Το Thinking Machines Lab Παρουσιάζει το Inkling, το Πρώτο Ανοικτό-Βαρών Πολυμορφικό Μοντέλο Πνευμονικής Νοημοσύνης

Το Thinking Machines Lab έχει κυκλοφορήσει το Inkling, το πρώτο γενικής χρήσης μοντέλο τεχνητής νοημοσύνης, δίνοντας στους προγραμματιστές πρόσβαση σε ένα σχεδόν ένα τρισεκατομμύριο-παραμέτρων σύστημα που μπορεί να επεξεργαστεί κείμενο, εικόνες και ήχο. Η κυκλοφορία της 15ης Ιουλίου 2026 αντιπροσωπεύει το πιο σημαντικό ορόσημο προϊόντος μέχρι τώρα για την εταιρεία AI που ιδρύθηκε από τον πρώην Chief Technology Officer του OpenAI, Mira Murati.

Αντί να ισχυριστούν ότι έχουν κατασκευάσει το πιο ικανό μοντέλο, το Thinking Machines τοποθετεί το Inkling ως ένα προσαρμόσιμο θεμέλιο για εταιρείες, ερευνητές και προγραμματιστές που θέλουν μεγαλύτερο έλεγχο στη συμπεριφορά του AI τους. Τα βάρη του μπορούν να κατεβαστούν μέσω του Hugging Face υπό άδεια Apache 2.0, ενώ το μοντέλο μπορεί επίσης να επιμορφωθεί μέσω της πλατφόρμας εκπαίδευσης Tinker του Thinking Machines.

… (η μετάφραση συνεχίζεται)

Ένα Μοντέλο 975 Δισεκατομμυρίων Παραμέτρων που Χρησιμοποιεί Μόνο Ένα Τμήμα κάθε Φορά

Το Inkling περιέχει 975 δισεκατομμύρια συνολικά παράμετρους, καθιστώντας το ένα από τα μεγαλύτερα ανοικτά-βαρών μοντέλα που έχουν κυκλοφορηθεί μέχρι τώρα. Ωστόσο, χρησιμοποιεί μια σπάνια αρχιτεκτονική Mixture-of-Experts, που σημαίνει ότι μόνο 41 δισεκατομμύρια παράμετροι ενεργοποιούνται κατά την επεξεργασία κάθε μεμονωμένου token.

Το μοντέλο περιέχει 66 στρώματα μετασχηματιστή και 256 ειδικούς. Κάθε token στέλνεται σε έξι από αυτούς τους ειδικούς, μαζί με δύο κοινούς ειδικούς που παραμένουν ενεργοί σε όλες τις αιτήσεις. Αυτή η προσέγγιση έχει ως στόχο να παρέχει την ικανότητα γνώσης ενός πολύ μεγάλου μοντέλου χωρίς να απαιτείται η χρήση όλων των παραμέτρων κατά την κάθε inference λειτουργία.

Το Thinking Machines ανέφερε ότι η σχεδίαση Mixture-of-Experts ακολουθεί σε μεγάλο βαθμό τις ιδέες που εισήχθησαν στο DeepSeek-V3, συμπεριλαμβανομένων των μεθόδων διαδρομολόγησης και ισορροπίας φόρτου. Το Inkling χρησιμοποιεί επίσης eine συνδυασμό στρωμάτων προσοχής με ολισθήσεις και στρωμάτων προσοχής συνολικά, μαζί με σχετικές ενσωματώσεις θέσης αντί για τις περιστροφικές ενσωματώσεις θέσης που χρησιμοποιούνται συνήθως στα σύγχρονα μοντέλα γλώσσας.

Το μοντέλο υποστηρίζει ένα παράθυρο πλαισίου μέχρι ένα εκατομμύριο token. Μέσω του Tinker, οι προγραμματιστές έχουν πρόσβαση σε ρυθμίσεις 64.000 token και 256.000 token, ενώ η πλήρης χωρητικότητα πλαισίου είναι διαθέσιμη μέσω συμβατών αναπτύξεων των κατεβασμένων βαρών.

Φυσική Λογική σε Κείμενο, Εικόνες και Ήχο

Το Inkling είναι φυσικά πολυμορφικό, δέχεται κείμενο, εικόνες και ήχο ως εισόδους ενώ παράγει κείμενο ως έξοδο. Οι εικόνες επεξεργάζονται χρησιμοποιώντας einen ιεραρχικό κωδικοποιητή patch, ενώ ο ήχος μετατρέπεται σε διακριτά token και τοποθετείται στο ίδιο κοινό χώρο αναπαράστασης με το κείμενο και τις οπτικές πληροφορίες.

Το Thinking Machines προ-εκπαίδευσε το μοντέλο σε 45 τρισεκατομμύρια token από κείμενο, εικόνες, ήχο και βίντεο. Η εταιρεία ανέφερε ότι τα δεδομένα περιελάμβαναν δημόσια διαθέσιμα υλικά, αδειοδοτημένα ή αποκτηθέντα τρίτα μέρη, και συνθετικά γεννημένα ή αυξημένα περιεχόμενα. Ωστόσο, η κάρτα μοντέλου δεν παρέχει πλήρη κατάλογο του συνόλου δεδομένων, καθιστώντας την “ανοικτή-βαρών” μια πιο ακριβή περιγραφή παρά πλήρως ανοικτό πηγή.

Η εταιρεία εισήγαγε επίσης ένα σύστημα ελέγχου λογικής που επιτρέπει στους προγραμματιστές να điều chỉnh πόσο υπολογισμό το Inkling εφαρμόζει πριν παράγει μια απάντηση. Χαμηλότερες ρυθμίσεις λογικής μπορούν να μειώσουν την καθυστέρηση και την κατανάλωση token, ενώ υψηλότερες ρυθμίσεις μπορούν να χρησιμοποιηθούν για πιο δύσκολα καθήκοντα κωδικοποίησης, μαθηματικών, επιστημονικών ή εργαλείων.

Παράλληλα με το κύριο μοντέλο, το Thinking Machines προέβλεψε το Inkling-Small, ένα μοντέλο Mixture-of-Experts 276 δισεκατομμυρίων παραμέτρων με 12 δισεκατομμύρια ενεργές παράμετροι. Η εταιρεία ανέφερε ότι βελτιώσεις στα δεδομένα και στο συντακτικό recipe επέτρεψαν στο μικρότερο μοντέλο να ισοφαρίσει ή να υπερβεί το μεγαλύτερο μοντέλο σε πολλές αξιολογήσεις, αν και το Inkling-Small δεν έχει ακόμη λάβει την ίδια πλήρη κυκλοφορία.

Σχεδιασμένο για Προσαρμογή Μέσω του Tinker

Το Inkling είναι στενά συνδεδεμένο με το Tinker, την πλατφόρμα εκπαίδευσης που το Thinking Machines εισήγαγε το 2025. Το Tinker επιτρέπει στους προγραμματιστές να γράφουν διαδικασίες εκπαίδευσης τοπικά ενώ η πλατφόρμα διαχειρίζεται την υποδομή GPU που απαιτείται για την επιμόρφωση μοντέλων που κυμαίνονται από σχετικά μικρά συστήματα σε αρχιτεκτονικές Mixture-of-Experts τρισεκατομμυρίων παραμέτρων.

Η πλατφόρμα υποστηρίζει επιβλεπόμενη επιμόρφωση, ενισχυμένη μάθηση, Direct Preference Optimization, απόσταξη και Low-Rank Adaptation. Οι πελάτες μπορούν να κατεβάσουν τα αποτελέσματα, και το Thinking Machines λέει ότι τα δεδομένα εκπαίδευσης των πελατών χρησιμοποιούνται μόνο για την επιμόρφωση των μοντέλων των πελατών και όχι για την ενσωμάτωση στα δικά τους θεμελιώδη μοντέλα.

Για να δείξουν αυτή τη διαδικασία προσαρμογής, η εταιρεία ζήτησε από το Inkling να επιμορφωθεί σε ένα μοντέλο που δεν θα χρησιμοποιούσε ποτέ το γράμμα “ε”. Το Inkling δημιούργησε τα δικά του δεδομένα εκπαίδευσης και μέθοδο αξιολόγησης, δημιούργησε και εκτέλεσε μια δουλειά επιμόρφωσης μέσω του Tinker, έτρεξε την ενημερωμένη ελέγχου, και στη συνέχεια φορτώθηκε τα τροποποιημένα βάρη στο περιβάλλον εργασίας του.

Η επίδειξη είναι σκόπιμα στενή, αλλά εικονογραφεί την ευρύτερη στρατηγική. Το Thinking Machines θέλει οι προγραμματιστές να αντιμετωπίζουν τα θεμελιώδη μοντέλα ως σημεία εκκίνησης που μπορούν να προσαρμοστούν στις ορολογίες, τις ροές εργασίας, τα δεδομένα, τις πολιτικές και την προτιμώμενη συμπεριφορά μιας οργάνωσης, αντί να αντιμετωπίζονται ως ολοκληρωμένα προϊόντα που ελέγχονται εξ ολοκλήρου από τον αρχικό παρόχο μοντέλου.

Ανταγωνιστικές Επιδόσεις Χωρίς Διεκδίκηση της Πρωτιάς στα Benchmark

Το Thinking Machines αναγνωρίζει ανοιχτά ότι το Inkling δεν είναι το ισχυρότερο μοντέλο που είναι διαθέσιμο σε κάθε κατηγορία. Τα αποτελέσματα των βενχμαρκ το τοποθετούν γενικά μεταξύ των πιο ικανοποιητικών ανοικτών-βαρών συστημάτων, ενώ τα ηγετικά μοντέλα ιδιοκτησίας από εταιρείες όπως η Anthropic, η Google και η OpenAI διατηρούν ένα γενικό πλεονέκτημα.

Το Inkling σκόραρε 97.1% στο βενχμαρκ του 2026 American Invitational Mathematics Examination και 87.2% στο GPQA Diamond, που αξιολογεί την επιστημονική λογική σε μεταπτυχιακό επίπεδο. Καταγράφηκε 77.6% στο SWE-bench Verified και 54.3% στο SWE-bench Pro Public, δύο βενχμαρκ που χρησιμοποιούνται για την αξιολόγηση της ικανότητας των agent κωδικοποίησης να επιλύουν πραγματικά προβλήματα μηχανικής λογισμικού.

Στο Humanity’s Last Exam, το Inkling σκόραρε 29.7% χωρίς εργαλεία και 46% όταν είχε πρόσβαση σε εργαλεία. Η απόδοση του με εργαλεία ήταν ανταγωνιστική με αρκετά ανοικτά μοντέλα αλλά παρέμεινε κάτω από τα ισχυρότερα κλειστά συστήματα που περιλαμβάνονται στη σύγκριση του Thinking Machines.

Το Inkling έλαβε επίσης einen σκορ 1,257 στο Design Arena’s Agentic Web Development leaderboard, όπου οι ανθρώπινοι αξιολογητές συγκρίνουν εφαρμογές που δημιουργούνται από διαφορετικά μοντέλα. Αυτό τοποθέτησε το Inkling κοντά σε αρκετά ιδιωτικά συστήματα και μπροστά από πολλά καθιερωμένα ανοικτά-βαρών ανταγωνιστές.

Όπως και με κάθε σύνολο βενχμαρκ που δημοσιεύεται από τον προμηθευτή, τα αποτελέσματα θα απαιτήσουν ανεξάρτητη αναπαραγωγή. Το Thinking Machines χρησιμοποίησε εξωτερικούς σκορ όταν ήταν διαθέσιμοι, αλλά αρκετές αξιολογήσεις βασίζονταν σε εσωτερικούς κλιπ, ρυθμίσεις ή αυτοαναφερθέντα αποτελέσματα από παρόχους μοντέλων ανταγωνισμού.

Χαμηλότεροι Κόστος Είναι Συνδεδεμένοι με Σημαντικές Απαιτήσεις Υλικού

Ο ισχυρισμός του Inkling για το κόστος βασίζεται σε μεγάλο βαθμό στην σπάνια αρχιτεκτονική και τον ελέγχο λογικής. Η ενεργοποίηση 41 δισεκατομμυρίων παραμέτρων αντί για όλες τις 975 δισεκατομμύρια πρέπει να κάνει την inference σημαντικά πιο αποτελεσματική από το να τρέχει ένα παρόμοιο μεγέθους πυκνό μοντέλο, ενώ επιτρέπει στους προγραμματιστές να απενεργοποιούν την επέκταση λογικής για αιτήσεις που δεν την απαιτούν.

Μέσω του Tinker, η έκδοση 64.000 token είναι καταχωρημένη σε $1.87 ανά εκατομμύριο prefill token, $4.68 ανά εκατομμύριο δειγμάτων token και $5.61 ανά εκατομμύριο token εκπαίδευσης. Η ρύθμιση 256.000 token είναι πιο ακριβή σε $3.74 για prefill, $9.36 για δειγμάτωση και $11.23 για εκπαίδευση, με χαμηλότερες τιμές διαθέσιμες για cached εισόδου.

Αυτά τα στοιχεία καθιστούν την πειραματική χρήση μεγάλων μοντέλων πιο προσιτή από το να συναρμολογήσουν μια αφιερωμένη training cluster, αλλά το Inkling δεν είναι ένα μοντέλο που οι περισσότεροι προγραμματιστές θα τρέξουν σε ένα συνηθισμένο εργαστήριο. Η πλήρης BF16 ελέγχου απαιτεί τουλάχιστον δύο terabytes συναγμένων γραφικών μνήμης, ισοδύναμων με οκτώ Nvidia B300 GPUs ή 16 H200 GPUs.

Μια quantized NVFP4 ελέγχου μειώνει την απαίτηση σε περίπου 600 gigabytes, αλλά vẫn απαιτεί υποδομή όπως τέσσερις B300 GPUs ή οκτώ H200 GPUs. Σε πρακτική χρήση, πολλές οργανώσεις είναι πιθανό να έχουν πρόσβαση στο Inkling μέσω του Tinker ή τρίτων παρόχων inference αντί να φιλοξενούν το πλήρες μοντέλο απευθείας.

Εξισορρόπηση της Αντίστασης στη Λογοκρισία με τους Ελέγχους Ασφαλείας

Ένα από τα πιο ασυνήθιστα σχέδια του Inkling είναι αυτό που το Thinking Machines περιγράφει ως αντίσταση στη λογοκρισία. Η εταιρεία λέει ότι εκπαίδευσε συγκεκριμένα το μοντέλο να απαντάει σε ερωτήσεις για θέματα που μπορεί να είναι πολιτικά ή θεσμικά ευαίσθητα αντί να τις αρνείται αυτόματα.

Η Cognition αξιολόγησε το Inkling χρησιμοποιώντας το benchmark Propaganda and Censorship, και το Thinking Machines ανέφερε ότι το μοντέλο έδειξε ισχυρά μοτίβα «μη συμμόρφωσης με τη λογοκρισία». Η υποκείμενη ιδέα είναι ότι ένα ανοικτό μοντέλο δεν πρέπει να κληρονομεί απαραίτητα πολιτικούς περιορισμούς ή τυποποιημένες γνώμες απλώς και μόνο επειδή αυτές οι προτιμήσεις ενσωματώθηκαν από τον αρχικό δημιουργό.

Αυτό δεν σημαίνει ότι το Inkling είναι σχεδιασμένο να απαντήσει σε κάθε αίτηση. Η εταιρεία εκπαίδευσε ξεχωριστά το μοντέλο να αρνείται οδηγίες που σχετίζονται με όπλα, βία, κυβερνο-κακόβουλη δραστηριότητα, χημικές ή βιολογικές απειλές, χειραγώγηση και άλλες επικίνδυνες δραστηριότητες.

Το Inkling σκόραρε 78% στο αντι-μέρος του βενχμαρκ ασφαλείας FORTRESS και απάντησε σωστά στο 95.9% των αθώων ερωτήσεων που μοιάζουν με επικίνδυνες αιτήσεις. Επίσης, έλαβε 98.6% στο StrongREJECT, το οποίο μετράει εάν τα μοντέλα αρνούνται σαφώς επικίνδυνες οδηγίες. Το Thinking Machines λέει ότι αυτή η συνδυασμένη απόδοση δείχνει ότι το μοντέλο μπορεί να διατηρήσει ελέγχους ασφαλείας χωρίς να μπλοκάρει υπερβολικά τις θεμιτές ερωτήσεις, αν και η επίδραση της μεταγενέστερης βελτιστοποίησης από τρίτους παραμένει ένα ανοιχτό ερευνητικό πρόβλημα.

Από την Ηγεσία του OpenAI σε μια Εταιρεία 12 Δισεκατομμυρίων Δολαρίων

Το Thinking Machines Lab ιδρύθηκε επίσημα τον Φεβρουάριο του 2025, vài μήνες μετά την αποχώρηση της Murati από το OpenAI. Είχε υπηρετήσει ως Chief Technology Officer του OpenAI κατά τη διάρκεια της κυκλοφορίας προϊόντων όπως το ChatGPT, το DALL-E και τα πρώτα συστήματα φωνής και πολυμορφικής νοημοσύνης της εταιρείας.

Η αρχική ομάδα περιελάμβανε περίπου 30 ερευνητές και μηχανικούς που είχαν προσληφθεί από το OpenAI, Meta, Mistral και άλλες εταιρείες AI. Περίπου τα δύο τρίτα των υπαλλήλων της εταιρείας κατά την εκκίνηση είχαν προηγουμένως εργαστεί στο OpenAI. Η ομάδα ιδρύθηκε από τον συνιδρυτή του OpenAI John Schulman, Barret Zoph, Lilian Weng, Andrew Tulloch και Luke Metz, φέρνοντας εμπειρία σε ενισχυμένη μάθηση, ευθυγράμμιση μοντέλων, πολυμορφική AI, προ-εκπαίδευση και μετά-εκπαίδευση.

Μόνο πέντε μήνες μετά την εκκίνηση, το Thinking Machines ανέβηκε περίπου 2 δισεκατομμύρια δολάρια σε μια αξιολόγηση 12 δισεκατομμυρίων δολαρίων. Η Andreessen Horowitz ηγήθηκε του γύρου, με συμμετοχή από την Nvidia (NVDA ), Accel, ServiceNow (NOW ), Cisco, AMD και την εταιρεία quantitative trading Jane Street.

Η Nvidia έχει επεκτείνει από τότε τη σχέση της με την εταιρεία μέσω μιας στρατηγικής πολυετούς συνεργασίας. Ανακοινώθηκε τον Μάρτιο του 2026, η συμφωνία απαιτεί την ανάπτυξη τουλάχιστον ενός gigawatt της επόμενης γενιάς Nvidia Vera Rubin systems για την υποστήριξη της εκπαίδευσης μοντέλων και των προσαρμόσιμων πλατφορμών AI της εταιρείας. Η Nvidia έκανε επίσης μια επιπλέον επένδυση στην εταιρεία.

Το Inkling Αντανακλά μια Ευρύτερη Στοιχηματίση για Αποκεντρωμένη AI

Το Thinking Machines υποστηρίζει ότι τα περισσότερα συστήματα AI εκπαιδεύονται από μια μικρή ομάδα εταιρειών και στη συνέχεια διανέμονται ως σε μεγάλο βαθμό σταθερά προϊόντα. Η εναλλακτική λύση της εταιρείας είναι ένα οικοσύστημα στο οποίο οι επιχειρήσεις και οι άτομα μπορούν να προσαρμόσουν μοντέλα χρησιμοποιώντας τις δικές τους γνώσεις, προτιμήσεις και κρίση αντί να αντιμετωπίζουν τα μοντέλα ως ολοκληρωμένα προϊόντα που ελέγχονται εξ ολοκλήρου από τον αρχικό παρόχο μοντέλου.

Αυτή η φιλοσοφία βοηθά να εξηγήσει γιατί το Inkling κυκλοφορεί με κατεβασμένα βάρη αντί να προσφέρεται αποκλειστικά μέσω μιας ιδιοκτησιακής διεπαφής. Επίσης, συνδέει το μοντέλο με το Tinker, το οποίο παρέχει την υποδομή εκπαίδευσης που απαιτείται για την τροποποίηση της συμπεριφοράς χωρίς να αναγκάζει κάθε οργανισμό να συναρμολογήσει τη δική του μεγάλη GPU cluster.

Υπάρχει ακόμη ένταση μεταξύ αυτού του οράματος και της πρακτικής πραγματικότητας της κυκλοφορίας. Το Inkling είναι αρκετά ανοικτό για να κατεβαστεί και να τροποποιηθεί, αλλά αρκετά μεγάλο ώστε μόνο καλά χρηματοδοτούμενοι οργανισμοί να μπορούν να φιλοξενήσουν το πλήρες μοντέλο. Τα δεδομένα εκπαίδευσης περιγράφονται σε ευρείες κατηγορίες αντί να τεκμηριώνονται πλήρως, και η προσαρμογή μπορεί δυνητικά να αποδυναμώσει τους ελέγχους ασφαλείας που είναι ενσωματωμένοι στο αρχικό σημείο ελέγχου.

Η κυκλοφορία δίνει ωστόσο στους δυτικούς προγραμματιστές μια άλλη μεγάλη ανοικτή-βαρών επιλογή σε μια εποχή που πολλά από τα πιο ανταγωνιστικά προσαρμόσιμα μοντέλα προέρχονται από κινεζικά εργαστήρια όπως το DeepSeek, το Alibaba, το Moonshot AI και το Zhipu AI. Η Reuters σημείωσε ότι η δυτική ανάπτυξη ανοικτών-βαρών έχει χάσει ορμή καθώς πολλές από τις principales αμερικανικές εταιρείες έχουν μετατοπιστεί προς πιο ιδιοκτησιακές στρατηγικές.

Τι Σημαίνει το Inkling για την AI

Η σημασία του Inkling μπορεί να εξαρτάται λιγότερο από το αν ηγείται κάθε βενχμαρκ και περισσότερο από το αν οι προγραμματιστές μπορούν να το μετατρέψουν σε εξειδικευμένα συστήματα που ξεπερνούν τα γενικής χρήσης μοντέλα σε στενότερες περιοχές.

Εταιρείες στους χρηματοοικονομικούς κλάδους, την υγεία, τη μηχανική, την κυβερνοασφάλεια, την επιστημονική έρευνα και την ανάπτυξη λογισμικού συχνά κατέχουν πολύτιμη εσωτερική γνώση που δεν αντιπροσωπεύεται καλά στα δημόσια δεδομένα εκπαίδευσης. Ένα ικανό ανοικτό-βαρών θεμελιώδες μοντέλο, σε συνδυασμό με προσιτή ενισχυμένη μάθηση και υποδομή επιμόρφωσης, θα μπορούσε να επιτρέψει σε αυτές τους οργανισμούς να ενσωματώσουν περισσότερη από αυτή την τεχνογνωσία απευθείας στη συμπεριφορά του μοντέλου.

Ταυτόχρονα, το μοντέλο θα πρέπει να αποδείξει ότι οι ισχυρισμοί του για την αποτελεσματικότητα μεταφράζονται σε χαμηλότερους συνολικούς κόστους ανάπτυξης, ιδιαίτερα όταν λαμβάνονται υπόψη η υποδομή, ο όγκος inference, η επιμόρφωση, η παρακολούθηση και η δοκιμή ασφαλείας. Ανεξάρτητοι ερευνητές θα πρέπει επίσης να εξετάσουν την απόδοση του μοντέλου, τις πολυγλωσσικές ικανότητες, την πολιτική ουδετερότητα, τους ρυθμούς ψευδούς και την αντίσταση στην υποβάθμιση ασφαλείας μετά την προσαρμογή.

Το Thinking Machines εισήλθε στην αγορά με μια ασυνήθιστα έμπειρη ομάδα, σημαντική χρηματοδότηση επενδυτών και υποδομές που συνήθως συνδέονται με πολύ μεγαλύτερα εργαστήρια AI. Το Inkling είναι η πρώτη ευκαιρία της εταιρείας να αποδείξει ότι αυτά τα μέσα μπορούν να παράγουν κάτι περισσότερο από φιλόδοξα σχέδια έρευνας και πλατφόρμες εκπαίδευσης.

Το μοντέλο δεν αντικαθιστά τα ηγετικά ιδιοκτησιακά συστήματα, και το Thinking Machines Lab δεν ισχυρίζεται ότι το κάνει. Αντίθετα, το Inkling προσφέρει μια διαφορετική πρόταση: ότι το μέλλον της προηγμένης AI μπορεί να διαμορφωθεί όχι μόνο από όποιον εκπαιδεύει το πιο ισχυρό γενικής χρήσης μοντέλο, αλλά και από όποιον δίνει στους προγραμματιστές την ισχυρότερη βάση για την κατασκευή των δικών τους μοντέλων.