Thinking Machines Lab Presenta Inkling, su Primer Modelo de Inteligencia Artificial Multimodal de Pesos Abiertos

Thinking Machines Lab ha lanzado Inkling, su primer modelo de inteligencia artificial general, que da a los desarrolladores acceso a un sistema de casi un billón de parámetros que puede procesar texto, imágenes y audio. El lanzamiento del 15 de julio de 2026 representa el hito de producto más importante hasta ahora para la empresa de inteligencia artificial con gran financiación, fundada por la ex directora de tecnología de OpenAI, Mira Murati.

En lugar de afirmar que han construido el modelo más capaz del mundo, Thinking Machines está posicionando a Inkling como una base personalizable para empresas, investigadores y desarrolladores que desean un mayor control sobre cómo se comporta su inteligencia artificial. Sus pesos se pueden descargar a través de Hugging Face bajo una licencia Apache 2.0, mientras que el modelo también se puede ajustar mediante la plataforma de entrenamiento Tinker de Thinking Machines.

Ese posicionamiento podría resultar importante a medida que el mercado de la inteligencia artificial se divide entre sistemas fronterizos propietarios controlados por un pequeño número de empresas y alternativas de pesos abiertos que las organizaciones pueden modificar, alojar e integrar en su propia infraestructura.

Un Modelo de 975 Mil Millones de Parámetros que Utiliza Solo una Fracción a la Vez

Inkling contiene 975 mil millones de parámetros totales, lo que lo convierte en uno de los modelos de pesos abiertos más grandes lanzados hasta la fecha. Sin embargo, utiliza una arquitectura de Mezcla de Expertos dispersa, lo que significa que solo 41 mil millones de parámetros están activados mientras se procesa cualquier token individual.

El modelo contiene 66 capas de transformadores y 256 expertos enrutados. Cada token se envía a seis de esos expertos, junto con dos expertos compartidos que permanecen activos en las solicitudes. Este enfoque pretende proporcionar la capacidad de conocimiento de un modelo muy grande sin requerir que todos los parámetros se utilicen durante cada operación de inferencia.

Thinking Machines dijo que el diseño de Mezcla de Expertos sigue en gran medida las ideas introducidas en DeepSeek-V3, incluidos sus métodos de enrutamiento y equilibrio de carga. Inkling también utiliza una combinación de capas de atención deslizante y global, junto con incrustaciones de posición relativa en lugar de las incrustaciones de posición rotativa comúnmente utilizadas en los modelos de lenguaje modernos.

El modelo admite una ventana de contexto de hasta un millón de tokens. A través de Tinker, los desarrolladores tienen actualmente acceso a configuraciones de 64.000 tokens y 256.000 tokens, mientras que la capacidad de contexto completa está disponible a través de despliegues compatibles de los pesos descargados.

Razonamiento Nativo a Través de Texto, Imágenes y Audio

Inkling es nativamente multimodal, acepta texto, imágenes y audio como entradas mientras genera texto como su salida. Las imágenes se procesan utilizando un codificador de parches jerárquico, mientras que el audio se convierte en tokens discretos y se coloca en el mismo espacio de representación compartida que la información textual y visual.

Thinking Machines preentrenó el modelo en 45 billones de tokens extraídos de texto, imágenes, audio y video. La empresa dijo que los datos incluyeron material de dominio público, fuentes de terceros con licencia o adquiridas, y contenido generado o aumentado sintéticamente. Sin embargo, la tarjeta del modelo no proporciona un inventario de datos completo, lo que hace que “pesos abiertos” sea una descripción más precisa que completamente de código abierto.

La empresa también introdujo un sistema de razonamiento controlable que permite a los desarrolladores ajustar la cantidad de cálculo que Inkling aplica antes de producir una respuesta. Los ajustes de razonamiento más bajos pueden reducir la latencia y el consumo de tokens, mientras que los ajustes más altos se pueden utilizar para tareas de codificación, matemáticas, científicas o de herramientas más difíciles.

Junto con el modelo principal, Thinking Machines presentó Inkling-Small, un modelo de Mezcla de Expertos de 276 mil millones de parámetros con 12 mil millones de parámetros activos. La empresa dijo que las mejoras en sus datos y receta de entrenamiento permitieron que el modelo más pequeño igualara o superara la versión más grande en varias evaluaciones, aunque Inkling-Small aún no ha recibido el mismo tratamiento de lanzamiento completo.

Diseñado para Personalizarse a Través de Tinker

Inkling está estrechamente vinculado a Tinker, la plataforma de entrenamiento basada en la nube que Thinking Machines introdujo en 2025. Tinker permite a los desarrolladores escribir procedimientos de entrenamiento localmente mientras la plataforma gestiona la infraestructura de GPU distribuida necesaria para ajustar modelos que van desde sistemas relativamente pequeños hasta arquitecturas de Mezcla de Expertos de un billón de parámetros.

La plataforma admite ajuste de supervisión, aprendizaje de refuerzo, optimización de preferencia directa, destilación y adaptación de bajo rango. Los clientes pueden descargar los puntos de control resultantes, y Thinking Machines dice que los datos de entrenamiento del cliente se utilizan solo para ajustar los modelos del cliente en lugar de incorporarse en sus propios modelos de base.

Para demostrar este proceso de personalización, la empresa pidió a Inkling que se ajustara a sí mismo para convertirse en un modelo que nunca utilizaría la letra “e”. Inkling generó sus propios datos de entrenamiento y método de evaluación, creó y ejecutó un trabajo de ajuste a través de Tinker, probó el punto de control actualizado y luego cargó los pesos modificados en su entorno de trabajo.

La demostración es intencionalmente estrecha, pero ilustra la estrategia más amplia. Thinking Machines quiere que los desarrolladores traten los modelos de base como puntos de partida que se pueden adaptar a la terminología, flujos de trabajo, datos, políticas y comportamiento preferido de una organización en lugar de como productos terminados controlados por completo por el proveedor original del modelo.

Rendimiento Competitivo sin Reclamar la Corona de los Benchmarks

Thinking Machines reconoce abiertamente que Inkling no es el modelo más fuerte disponible en todas las categorías. Sus resultados de benchmark generalmente lo colocan entre los sistemas de pesos abiertos más capaces, mientras que los modelos propietarios líderes de empresas como Anthropic, Google y OpenAI retienen una ventaja general.

Inkling obtuvo un 97,1% en el benchmark de la Examen de Matemáticas Americano de 2026 y un 87,2% en GPQA Diamond, que evalúa el razonamiento científico de nivel de posgrado. Registró un 77,6% en SWE-bench Verificado y un 54,3% en SWE-bench Pro Público, dos benchmarks utilizados para evaluar si los agentes de codificación pueden resolver problemas de ingeniería de software reales.

En el examen final de la humanidad, Inkling obtuvo un 29,7% sin herramientas y un 46% cuando se le dio acceso a herramientas. Su rendimiento con herramientas fue competitivo con varios modelos abiertos, pero permaneció por debajo de los sistemas cerrados más fuertes incluidos en la comparación de Thinking Machines.

Inkling también obtuvo una puntuación de 1.257 en la clasificación de desarrollo web de Design Arena, donde los evaluadores humanos comparan aplicaciones creadas por diferentes modelos. Eso lo colocó cerca de varios sistemas propietarios y por delante de varios competidores de pesos abiertos establecidos.

Al igual que con cualquier conjunto de benchmarks publicados por un proveedor, los resultados requerirán reproducción independiente. Thinking Machines utilizó puntuaciones externas cuando estuvieron disponibles, pero varias evaluaciones dependieron de arneses internos, configuraciones o resultados autoinformados de proveedores de modelos competidores.

Costos Más Bajos con Requisitos de Hardware Significativos

El argumento de costos de Inkling se basa en gran medida en su arquitectura dispersa y razonamiento controlable. Activar 41 mil millones de parámetros en lugar de todos los 975 mil millones debería hacer que la inferencia sea considerablemente más eficiente que ejecutar un modelo denso de tamaño similar, mientras que permitir a los desarrolladores deshabilitar el razonamiento extendido para solicitudes que no lo requieren.

A través de Tinker, la versión de 64.000 tokens se lista a $1,87 por millón de tokens de prellenado, $4,68 por millón de tokens de muestreo y $5,61 por millón de tokens de entrenamiento. La configuración de 256.000 tokens tiene un precio más alto de $3,74 para el prellenado, $9,36 para el muestreo y $11,23 para el entrenamiento, con tarifas más bajas disponibles para la entrada en caché.

Esas cifras hacen que la experimentación con modelos grandes sea más accesible que ensamblar un cluster de entrenamiento dedicado, pero Inkling no es un modelo que la mayoría de los desarrolladores ejecutarán en una estación de trabajo ordinaria. El punto de control completo de BF16 requiere al menos dos terabytes de memoria gráfica agregada, equivalente a ocho GPU B300 de Nvidia (NVDA ) o 16 GPU H200.

Un punto de control cuantificado de NVFP4 reduce el requisito a aproximadamente 600 gigabytes, pero aún requiere infraestructura como cuatro GPU B300 o ocho GPU H200. En la práctica, muchas organizaciones probablemente accederán a Inkling a través de Tinker o proveedores de inferencia de terceros en lugar de alojar directamente el modelo completo.

Equilibrar la Resistencia a la Censura con Controles de Seguridad

Uno de los objetivos de diseño más inusuales de Inkling es lo que Thinking Machines describe como resistencia a la censura. La empresa dice que entrenó específicamente al modelo para responder preguntas sobre temas que pueden ser política o institucionalmente sensibles en lugar de negarse automáticamente a ellos.

Cognition evaluó a Inkling utilizando su benchmark de propaganda y censura, y Thinking Machines informó que el modelo demostró fuertes patrones de “no cumplimiento de la censura”. La idea subyacente es que un modelo abierto no debe heredar restricciones políticas innecesarias o opiniones estandarizadas simplemente porque esas preferencias fueron incorporadas por su desarrollador original.

Esto no significa que Inkling esté diseñado para responder a cada solicitud. La empresa entrenó por separado al modelo para que se negara a instrucciones relacionadas con armas, violencia, abuso cibernético, amenazas químicas o biológicas, manipulación y otras actividades peligrosas.

Inkling obtuvo un 78% en la porción adversaria del benchmark de seguridad FORTRESS mientras respondía correctamente el 95,9% de preguntas benignas diseñadas para parecerse a solicitudes dañinas. También logró un 98,6% en StrongREJECT, que mide si los modelos se niegan a instrucciones claramente dañinas. Thinking Machines dice que esta combinación indica que el modelo puede mantener controles de seguridad sin bloquear excesivamente preguntas legítimas, aunque el efecto del ajuste de terceros posterior sigue siendo un problema de investigación abierto.

De OpenAI a una Empresa de $12 Mil Millones

Thinking Machines Lab se lanzó formalmente en febrero de 2025, varios meses después de que Murati dejara OpenAI. Ella había sido la directora de tecnología de OpenAI durante los lanzamientos de productos como ChatGPT, DALL-E y los primeros sistemas de voz y multimodal de la empresa.

El equipo original incluía a unos 30 investigadores e ingenieros reclutados de OpenAI, Meta, Mistral y otras organizaciones de inteligencia artificial. Aproximadamente dos tercios de sus empleados en el lanzamiento habían trabajado previamente en OpenAI. El grupo fundador incluyó al cofundador de OpenAI John Schulman, Barret Zoph, Lilian Weng, Andrew Tulloch y Luke Metz, trayendo experiencia en aprendizaje de refuerzo, alineación de modelos, inteligencia artificial multimodal, preentrenamiento y post-entrenamiento.

Solo cinco meses después de su lanzamiento, Thinking Machines recaudó aproximadamente $2 mil millones a una valoración de $12 mil millones. Andreessen Horowitz lideró la ronda, con la participación de Nvidia, Accel, ServiceNow (NOW ), Cisco, AMD y la firma de trading cuantitativo Jane Street.

Nvidia ha ampliado desde entonces su relación con la empresa a través de una asociación estratégica de varios años. Anunciada en marzo de 2026, el acuerdo establece la implementación de al menos un gigavatio de sistemas Nvidia Vera Rubin de próxima generación para respaldar la formación de modelos y plataformas de inteligencia artificial personalizables de Thinking Machines. Nvidia también hizo una inversión adicional en la empresa.

Inkling Refleja una Apuesta Más Amplia en Inteligencia Artificial Descentralizada

Thinking Machines argumenta que la mayoría de los sistemas de inteligencia artificial se entrenan con un pequeño número de empresas y luego se distribuyen como productos fijos en gran medida. Su alternativa es un ecosistema en el que las empresas y los individuos pueden adaptar continuamente los modelos utilizando su propio conocimiento, preferencias y juicio.

Esta filosofía ayuda a explicar por qué Inkling se está lanzando con pesos descargables en lugar de ofrecerse exclusivamente a través de una interfaz propietaria. También conecta el modelo con Tinker, que proporciona la infraestructura de entrenamiento necesaria para modificar el comportamiento sin obligar a cada organización a ensamblar su propia gran granja de GPU.

Todavía hay tensión entre esta visión y las realidades prácticas del lanzamiento. Inkling es lo suficientemente abierto como para descargarse y modificarse, pero lo suficientemente grande como para que solo las organizaciones bien financiadas puedan alojar realistamente el modelo completo. Sus datos de entrenamiento se describen en categorías generales en lugar de estar completamente documentados, y la personalización puede potencialmente debilitar los controles de seguridad integrados en el punto de control original.

El lanzamiento, sin embargo, da a los desarrolladores occidentales otra opción de modelo de pesos abiertos grande en un momento en que muchos de los modelos personalizables más competitivos han provenido de laboratorios chinos como DeepSeek, Alibaba, Moonshot AI y Zhipu AI. Reuters señaló que el desarrollo de pesos abiertos occidentales ha perdido impulso a medida que varias empresas estadounidenses líderes han cambiado hacia estrategias más propietarias.

Qué Significa Inkling para la Inteligencia Artificial

La importancia de Inkling puede depender menos de si lidera cada benchmark y más de si los desarrolladores pueden convertirlo en sistemas especializados que superen a los modelos de propósito general dentro de dominios más estrechos.

Las empresas en finanzas, atención médica, ingeniería, ciberseguridad, investigación científica y desarrollo de software a menudo poseen conocimientos internos valiosos que están pobremente representados en los datos de entrenamiento públicos. Un modelo de base de pesos abiertos capaz, combinado con infraestructura de aprendizaje de refuerzo y ajuste accesible, podría permitir que esas organizaciones codifiquen más de esa experiencia directamente en el comportamiento del modelo.

Al mismo tiempo, el modelo necesitará demostrar que sus afirmaciones de eficiencia se traducen en costos de implementación totales más bajos, particularmente una vez que se consideran la infraestructura, el volumen de inferencia, el ajuste, el monitoreo y las pruebas de seguridad. Los investigadores independientes también necesitarán examinar su rendimiento de benchmark, capacidades multilingües, neutralidad política, tasas de alucinación y resistencia a la degradación de la seguridad después de la personalización.

Thinking Machines entró en el mercado con un equipo inusualmente experimentado, una gran financiación de inversores y compromisos de infraestructura normalmente asociados con laboratorios de inteligencia artificial mucho más antiguos. Inkling es la primera oportunidad de la empresa para demostrar que esos recursos pueden producir más que planes de investigación ambiciosos y plataformas de entrenamiento.

El modelo no reemplaza a los sistemas propietarios líderes, y Thinking Machines Lab no afirma que lo haga. En cambio, Inkling ofrece una propuesta diferente: que el futuro de la inteligencia artificial avanzada puede estar determinado no solo por quién entrena el modelo de propósito general más poderoso, sino también por quién da a los desarrolladores la base más sólida para construir sus propios modelos.