikuje před tím, než poskytne odpověď. Nižší nastavení uvažování může snížit latenci a spotřebu tokenů, zatímco vyšší nastavení lze použít pro složitější kódování, matematické, vědecké nebo nástrojové úkoly.

Společně s hlavním modelem Thinking Machines ukázal Inkling-Small, 276miliardový parametr Mixture-of-Experts model s 12 miliardami aktivních parametrů. Společnost uvedla, že vylepšení dat a receptu na školení umožnila menšímu modelu dosáhnout nebo překonat větší verzi v několika hodnoceních, ačkoli Inkling-Small dosud nezískal stejnou plnou uvolněnou léčbu.

Navigace pro přizpůsobení prostřednictvím Tinker

Inkling je úzce spojen s Tinker, cloudovou platformou pro školení, kterou Thinking Machines představil v roce 2025. Tinker umožňuje vývojářům psát školicí postupy místně, zatímco platforma spravuje distribuovanou infrastrukturu GPU vyžadovanou pro jemné upravení modelů, od relativně malých systémů až po architektury Mixture-of-Experts s trilionem parametrů.

Platforma podporuje dohledované jemné upravení, učení se posilováním, Direct Preference Optimization, destilaci a Low-Rank Adaptation. Zákazníci si mohou stáhnout výsledné kontrolní body a Thinking Machines uvádí, že zákaznická školicí data se používají pouze k jemnému upravení modelů zákazníků, a ne k začlenění do vlastních základních modelů.

Aby demonstroval tento proces přizpůsobení, společnost požádala Inkling, aby se jemně upravit do modelu, který by nikdy nepoužíval písmeno “e”. Inkling vygeneroval své vlastní školicí data a metodu hodnocení, vytvořil a spustil jemné upravení úkolu prostřednictvím Tinker, otestoval aktualizovaný kontrolní bod a poté načíst upravené váhy do své pracovní prostředí.

Demonstrace je úmyslně úzká, ale ilustruje širší strategii. Thinking Machines chce, aby vývojáři pohlíželi na základní modely jako na výchozí body, které lze přizpůsobit terminologii, pracovním postupům, datům, zásadám a preferovanému chování organizace, spíše než jako na hotové produkty, které jsou zcela řízeny původním poskytovatelem modelu.

Konkurenceschopný výkon bez nároku na benchmarkový trůn

Thinking Machines otevřeně uznává, že Inkling není nejsilnějším modelem dostupným napříč všemi kategoriemi. Jeho výsledky benchmarků obecně jej umístňují mezi schopnějšími otevřenými systémy, zatímco vedoucí proprietární modely z firem, jako je Anthropic, Google a OpenAI, si udržují celkovou výhodu.

Inkling skóroval 97,1 % na benchmarku American Invitational Mathematics Examination 2026 a 87,2 % na GPQA Diamond, který hodnotí vědecké uvažování na úrovni absolventů. Zaznamenal 77,6 % na SWE-bench Verified a 54,3 % na SWE-bench Pro Public, dva benchmarky, které se používají k hodnocení schopnosti kódovacích agentů řešit skutečné problémy softwarového inženýrství.

Na Humanity’s Last Exam Inkling skóroval 29,7 % bez nástrojů a 46 % s přístupem k nástrojům. Jeho výkon s nástroji byl konkurenceschopný s několika otevřenými modely, ale zůstal pod nejsilnějšími uzavřeným systémy zahrnutými do srovnání Thinking Machines.

Inkling také získal skóre 1 257 na Design Arena’s Agentic Web Development leaderboard, kde humanitní hodnotitelé srovnávají aplikace vytvořené různými modely. To jej umístilo poblíž několika proprietárních systémů a před mnoha zavedenými otevřenými konkurenty.

Jako u každého souboru benchmarků vydávaných dodavatelem budou výsledky vyžadovat nezávislou reprodukci. Thinking Machines použil externí skóre, kdykoli byly k dispozici, ale několik hodnocení se spoléhalo na interní harnessy, konfigurace nebo samoohlášené výsledky od poskytovatelů konkurenčních modelů.

Nízké náklady jsou spojeny se značnými požadavky na hardware

Argumentace Inklingu o nákladech je založena převážně na jeho řídké architektuře a ovladatelném uvažování. Aktivace 41 miliard parametrů místo všech 975 miliard by měla učinit inferenci podstatně efektivnější než spuštění podobně velkého hustého modelu, zatímco umožnění vývojářům deaktivovat prodloužené uvažování pro žádosti, které je nevyžadují.

Prostřednictvím Tinker je verze 64 000 tokenů uvedena za 1,87 USD za milion předplněných tokenů, 4,68 USD za milion vzorkovaných tokenů a 5,61 USD za milion trénovacích tokenů. Konfigurace 256 000 tokenů je cenově vyšší, 3,74 USD za předplněné, 9,36 USD za vzorkované a 11,23 USD za trénovací tokeny, s nižšími sazbami dostupnými pro cache vstupu.

Tyto údaje činí experimentování s velkými modely přístupnějším než sestavení dedikovaného trénovacího clusteru, ale Inkling není model, který by většina vývojářů běžela na obyčejné pracovní stanici. Plný kontrolní bod BF16 vyžaduje alespoň dva terabajty agregované grafické paměti, což odpovídá osmi Nvidia B300 GPU nebo 16 H200 GPU.

Kvantizovaný kontrolní bod NVFP4 snižuje požadavek na přibližně 600 gigabajtů, ale stále vyžaduje infrastrukturu, jako jsou čtyři B300 GPU nebo osm H200 GPU. V praxi je proto mnoho organizací pravděpodobně přístup k Inklingu prostřednictvím Tinker nebo třetích stran, které poskytují inferenci, spíše než přímé hostování kompletního modelu.

Rovnováha mezi odolností vůči cenzuře a bezpečnostními kontrolami

Jednou z méně obvyklých designových cílů Inklingu je to, co Thinking Machines popisuje jako odolnost vůči cenzuře. Společnost uvádí, že model byl speciálně trénován na to, aby odpovídal na otázky o tématech, která mohou být politicky nebo institucionálně citlivá, spíše než aby je automaticky odmítal.

Cognition vyhodnotil Inkling pomocí benchmarku Propaganda a Cenzura a Thinking Machines uvedl, že model prokázal silné vzorce “nesouladu s cenzurou”. Základní myšlenka spočívá v tom, že otevřený model by neměl zdědit zbytečné politické omezení nebo standardizované názory pouze proto, že tyto preference byly vloženy jeho původním vývojářem.

To však neznamená, že Inkling je navržen tak, aby odpověděl na každou žádost. Společnost samostatně trénovala model, aby odmítl pokyny související se zbraněmi, násilím, kybernetickým zneužíváním, chemickými nebo biologickými hrozbami, manipulací a dalšími nebezpečnými aktivitami.

Inkling dosáhl 78 % na adversativní části bezpečnostního benchmarku FORTRESS, zatímco správně odpověděl na 95,9 % benigních otázek, které se podobají škodlivým žádostem. Dosáhl také 98,6 % na StrongREJECT, který měří, zda modely odmítají jasně škodlivé pokyny. Thinking Machines uvádí, že tato kombinace naznačuje, že model může udržovat bezpečnostní kontroly, aniž by zbytečně blokoval legitimní otázky, ačkoli účinek následného jemného upravení třetích stran zůstává otevřeným problémem výzkumu.

Od vedení OpenAI k 12miliardové startupu

Thinking Machines Lab byl oficiálně spuštěn v únoru 2025, několik měsíců poté, co Murati opustil OpenAI. Sloužil jako technický ředitel OpenAI během spuštění produktů, jako je ChatGPT, DALL-E a rané hlasové a multimodální systémy.

Původní tým zahrnoval přibližně 30 výzkumných pracovníků a inženýrů, kteří byli najati z OpenAI, Meta, Mistral a dalších AI organizací. Přibližně dvě třetiny jeho zaměstnanců při spuštění dříve pracovali v OpenAI. Zakládající skupina zahrnovala spoluzakladatele OpenAI Johna Schumana, Barretta Zopha, Lilian Weng, Andrewa Tullocha a Lukea Metze, kteří přinesli zkušenosti z učení se posilováním, modelové shody, multimodální AI, předtrénování a post-trénování.

Pouze pět měsíců po spuštění Thinking Machines získal přibližně 2 miliardy USD při valuaci 12 miliard USD. Andreessen Horowitz vedl kolo, s účastí Nvidia (NVDA ), Accel, ServiceNow (NOW ), Cisco, AMD a kvantitativního obchodního domu Jane Street.

Nvidia od té doby rozšířila své vztahy se společností prostřednictvím víceletého strategického partnerství. Oznámeno v březnu 2026, dohoda vyžaduje nasazení nejméně jednoho gigawattu next-generation Nvidia Vera Rubin systémů na podporu školení modelů Thinking Machines a přizpůsobitelných AI platforem. Nvidia také provedla další investici do společnosti.

Inkling odráží širší sázku na decentralizovanou AI

Thinking Machines tvrdí, že většina AI systémů je trénována malým počtem společností a poté distribuována jako largely fixní produkty. Jejich alternativa je ekosystém, ve kterém mohou podniky a jednotlivci neustále přizpůsobovat modely pomocí svých znalostí, preferencí a úsudku.

Tato filozofie vysvětluje, proč je Inkling vydán s možností stažení vah místo toho, aby byl nabízen výhradně prostřednictvím proprietárního rozhraní. Také spojuje model s Tinker, který poskytuje školicí infrastrukturu potřebnou k úpravě chování bez donucení každé organizace k sestavení vlastního velkého clusteru GPU.

Stále existuje napětí mezi touto vizí a praktickými realitami vydání. Inkling je dostatečně otevřený ke stažení a úpravě, ale dostatečně velký, aby pouze dobře financované organizace mohly realisticky hostit kompletní model. Jeho trénovací data jsou popsána v širokých kategoriích spíše než plně dokumentována a úprava může potenciálně oslabit bezpečnostní kontroly vestavěné do původního kontrolního bodu.

Vydání přesto poskytuje západním vývojářům další velkou otevřenou možnost v době, kdy mnoho z nejkonkurenceschopnějších přizpůsobitelných modelů pochází z čínských laboratoří, jako je DeepSeek, Alibaba, Moonshot AI a Zhipu AI. Reuters poznamenal, že vývoj otevřených vah na Západě ztratil impulz, protože několik předních amerických společností se přesunulo směrem k proprietárnějším strategiím.

Co Inkling znamená pro AI

Inklingova významnost může záviset méně na tom, zda povede každý benchmark, a více na tom, zda vývojáři mohou vytvořit specializované systémy, které překonají obecné modely v užších doménách.

Společnosti ve finančnictví, zdravotnictví, inženýrství, kybernetické bezpečnosti, vědeckém výzkumu a softwarovém vývoji často vlastní cenné interní znalosti, které jsou špatně reprezentovány ve veřejných trénovacích datech. Schopný otevřený model, kombinovaný s přístupnými možnostmi učení se posilováním a jemným upravením, by mohl umožnit těmto organizacím zakódovat více odborných znalostí přímo do chování modelu.

Stejně tak bude model muset prokázat, že jeho tvrzení o efektivitě se promítnou do nižších celkových nákladů na nasazení, zejména když jsou zohledněny infrastruktura, objem inferencí, jemné upravení, monitorování a testování bezpečnosti. Nezávislí výzkumníci budou muset také prozkoumat jeho výkon v benchmarcích, multijazyčné schopnosti, politickou neutralitu, míru halucinací a odolnost vůči degradaci bezpečnosti po úpravě.

Thinking Machines vstoupil na trh s neobvykle zkušenou týmem, značnou investiční podporou a infrastrukturními závazky, které jsou obvykle spojeny s mnohem staršími AI laboratořemi. Inkling je první příležitostí společnosti prokázat, že tyto zdroje mohou produkovat více než ambiciózní výzkumné plány a trénovací platformy.

Model nezastíní vedoucí proprietární systémy a Thinking Machines Lab netvrdí, že to dělá. Místo toho Inkling nabízí jinou nabídku: že budoucnost pokročilé AI může být formována nejen tím, kdo trénuje nejsilnější obecný model, ale také tím, kdo poskytne vývojářům nejsilnější základnu pro budování vlastních modelů.