Thinking Machines Lab julkaisee Inklingin, ensimmäisen avoimen painoisten multimodaalisen AI-mallin

Thinking Machines Lab on julkaissut Inklingin, ensimmäisen yleistarkoituksisen tekoälymallin, joka antaa kehittäjille pääsyn lähes yhden biljoonan parametrin järjestelmään, joka voi prosessoida tekstiä, kuvia ja ääntä. 15. heinäkuuta 2026 julkaisu edustaa merkittävintä tuotemerkkipaalia aiemmin raskaasti rahoitetulle AI-yritykselle, jonka perusti entinen OpenAI:n teknologiajohtaja Mira Murati.

Sen sijaan, että väittäisi rakentaneensa maailman kyvykkäimmän mallin, Thinking Machines asettaa Inklingin mukautettavaksi perustaksi yrityksille, tutkijoille ja kehittäjille, jotka haluavat suuremman valvonnan siitä, miten heidän tekoälynsä toimii. Sen painot voi ladata Hugging Facen kautta Apache 2.0 -lisenssillä, ja malli voidaan myös hienosäätää Thinking Machinesin Tinker -koulutusalustalla.

Tämä asettelu voi osoittautua tärkeäksi, kun tekoälymarkkinat jakautuvat omistajiin, jotka hallitsevat muutamia eturintamajärjestelmiä, ja avoimpiin painoihin, joita organisaatiot voivat muokata, isännöidä ja integroida omaan infrastruktuuriinsa.

975 miljardin parametrin malli, joka käyttää vain osan kerran

Inkling sisältää 975 miljardia yhteistä parametria, mikä tekee siitä yhden suurimmista avoimen painoisen mallista, joka on julkaistu tähän mennessä. Kuitenkin se käyttää harvaa Mixture-of-Experts -arkkitehtuuria, mikä tarkoittaa, että vain 41 miljardia parametria on aktiivisia prosessoidessaan yksittäistä merkkiä.

Malli sisältää 66 transformer-kerrosta ja 256 reititettyä asiantuntijaa. Jokainen merkki lähetetään kuuden asiantuntijan lisäksi kahdelle jaettuun asiantuntijalle, jotka pysyvät aktiivisina pyynnöissä. Tämä lähestymistapa on tarkoitettu tarjoamaan hyvin suuren mallin tietokapasiteetti ilman, että jokaisen parametrin on oltava käytössä jokaisessa päätöksenteon operaatiossa.

Thinking Machines kertoo, että Mixture-of-Experts -suunnittelu seuraa pääosin DeepSeek-V3:ssa esiteltyjä ideoita, mukaan lukien reititys- ja kuormituksen tasapainotusmenetelmät. Inkling käyttää myös yhdistelmää liukuvaa ikkunaa ja globaalia huomioimista kerroksia, sekä suhteellisia positioläisketyksiä Rotary Positional Embeddingsin sijaan, joita yleisesti käytetään modernissa kielimalleissa.

Malli tukee enintään yhden miljoonan merkin kontekstia. Tinkerin kautta kehittäjillä on tällä hetkellä pääsy 64 000 merkin ja 256 000 merkin konfiguraatioihin, kun taas koko kontekstin kapasiteetti on saatavilla yhteensopivien painojen lataamisen kautta.

Luonnollinen päättely teksti-, kuva- ja äänitiedostojen yli

Inkling on luonnollisesti multimodaalinen, hyväksyen tekstin, kuvat ja äänen syötteinä ja tuottaa tekstin tulosteena. Kuvat prosessoidaan hierarkkisella patch-kooderin avulla, kun taas ääni muunnetaan diskreeteiksi merkeiksi ja asetetaan samaan jaettuun edustusavaruuteen kuin teksti- ja visuaalitiedot.

Thinking Machines esikoulutti mallin 45 biljoonalla merkillä, jotka poimittiin teksteistä, kuvista, äänistä ja videoista. Yritys kertoi, että dataan kuului julkisesti saatavilla olevaa materiaalia, lisensoiduista tai hankituista kolmannen osapuolen lähteistä, sekä syntetisesti luotua tai parannettua sisältöä. Kuitenkin mallikortti ei tarjoa täydellistä tietokanta-inventointia, mikä tekee “avoimet painot” tarkemmaksi kuvausksi kuin täysin avoimen lähdekoodin.

Yritys esitteli myös säädettävän päättelyjärjestelmän, joka mahdollistaa kehittäjien mukauttamaan, kuinka paljon laskentaa Inkling soveltaa ennen vastaamista. Alempien päättelyasetusten avulla voidaan vähentää viivettä ja merkin kulutusta, kun taas korkeampia asetuksia voidaan käyttää haastavampiin koodaus-, matemaattisiin, tieteellisiin tai työkalujen käyttöön liittyviin tehtäviin.

Mallin rinnalla Thinking Machines esitteli Inkling-Smallin, 276 miljardin parametrin Mixture-of-Experts -mallin, jossa on 12 miljardia aktiivista parametria. Yritys kertoi, että parannukset dataan ja koulutusreseptiin mahdollistivat pienemmän mallin vastaavan tai ylittävän suuremman version useilla arvioilla, vaikka Inkling-Smalli ei ole vielä saanut samaa täydellistä julkaisukäsittelyä.

Suunniteltu mukautettavaksi Tinkerin kautta

Inkling on tiiviisti kytköksissä Tinkeriin, pilvipohjaiseen koulutusalustaan, jonka Thinking Machines esitteli vuonna 2025. Tinker mahdollistaa kehittäjien kirjoittaa koulutusmenetelmiä paikallisesti, kun taas alusta hallitsee jakautuneen GPU-infrastruktuurin, jota tarvitaan mallien hienosäätöön, jotka vaihtelevat suhteellisen pienistä järjestelmistä trillion-parametrin Mixture-of-Experts -arkkitehtuureihin.

Alusta tukee valvottua hienosäätöä, vahvistusoppimista, Direct Preference Optimizationia, tislausta ja Low-Rank -sopeutumista. Asiakkaat voivat ladata tuloksena olevat tarkistuspisteet, ja Thinking Machines kertoo, että asiakkaan koulutusdataa käytetään ainoastaan asiakkaan mallien hienosäätöön eikä sisälly yrityksen omiin perusmalleihin.

Esittääkseen tämän mukautusprosessin, yritys pyysi Inklingiä hienosäätämään itsensä malliksi, joka ei koskaan käytä kirjainta “e”. Inkling loi oman koulutusdatansa ja arviointimenetelmänsä, loi ja suoritti hienosäätötyön Tinkerin kautta, testasi päivitetyn tarkistuspisteen ja lataa muutetut painot työskentelyympäristöönsä.

Esittely on tietoisesti kapea, mutta se havainnollistaa laajempaa strategiaa. Thinking Machines haluaa, että kehittäjät kohdeltavat perusmalleja aloituspisteinä, jotka voidaan sovittaa organisaation termeihin, työvirtoihin, tietoihin, käytäntöihin ja toivottuun käyttäytymiseen, eikä valmiina tuotteina, jotka ovat täysin alkuperäisen mallin tarjoajan valvonnassa.

Kilpailukykyinen suorituskyky ilman väittämistä benchmark-kruunua

Thinking Machines myöntää avoimesti, että Inkling ei ole vahvin malli, jota on saatavilla jokaisessa luokassa. Sen benchmark-tulokset sijoittavat sen yleensä kyvykkäimpien avoimen painoisten järjestelmien joukkoon, kun taas johtavat omistajien mallit, kuten Anthropic, Google ja OpenAI, säilyttävät yleisen etulyöntiasemansa.

Inkling saavutti 97,1 %:n 2026 American Invitational Mathematics Examination -benchmarkissa ja 87,2 %:n GPQA Diamond -arvioinnissa, joka arvioi graduate-tason tieteellistä päättelyä. Se sai 77,6 %:n SWE-bench Verified -arvioinnissa ja 54,3 %:n SWE-bench Pro Public -arvioinnissa, jotka ovat kaksi benchmarkia, joita käytetään arvioimaan koodausagenttien kykyä ratkaista todellisia ohjelmistokehitysongelmia.

Humanity’s Last Exam -arvioinnissa Inkling sai 29,7 %:n työkalujen käytön ilman ja 46 %:n, kun sille annettiin pääsy työkaluihin. Sen työkalujen käytön mahdollistava suorituskyky oli kilpailukykyinen useiden avoimen mallin kanssa, mutta se säilyi vahvimpien suljettujen järjestelmien alapuolella, jotka olivat mukana Thinking Machinesin vertailussa.

Inkling sai myös 1 257 pistettä Design Arenan Agentic Web Development -johtajan listalla, jossa ihmisen arvioijat vertailevat eri mallien luomia sovelluksia. Se sijoittui lähelle useita omistajien järjestelmiä ja edellä useita vakiintuneita avoimen painoisten kilpailijoita.

Kuten minkä tahansa myyjän julkaiseman benchmark-ryhmän osalta, tulokset vaativat riippumattoman toistamisen. Thinking Machines käytti ulkoisia pisteytyksiä, missä ne olivat saatavilla, mutta useat arviot perustuivat sisäisiin kuormittimiin, konfiguraatioihin tai kilpailevien mallien tarjoajien itseilmoitettuihin tuloksiin.

Alhaisemmat kustannukset tulevat merkittävien laitteistovaatimusten kanssa

Inklingin kustannusväite perustuu pääosin sen harvaan arkkitehtuuriin ja säädettävään päättelyyn. 41 miljardin parametrin aktivoiminen 975 miljardin sijaan pitäisi tehdä päätöksenteosta huomattavasti tehokkaammaksi kuin samankokoisen tiheän mallin suorittaminen, ja antaa kehittäjille mahdollisuuden poistaa laajennettu päättely pyynnöistä, jotka eivät vaadi sitä.

Tinkerin kautta 64 000 merkin versio on listattu 1,87 dollariin miljoonaa esitöitä edeltävää tokenia kohden, 4,68 dollariin miljoonaa näytettävää tokenia kohden ja 5,61 dollariin miljoonaa koulutustokenia kohden, ja alhaisemmat hinnat ovat saatavilla välimuistitun sisääntulolle.

Nämä luvut tekevät suurten mallien kokeilun helpommaksi kuin omien koulutusklustereiden kokoaminen, mutta Inkling ei ole malli, jonka useimmat kehittäjät suorittavat tavallisella työasemalla. Täysi BF16-tarkistuspiste vaatii vähintään kaksi teratavua aggregoituja grafiikkamuisteja, mikä vastaa kahdeksaa Nvidia B300 -näytönohjainta tai 16 H200 -näytönohjainta.

Kvantisoitu NVFP4-tarkistuspiste laskee vaatimuksen noin 600 gigatavuun, mutta edellyttää silti infrastruktuuria, kuten neljää B300-näytönohjainta tai kahdeksaa H200-näytönohjainta. Käytännössä monet organisaatiot pääsevät kuitenkin todennäköisesti Inklingiin Tinkerin tai kolmannen osapuolen päätöksentekijöiden kautta eikä suoraan isännöi koko mallia.

Tasapaino sensuurin vastaisuuden ja turvallisuuden välillä

Yksi Inklingin epätavallisimmista suunnittelutavoitteista on se, mitä Thinking Machines kuvaa sensuurin vastaisuutena. Yritys kertoo, että se koulutti tietoisesti mallin vastaamaan kysymyksiin aiheista, jotka voivat olla poliittisesti tai institutionaalisesti arkaluontoisia, eikä automaattisesti kieltäydy niistä.

Cognition arvioi Inklingiä Propaganda and Censorship -benchmarkilla, ja Thinking Machines kertoi, että malli osoitti vahvoja “sensuurin vastaisia” malleja. Sen perusajatus on, että avoin malli ei pitäisi periä tarpeettomia poliittisia rajoituksia tai standardoituja mielipiteitä vain siksi, että ne on upotettu alkuperäiseen kehittäjään.

Se ei kuitenkaan tarkoita, että Inkling on suunniteltu vastaamaan jokaiseen pyyntöön. Yritys koulutti erikseen mallin kieltäytymään ohjeista, jotka liittyvät aseisiin, väkivaltaan, kyberhyökkäyksiin, kemiallisiin tai biologisiin uhkiin, manipulointiin ja muihin vaarallisiin toimiin.

Inkling sai 78 %:n FORTRESS-turvallisuuden osalla ja vastasi oikein 95,9 %:iin vaarattomiin kysymyksiin, jotka muistuttavat haitallisia pyynnöistä. Se saavutti myös 98,6 %:n StrongREJECT -arvioinnissa, joka mitata, voivatko mallit kieltäytyä selvästi haitallisista ohjeista. Thinking Machines kertoo, että tämä yhdistelmä osoittaa, että malli voi ylläpitää turvallisuuden valvontaa ilman, että se estää liikaa legitiimejä kysymyksiä, vaikka kolmannen osapuolen hienosäätö vaikutus on edelleen avoin tutkimusongelma.

OpenAI:n johdosta 12 miljardin dollarin startupiin

Thinking Machines Lab perustettiin virallisesti helmikuussa 2025, muutamia kuukausia sen jälkeen, kun Murati jätti OpenAI:n. Hän toimi OpenAI:n teknologiajohtajana tuotteiden kuten ChatGPT, DALL-E ja yhtiön varhaisen ääni- ja multimodaalisen järjestelmän julkaisun aikana.

Alkuperäinen tiimi koostui noin 30 tutkijasta ja insinööristä, jotka olivat palkanneet OpenAI:sta, Meta:sta, Mistral:sta ja muista AI-organisaatioista. Noin kaksi kolmasosaa sen työntekijöistä perustamishetkellä oli aiemmin työskennellyt OpenAI:lla. Perustajaryhmään kuului OpenAI:n perustaja John Schulman, Barret Zoph, Lilian Weng, Andrew Tulloch ja Luke Metz, jotka toivat kokemusta vahvistusoppimisesta, mallin sovittamisesta, multimodaalisesta tekoälystä, esikoulutuksesta ja jälkikoulutuksesta.

Vain viisi kuukautta sen jälkeen, kun se perustettiin, Thinking Machines keräsi noin 2 miljardia dollaria 12 miljardin dollarin arvostuksella. Andreessen Horowitz johti kierrosta, johon osallistuivat myös Nvidia (NVDA ), Accel, ServiceNow (NOW ), Cisco, AMD ja kvantitatiivinen kaupankäyntifirma Jane Street.

Nvidia on sittemmin laajentanut suhdettaan yrityksen kanssa monivuotisella strategisella kumppanuudella. Ilmoitettiin maaliskuussa 2026, sopimus edellyttää vähintään yhden gigawatin uuden sukupolven Nvidian Vera Rubin -järjestelmän käyttöönottoa Thinking Machinesin mallien koulutukseen ja mukautettaviin tekoälyalustoihin. Nvidia teki myös lisäksi sijoituksen yritykseen.

Inkling heijastaa laajempaa vetoa hajautettuun tekoälyyn

Thinking Machines väittää, että useimmat tekoälyjärjestelmät koulutetaan muutamassa yrityksessä ja jaetaan sitten pääosin kiinteinä tuotteina. Sen vaihtoehto on ekosysteemi, jossa yritykset ja yksilöt voivat jatkuvasti sopeuttaa malleja omilla tietämyksellään, mieltymyksillään, tietämyksellään, käytännöillään ja toivottulla käyttäytymisellään eikä ainoastaan alkuperäisen mallin tarjoajan valvonnassa.

Tämä filosofia auttaa selittämään, miksi Inkling julkaistaan ladataavin painoin eikä ainoastaan omistajan rajapinnan kautta. Se myös liittää mallin Tinkeriin, joka tarjoaa koulutusinfrastruktuurin, jota tarvitaan käyttäytymisen muuttamiseen ilman, että jokaisen organisaation on koottava oma suuri GPU-klusteri.

On kuitenkin jännitettä tämän vision ja käytännön julkaisun välillä. Inkling on avoin ladattavaksi ja muokattavaksi, mutta tarpeeksi suuri, että vain hyvin rahoitetut organisaatiot voivat realistisesti isännöidä koko mallia. Sen koulutusdata on kuvattu laajasti eikä täysin dokumentoitu, ja mukauttaminen voi heikentää alkuperäisessä tarkistuspisteessä rakennettuja turvallisuuden valvontaa.

Julkaisu antaa kuitenkin länsimaisille kehittäjille toisen suuren avoimen painoisen vaihtoehdon, kun useimmat kilpailukykyiset mukautettavat mallit ovat peräisin kiinalaisista laboratorioista, kuten DeepSeek, Alibaba, Moonshot AI ja Zhipu AI. Reuters huomioi, että länsimaisen avoimen painoisen kehitys on menettänyt vauhtia, kun useat johtavat amerikkalaiset yritykset ovat siirtyneet enemmän omistajiin suuntautuneisiin strategioihin.

Mitä Inkling merkitsee tekoälylle

Inklingin merkitys saattaa riippua vähemmän siitä, johtaakö se jokaisen benchmarkin, ja enemmän siitä, voivatko kehittäjät muuttaa siitä erikoistuneita järjestelmiä, jotka ylittävät yleispätevät mallit kapeammilla alueilla.

Yritykset rahoituksessa, terveydenhuollossa, insinööritieteessä, kyberTurvallisuudessa, tieteellisessä tutkimuksessa ja ohjelmistokehityksessä usein omistavat arvokkaita sisäisiä tietoja, jotka ovat heikosti edustettuina julkisissa koulutusdataissa. Kyvykkään avoimen painoisen perusmallin yhdistäminen saatavilla olevaan vahvistusoppimiseen ja hienosäätöinfrastruktuuriin voisi mahdollistaa näille organisaatioille koodata enemmän asiantuntemusta suoraan mallin käyttäytymiseen.

Samaan aikaan mallin on osoitettava, että sen tehokkuusväitteet kääntyvät alempiin käyttöönottokustannuksiin, erityisesti kun infrastruktuuri, päätöksenteon volyymi, hienosäätö, seuranta ja turvallisuuden testaus otetaan huomioon. Riippumattomat tutkijat tarvitsevat myös tutkia sen benchmark-suorituskykyä, monikielisiä kykyjä, poliittista puolueettomuutta, harhalukujen määrää ja vastustuskykyä turvallisuuden heikentymiselle mukauttamisen jälkeen.

Thinking Machines tuli markkinoille poikkeuksellisen kokeneen tiimin, merkittävän sijoittajien tuen ja infrastruktuurisitoumusten kanssa, jotka ovat yleensä yhdistetty vanhempiin AI-laboratorioihin. Inkling on yrityksen ensimmäinen mahdollisuus osoittaa, että nämä resurssit voivat tuottaa enemmän kuin kunnianhimoisia tutkimussuunnitelmia ja koulutusalustoja.

Malli ei syrjäytä johtavia omistajamalleja, ja Thinking Machines Lab ei väitä, että se tekee. Sen sijaan Inkling tarjoaa erilaisen väitteen: että edistyneen tekoälyn tulevaisuus saattaa muotoutua ei ainoastaan siitä, kuka kouluttaa kyvykkäimmän yleispätevän mallin, vaan myös siitä, kuka antaa kehittäjille vahvimman perustan omien mallien rakentamiseksi.