Thinking Machines Lab præsenterer Inkling, dens første åbne-vægts multimodale AI-model

Thinking Machines Lab har udgivet Inkling, dens første generelle formål kunstig intelligens-model, der giver udviklere adgang til et næsten en billion parameter-system, der kan behandle tekst, billeder og lyd. Den 15. juli 2026 lancering repræsenterer den mest betydningsfulde produkt-milepæl hidtil for det tungt finansierede AI-selskab grundlagt af tidligere OpenAI Chief Technology Officer Mira Murati.

I stedet for at hævde, at de har bygget verdens mest kapable model, positionerer Thinking Machines Inkling som en tilpasset grundlag for virksomheder, forskere og udviklere, der ønsker større kontrol over, hvordan deres AI-opfører sig. Dens vægte kan downloades via Hugging Face under en Apache 2.0-licens, mens modellen også kan finjusteres via Thinking Machines’ Tinker-træningsplatform.

Denne positionering kan vise sig at være vigtig, da AI-markedet deler sig mellem proprietære frontsystemer kontrolleret af et lille antal selskaber og åbne-vægts-alternativer, som organisationer kan ændre, hoste og integrere i deres egen infrastruktur.

En 975 milliarder parameter-model, der kun bruger en brøkdel ad gangen

Inkling indeholder 975 milliarder parametre i alt, hvilket gør den til en af de største åbne-vægts-modeller, der er udgivet hidtil. Dog bruger den en sparsom Mixture-of-Experts-arkitektur, hvilket betyder, at kun 41 milliarder parametre er aktiveret, mens den behandler hver enkelt token.

Modellen indeholder 66 transformer-lag og 256 routed eksperter. Hver token sendes til seks af disse eksperter samt to fælles eksperter, der forbliver aktive på tværs af anmodninger. Dette tilgang er designet til at give den viden-kapacitet af en meget stor model uden at kræve, at hver parameter bruges under hver enkelt inferens-operation.

Thinking Machines sagde, at Mixture-of-Experts-designet i høj grad følger idéer, der blev introduceret i DeepSeek-V3, herunder dets routing- og load-balancing-metoder. Inkling bruger også en kombination af sliding-window og global attention-lag samt relative position-embeddings i stedet for de Rotary Positional Embeddings, der normalt bruges i moderne sprogmodeller.

Modellen understøtter en kontekst-vindue på op til en million tokens. Gennem Tinker har udviklere i øjeblikket adgang til 64.000-token og 256.000-token-konfigurationer, mens den fulde kontekst-kapacitet er tilgængelig via kompatible installationer af de downloaded vægte.

Native fornuft over tekst, billeder og lyd

Inkling er naturligt multimodal, da den accepterer tekst, billeder og lyd som input, mens den genererer tekst som output. Billeder behandles ved hjælp af en hierarkisk patch-encoder, mens lyd konverteres til diskrete tokens og placeres i samme fælles repræsentationsrum som tekst og visuel information.

Thinking Machines fortrænede modellen på 45 billioner tokens trukket fra tekst, billeder, lyd og video. Selskabet sagde, at dataene inkluderede offentligt tilgængelige materialer, licenserede eller erhvervede tredjeparts-kilder samt syntetisk genererede eller forstærkede indhold. Dog giver modelkortet ikke en komplet dataset-inventar, hvilket gør “åbne vægte” til en mere præcis beskrivelse end fuldt åbent kilde.

Selskabet introducerede også et kontrollerbart fornufts-system, der giver udviklere mulighed for at justere, hvor meget beregning Inkling anvender, før den producerer et svar. Lavere fornufts-indstillinger kan reducere latency og token-forbrug, mens højere indstillinger kan bruges til mere vanskelige kodnings-, matematiske, videnskabelige eller værktøjs-brugsopgaver.

Sammen med hovedmodellen præsenterede Thinking Machines Inkling-Small, en 276 milliarder parameter Mixture-of-Experts-model med 12 milliarder aktive parametre. Selskabet sagde, at forbedringer af dets data og trænings-recept gjorde, at den mindre model kunne matche eller overgå den større version på flere evalueringer, selvom Inkling-Small endnu ikke har modtaget den samme fulde udgivelsesbehandling.

Designet til at blive tilpasset gennem Tinker

Inkling er tæt knyttet til Tinker, den cloud-baserede træningsplatform, som Thinking Machines introducerede i 2025. Tinker giver udviklere mulighed for at skrive trænings-procedurer lokalt, mens platformen håndterer den distribuerede GPU-infrastruktur, der kræves til at finjustere modeller, der spænder fra relativt små systemer til trillion-parameter Mixture-of-Experts-arkitekturer.

Platformen understøtter overvåget finjustering, forstærket læring, Direct Preference Optimization, destillation og Low-Rank-tilpasning. Kunder kan downloade de resulterende checkpoints, og Thinking Machines siger, at kundens træningsdata kun bruges til at finjustere kundens modeller og ikke inkorporeres i selskabets egne grundmodeller.

For at demonstrere denne tilpasningsproces bad selskabet Inkling om at finjustere sig selv til en model, der aldrig ville bruge bogstavet “e”. Inkling genererede sin egen træningsdata og evaluering-metode, oprettede og kørte en finjusterings-job gennem Tinker, testede den opdaterede checkpoint og derefter indlæste de modificerede vægte i sin arbejdsmiljø.

Demonstrationen er bevidst snæver, men den illustrerer den bredere strategi. Thinking Machines ønsker, at udviklere skal behandle grundmodeller som startpunkter, der kan tilpasses en organisations terminologi, arbejdsgange, data, politikker og foretrukne adfærd i stedet for som færdige produkter, der kun kontrolleres af den oprindelige model-udbyder.

Konkurrencedygtig præstation uden at hævde benchmark-kronen

Thinking Machines erkender åbent, at Inkling ikke er den stærkeste model, der er tilgængelig i hver enkelt kategori. Dets benchmark-resultater placerer det generelt blandt de mere kapable åbne-vægts-systemer, mens de førende proprietære modeller fra selskaber som Anthropic, Google og OpenAI fastholder en samlet fordel.

Inkling scorede 97,1% på 2026 American Invitational Mathematics Examination-benchmark og 87,2% på GPQA Diamond, der vurderer graduate-niveau videnskabelig fornuft. Den optog 77,6% på SWE-bench Verified og 54,3% på SWE-bench Pro Public, to benchmarks, der bruges til at vurdere, om kodnings-agenter kan løse virkelige software-ingeniør-problemer.

Den scorede 29,7% på Humanity’s Last Exam uden værktøjer og 46% med værktøjsadgang. Dens værktøjs-aktiverede præstation var konkurrencedygtig med flere åbne modeller, men forblev under de stærkeste lukkede systemer, der er inkluderet i Thinking Machines’ sammenligning.

Den fik også en score på 1.257 på Design Arena’s Agentic Web Development-leaderboard, hvor menneskelige evaluatoren sammenligner applikationer, der er skabt af forskellige modeller. Det placerede den tæt på flere proprietære systemer og foran en række etablerede åbne-vægts-konkurrenter.

Som med enhver vendor-publikation benchmark-sæt, vil resultaterne kræve uafhængig reproduktion. Thinking Machines brugte eksterne score, hvor det var muligt, men flere evalueringer afhængige af interne harness, konfigurationer eller selv-rapporterede resultater fra konkurrerende model-udbydere.

Lavere omkostninger kommer med betydelige hardware-krav

Inklings omkostnings-argument er baseret i høj grad på dets sparsomme arkitektur og kontrollerbar fornuft. At aktivere 41 milliarder parametre i stedet for alle 975 milliarder burde gøre inferens væsentligt mere effektiv end at køre en lignende størrelses dense-model, mens det giver udviklere mulighed for at deaktivere forlænget fornuft for anmodninger, der ikke kræver det.

Gennem Tinker er 64.000-token-versionen listet til 1,87 $ per million prefill-tokens, 4,68 $ per million sampled-tokens og 5,61 $ per million trænings-tokens. 256.000-token-konfigurationen er prissat højere til 3,74 $ for prefill, 9,36 $ for sampling og 11,23 $ for træning, med lavere satser tilgængelige for cached input.

Disse tal gør stor-model-eksperimenter mere tilgængelige end at samle en dedikeret træningskluster, men Inkling er ikke en model, som de fleste udviklere vil køre på en almindelig arbejdsstation. Den fulde BF16-checkpoint kræver mindst to terabyte aggregatet grafik-hukommelse, svarende til otte Nvidia B300-GPU’er eller 16 H200-GPU’er.

En kvantiseret NVFP4-checkpoint reducerer kravet til cirka 600 gigabyte, men kræver stadig infrastruktur som fire B300-GPU’er eller otte H200-GPU’er. I praksis er mange organisationer derfor sandsynligvis til at få adgang til Inkling gennem Tinker eller tredjeparts-inferens-udbydere i stedet for at hoste den komplette model direkte.

Balancering af modstand overfor censur med sikkerheds-kontroller

En af Inklings mere usædvanlige design-mål er, hvad Thinking Machines beskriver som modstand overfor censur. Selskabet siger, at de specifikt trænede modellen til at besvare spørgsmål om emner, der kan være politisk eller institutionelt følsomme, i stedet for automatisk at afvise dem.

Cognition vurderede Inkling ved hjælp af sin Propaganda og Censur-benchmark, og Thinking Machines rapporterede, at modellen viste stærke mønstre af “censur non-overholdelse”. Den underliggende idé er, at en åben model ikke burde arve unødvendige politiske begrænsninger eller standardiserede meninger blot fordi disse præferencer var indbygget af dens oprindelige udvikler.

Dette betyder dog ikke, at Inkling er designet til at besvare hver enkelt anmodning. Selskabet trænede separat modellen til at afvise instruktioner relateret til våben, vold, cyber-misbrug, kemiske eller biologiske trusler, manipulation og andre farlige aktiviteter.

Inkling scorede 78% på den adverserende del af FORTRESS-sikkerheds-benchmark, mens den korrekt besvarede 95,9% af benigne spørgsmål, der ligner farlige anmodninger. Den opnåede også 98,6% på StrongREJECT, der måler, om modeller afviser åbenlyst farlige instruktioner. Thinking Machines siger, at denne kombination indikerer, at modellen kan opretholde sikkerheds-kontroller uden at blokere legitime spørgsmål i overmål, selvom effekten af efterfølgende tredjeparts-finjustering forbliver et åbent forskningsspørgsmål.

Fra OpenAI-ledelse til et 12 milliarder dollar-startup

Thinking Machines Lab blev officielt lanceret i februar 2025, flere måneder efter Murati forlod OpenAI. Hun havde fungeret som OpenAI’s Chief Technology Officer under lanceringen af produkter som ChatGPT, DALL-E og selskabets tidlige stemme- og multimodale systemer.

Det oprindelige team bestod af cirka 30 forskere og ingeniører rekrutteret fra OpenAI, Meta, Mistral og andre AI-organisationer. Omkring to tredjedele af dens medarbejdere ved lanceringen havde tidligere arbejdet hos OpenAI. Den grundlæggende gruppe inkluderede OpenAI-co-founder John Schulman, Barret Zoph, Lilian Weng, Andrew Tulloch og Luke Metz, der bragte erfaring indenfor forstærket læring, model-tilpasning, multimodal AI, fortræning og efter-træning.

Kun fem måneder efter lanceringen samlede Thinking Machines cirka 2 milliarder dollar ved en vurdering på 12 milliarder dollar. Andreessen Horowitz ledte runden, med deltagelse fra Nvidia (NVDA ), Accel, ServiceNow (NOW ), Cisco, AMD og den kvantitative handelsfirma Jane Street.

Nvidia har siden udvidet sin relation til selskabet gennem en flerårig strategisk partnerskab. Announced i marts 2026, aftalen kræver udrulning af mindst en gigawatt af Nvidias næste generation Vera Rubin-systemer til at understøtte Thinking Machines’ model-træning og tilpasset AI-platform.

Inkling afspejler en bredere indsats på decentraliseret AI

Thinking Machines argumenterer for, at de fleste AI-systemer trænes af et lille antal selskaber og derefter distribueres som stort set faste produkter. Dens alternativ er et økosystem, hvor virksomheder og individer kan tilpasse modeller ved hjælp af deres egen viden, præferencer og dømmekraft.

Dette filosofi hjælper med at forklare, hvorfor Inkling udgives med downloadable vægte i stedet for kun tilbudt gennem en proprietær interface. Det forbinder også modellen med Tinker, der giver den trænings-infrastruktur, der kræves til at ændre adfærd uden at tvinge hver organisation til at samle sin egen store GPU-kluster.

Der er stadig spænding mellem denne vision og de praktiske realiteter af udgivelsen. Inkling er åben nok til at downloade og ændre, men tilstrækkeligt stor, så kun godt finansielle organisationer realistisk kan hoste den fulde model. Dets træningsdata beskrives i brede kategorier i stedet for fuldt dokumenteret, og tilpasning kan potentielt svække de sikkerheds-kontroller, der er indbygget i den oprindelige checkpoint.

Udgivelsen giver dog vestlige udviklere endnu en stor åben-vægts-mulighed på et tidspunkt, hvor mange af de mest konkurrencedygtige tilpassede modeller er kommet fra kinesiske laboratorier som DeepSeek, Alibaba, Moonshot AI og Zhipu AI. Reuters bemærkede, at vestlig åben-vægts-udvikling har mistet momentum, da flere førende amerikanske selskaber er skiftet til mere proprietære strategier.

Hvad Inkling betyder for AI

Inklings betydning kan afhænge mindre af, om den fører hver benchmark, og mere af, om udviklere kan omdanne den til specialiserede systemer, der overgår generelle formål-modeller indenfor snævrere domæner.

Selskaber i finans, sundhedsvesen, ingeniørvidenskab, cybersikkerhed, videnskabelig forskning og software-udvikling besidder ofte værdifuld intern viden, der er dårligt repræsenteret i offentlige træningsdata. En kapabel åben-vægts-grundmodel kombineret med tilgængelig forstærket læring og finjusterings-infrastruktur kunne give disse organisationer mulighed for at indkode mere af denne ekspertise direkte i model-adfærd.

På samme tid vil modellen være nødt til at bevise, at dens effektivitets-krav oversætter sig til lavere samlede udgifts-omkostninger, især når infrastruktur, inferens-volumen, finjustering, overvågning og sikkerhedstest er inkluderet. Uafhængige forskere vil også være nødt til at undersøge dens benchmark-præstation, multilingvæg, politisk neutralitet, hallucinations-rater og modstand overfor sikkerheds-degradering efter tilpasning.

Thinking Machines trådte ind på markedet med et usædvanligt erfarent hold, betydelig investor-støtte og infrastruktur-forpligtelser normalt forbundet med langt ældre AI-laboratorier. Inkling er selskabets første mulighed for at demonstrere, at disse ressourcer kan producere mere end ambitiøse forsknings-planer og trænings-platforme.

Modellen erstatter ikke de førende proprietære systemer, og Thinking Machines Lab hævder ikke, at den gør. I stedet tilbyder Inkling en anden proposition: at fremtiden for avanceret AI kan blive formet ikke kun af, hvem der træner den mest kraftfulde generelle formål-model, men også af, hvem giver udviklere det stærkeste grundlag for at bygge deres egne modeller.