Thinking Machines Lab Meluncurkan Inkling, Model AI Multimodal Pertama dengan Bobot Terbuka

Thinking Machines Lab telah merilis Inkling, model kecerdasan buatan (AI) umum pertamanya, yang memberikan pengembang akses ke sistem dengan hampir satu triliun parameter yang dapat memproses teks, gambar, dan audio. Peluncuran pada 15 Juli 2026 ini merupakan tonggak produk paling signifikan bagi perusahaan AI yang didanai besar ini, yang didirikan oleh mantan Chief Technology Officer OpenAI, Mira Murati.

Daripada mengklaim telah membangun model paling kuat di dunia, Thinking Machines memposisikan Inkling sebagai fondasi yang dapat disesuaikan untuk perusahaan, peneliti, dan pengembang yang ingin memiliki kontrol lebih besar atas perilaku AI mereka. Bobotnya dapat diunduh melalui Hugging Face dengan lisensi Apache 2.0, sedangkan modelnya juga dapat disesuaikan melalui platform pelatihan Tinker yang dikembangkan oleh Thinking Machines.

Pengembangan ini dapat membuktikan pentingnya dalam membagi pasar AI antara sistem frontier yang dimiliki oleh beberapa perusahaan dan alternatif bobot terbuka yang dapat dimodifikasi, dihosting, dan diintegrasikan ke dalam infrastruktur organisasi.

Model 975 Miliar Parameter yang Menggunakan Hanya Sebagian Sekali

Inkling memiliki 975 miliar parameter total, menjadikannya salah satu model bobot terbuka terbesar yang dirilis hingga saat ini. Namun, model ini menggunakan arsitektur Mixture-of-Experts yang sparse, yang berarti hanya 41 miliar parameter yang diaktifkan saat memproses setiap token individu.

Model ini memiliki 66 lapisan transformer dan 256 ahli yang diarahkan. Setiap token dikirim ke enam ahli tersebut, bersama dengan dua ahli bersama yang tetap aktif di seluruh permintaan. Pendekatan ini dimaksudkan untuk memberikan kapasitas pengetahuan model yang sangat besar tanpa memerlukan setiap parameter untuk digunakan selama setiap operasi inferensi.

Thinking Machines mengatakan desain Mixture-of-Experts sebagian besar mengikuti ide yang diperkenalkan dalam DeepSeek-V3, termasuk metode pengarahan dan load-balancing. Inkling juga menggunakan kombinasi lapisan perhatian jendela geser dan perhatian global, bersama dengan penyematan posisi relatif daripada Rotary Positional Embeddings yang umum digunakan dalam model bahasa modern.

Model ini mendukung jendela konteks hingga satu juta token. Melalui Tinker, pengembang saat ini memiliki akses ke konfigurasi 64.000-token dan 256.000-token, sedangkan kapasitas konteks penuh tersedia melalui penyebaran yang kompatibel dengan bobot yang diunduh.

Penalaran Asli di Seluruh Teks, Gambar, dan Audio

Inkling secara asli multimodal, menerima teks, gambar, dan audio sebagai input sementara menghasilkan teks sebagai output. Gambar diproses menggunakan pengkode patch hierarkis, sedangkan audio diubah menjadi token diskrit dan ditempatkan dalam ruang representasi yang sama dengan informasi teks dan visual.

Thinking Machines melakukan pra-pelatihan model pada 45 triliun token yang diambil dari teks, gambar, audio, dan video. Perusahaan mengatakan data tersebut termasuk materi yang tersedia secara umum, sumber pihak ketiga yang dilisensikan atau diperoleh, serta konten yang disintesis atau ditingkatkan. Namun, kartu model tidak memberikan inventori dataset yang lengkap, membuat “bobot terbuka” menjadi deskripsi yang lebih akurat daripada sumber terbuka sepenuhnya.

Perusahaan juga memperkenalkan sistem penalaran yang dapat dikendalikan yang memungkinkan pengembang menyesuaikan seberapa banyak komputasi yang diterapkan Inkling sebelum menghasilkan jawaban. Pengaturan penalaran yang lebih rendah dapat mengurangi latensi dan konsumsi token, sedangkan pengaturan yang lebih tinggi dapat digunakan untuk tugas coding, matematika, ilmiah, atau penggunaan alat yang lebih sulit.

Bersamaan dengan model utama, Thinking Machines memperkenalkan Inkling-Small, model Mixture-of-Experts 276 miliar parameter dengan 12 miliar parameter aktif. Perusahaan mengatakan perbaikan pada data dan resep pelatihan memungkinkan model yang lebih kecil untuk mencapai atau melampaui versi yang lebih besar pada beberapa evaluasi, meskipun Inkling-Small belum menerima perlakuan rilis penuh.

Didesain untuk Disesuaikan Melalui Tinker

Inkling erat terkait dengan Tinker, platform pelatihan berbasis cloud yang diperkenalkan oleh Thinking Machines pada 2025. Tinker memungkinkan pengembang menulis prosedur pelatihan secara lokal sementara platform mengelola infrastruktur GPU terdistribusi yang diperlukan untuk menyempurnakan model mulai dari sistem yang relatif kecil hingga arsitektur Mixture-of-Experts triliun parameter.

Platform ini mendukung penyempurnaan terarah, pembelajaran penguatan, Optimisasi Preferensi Langsung, destilasi, dan Adaptasi Rendah-Rank. Pelanggan dapat mengunduh titik akhir yang dihasilkan, dan Thinking Machines mengatakan data pelatihan pelanggan hanya digunakan untuk menyempurnakan model pelanggan dan tidak diintegrasikan ke dalam model dasar mereka.

Untuk mendemonstrasikan proses kustomisasi ini, perusahaan meminta Inkling untuk menyempurnakan dirinya menjadi model yang tidak pernah menggunakan huruf “e”. Inkling menghasilkan data pelatihan dan metode evaluasi sendiri, membuat dan menjalankan pekerjaan penyempurnaan melalui Tinker, menguji titik akhir yang diperbarui, dan kemudian memuat bobot yang dimodifikasi ke dalam lingkungan kerjanya.

Demonstrasi ini sengaja sempit, tetapi mengilustrasikan strategi yang lebih luas. Thinking Machines ingin pengembang memperlakukan model dasar sebagai titik awal yang dapat disesuaikan dengan terminologi, alur kerja, data, kebijakan, dan perilaku yang disukai organisasi, bukan sebagai produk jadi yang dikendalikan sepenuhnya oleh penyedia model asli.

Kinerja Kompetitif Tanpa Mengklaim Mahkota Benchmark

Thinking Machines secara terbuka mengakui bahwa Inkling bukanlah model terkuat yang tersedia di setiap kategori. Hasil benchmarknya umumnya menempatkan model ini di antara sistem bobot terbuka yang lebih kuat, sedangkan model propietary terkemuka dari perusahaan seperti Anthropic, Google, dan OpenAI mempertahankan keunggulan secara keseluruhan.

Inkling mencetak 97,1% pada benchmark American Invitational Mathematics Examination 2026 dan 87,2% pada GPQA Diamond, yang mengevaluasi penalaran ilmiah tingkat pascasarjana. Model ini mencatat 77,6% pada SWE-bench Verified dan 54,3% pada SWE-bench Pro Public, dua benchmark yang digunakan untuk menilai kemampuan agen coding menyelesaikan masalah rekayasa perangkat lunak nyata.

Di Humanity’s Last Exam, Inkling mencetak 29,7% tanpa alat dan 46% ketika diberi akses alat. Kinerja yang diaktifkan alat ini kompetitif dengan beberapa model terbuka, tetapi tetap di bawah sistem tertutup terkuat yang dimasukkan dalam perbandingan Thinking Machines.

Inkling juga menerima skor 1.257 pada leaderboard Agentic Web Development dari Design Arena, di mana evaluator manusia membandingkan aplikasi yang dibuat oleh model yang berbeda. Ini menempatkan model ini dekat dengan beberapa sistem propietary dan di atas beberapa kompetitor bobot terbuka yang mapan.

Seperti dengan set benchmark yang diterbitkan vendor, hasil ini akan memerlukan reproduksi independen. Thinking Machines menggunakan skor eksternal di mana tersedia, tetapi beberapa evaluasi bergantung pada harness internal, konfigurasi, atau hasil yang dilaporkan sendiri oleh penyedia model yang bersaing.

Biaya Lebih Rendah Datang dengan Persyaratan Perangkat Keras yang Signifikan

Argumen biaya Inkling sebagian besar didasarkan pada arsitektur yang sparse dan penalaran yang dapat dikendalikan. Mengaktifkan 41 miliar parameter bukan semua 975 miliar seharusnya membuat inferensi jauh lebih efisien daripada menjalankan model padat dengan ukuran serupa, sementara memungkinkan pengembang untuk menonaktifkan penalaran yang diperluas untuk permintaan yang tidak memerlukannya.

Melalui Tinker, versi 64.000-token terdaftar seharga $1,87 per juta token prefill, $4,68 per juta token sampel, dan $5,61 per juta token pelatihan. Konfigurasi 256.000-token memiliki harga yang lebih tinggi pada $3,74 untuk prefill, $9,36 untuk sampling, dan $11,23 untuk pelatihan, dengan tarif yang lebih rendah tersedia untuk input yang di-cache.

Angka-angka tersebut membuat eksperimen model besar lebih terjangkau daripada merakit cluster pelatihan khusus, tetapi Inkling bukanlah model yang akan dijalankan oleh kebanyakan pengembang pada stasiun kerja biasa. Titik akhir BF16 penuh memerlukan setidaknya dua terabyte memori grafis agregat, setara dengan delapan GPU Nvidia B300 atau 16 GPU H200.

Titik akhir NVFP4 yang dikuantisasi mengurangi persyaratan menjadi sekitar 600 gigabyte, tetapi masih memerlukan infrastruktur seperti empat GPU B300 atau delapan GPU H200. Dalam prakteknya, banyak organisasi kemungkinan akan mengakses Inkling melalui Tinker atau penyedia inferensi pihak ketiga daripada menghosting model lengkap secara langsung.

Mengimbangkan Resistensi terhadap Sensor dengan Kontrol Keselamatan

Salah satu tujuan desain Inkling yang lebih tidak biasa adalah apa yang Thinking Machines sebut sebagai resistensi terhadap sensor. Perusahaan mengatakan mereka secara khusus melatih model untuk menjawab pertanyaan tentang topik yang mungkin sensitif secara politik atau lembaga daripada secara otomatis menolaknya.

Cognition mengevaluasi Inkling menggunakan benchmark Propaganda dan Sensor, dan Thinking Machines melaporkan bahwa model ini menunjukkan pola “ketidakpatuhan sensor” yang kuat. Ide dasar adalah bahwa model terbuka tidak harus mewarisi pembatasan politik yang tidak perlu atau opini standar hanya karena preferensi tersebut ditanamkan oleh pengembang aslinya.

Namun, itu tidak berarti Inkling didesain untuk menjawab setiap permintaan. Perusahaan secara terpisah melatih model untuk menolak instruksi yang terkait dengan senjata, kekerasan, pelecehan siber, ancaman kimia atau biologis, manipulasi, dan kegiatan berbahaya lainnya.

Inkling mencetak 78% pada bagian adversarial dari benchmark keselamatan FORTRESS dan menjawab dengan benar 95,9% pertanyaan yang tidak berbahaya yang dirancang untuk menyerupai permintaan berbahaya. Model ini juga mencapai 98,6% pada StrongREJECT, yang mengukur apakah model menolak instruksi berbahaya dengan jelas. Thinking Machines mengatakan kombinasi ini menunjukkan bahwa model dapat mempertahankan kontrol keselamatan tanpa memblokir pertanyaan yang sah secara berlebihan, meskipun efek dari penyempurnaan pihak ketiga selanjutnya tetap menjadi masalah penelitian terbuka.

Dari Kepemimpinan OpenAI ke Startup $12 Miliar

Thinking Machines Lab secara resmi diluncurkan pada Februari 2025, beberapa bulan setelah Murati meninggalkan OpenAI. Ia telah menjabat sebagai Chief Technology Officer OpenAI selama peluncuran produk seperti ChatGPT, DALL-E, dan sistem suara serta multimodal awal perusahaan.

Tim asli termasuk sekitar 30 peneliti dan insinyur yang direkrut dari OpenAI, Meta, Mistral, dan organisasi AI lainnya. Sekitar dua pertiga dari karyawannya pada saat peluncuran sebelumnya pernah bekerja di OpenAI. Kelompok pendiri termasuk co-founder OpenAI John Schulman, Barret Zoph, Lilian Weng, Andrew Tulloch, dan Luke Metz, membawa pengalaman di seluruh pembelajaran penguatan, penyesuaian model, AI multimodal, pra-pelatihan, dan pasca-pelatihan.

Hanya lima bulan setelah peluncurannya, Thinking Machines mengumpulkan sekitar $2 miliar dengan valuasi $12 miliar. Andreessen Horowitz memimpin putaran ini, dengan partisipasi dari Nvidia (NVDA ), Accel, ServiceNow (NOW ), Cisco, AMD, dan firma perdagangan kuantitatif Jane Street.

Nvidia telah memperluas hubungannya dengan perusahaan melalui kemitraan strategis multi-tahun. Diumumkan pada Maret 2026, perjanjian ini menyerukan penyebaran setidaknya satu gigawatt sistem Nvidia Vera Rubin generasi berikutnya untuk mendukung pelatihan model dan platform AI yang dapat disesuaikan oleh Thinking Machines. Nvidia juga melakukan investasi tambahan pada perusahaan.

Inkling Mencerminkan Taruhan yang Lebih Luas pada AI Terdesentralisasi

Thinking Machines berargumen bahwa sebagian besar sistem AI dilatih oleh beberapa perusahaan dan kemudian didistribusikan sebagai produk yang relatif tetap. Alternatif mereka adalah ekosistem di mana bisnis dan individu dapat terus-menerus menyesuaikan model menggunakan pengetahuan, preferensi, dan penilaian mereka sendiri.

Filsafat ini membantu menjelaskan mengapa Inkling dirilis dengan bobot yang dapat diunduh daripada ditawarkan secara eksklusif melalui antarmuka propietary. Ini juga menghubungkan model dengan Tinker, yang menyediakan infrastruktur pelatihan yang diperlukan untuk memodifikasi perilaku tanpa memaksa setiap organisasi untuk merakit cluster GPU besar.

Masih ada ketegangan antara visi ini dan kenyataan praktis dari rilis. Inkling cukup terbuka untuk diunduh dan dimodifikasi, tetapi cukup besar sehingga hanya organisasi yang sangat didanai yang dapat realistis menghosting model lengkap. Data pelatihannya dijelaskan dalam kategori umum daripada didokumentasikan sepenuhnya, dan kustomisasi dapat potensial melemahkan kontrol keselamatan yang dibangun ke dalam titik akhir asli.

Rilis ini tetap memberikan pengembang Barat pilihan model bobot terbuka besar lainnya pada saat ketika banyak model yang dapat disesuaikan paling kompetitif berasal dari laboratorium Tiongkok seperti DeepSeek, Alibaba, Moonshot AI, dan Zhipu AI. Reuters mencatat bahwa pengembangan bobot terbuka Barat telah kehilangan momentum karena beberapa perusahaan Amerika terkemuka telah beralih ke strategi yang lebih propietary.

Apa yang Inkling Maksudkan untuk AI

Pentingnya Inkling mungkin bergantung lebih sedikit pada apakah model ini memimpin setiap benchmark dan lebih pada apakah pengembang dapat mengubahnya menjadi sistem khusus yang mengungguli model umum dalam domain yang lebih sempit.

Perusahaan di keuangan, perawatan kesehatan, teknik, keamanan siber, penelitian ilmiah, dan pengembangan perangkat lunak sering memiliki pengetahuan internal yang berharga yang tidak terwakili dengan baik dalam data pelatihan publik. Model bobot terbuka yang kuat, dikombinasikan dengan infrastruktur pelatihan penguatan dan penyempurnaan yang dapat diakses, dapat memungkinkan organisasi tersebut untuk mengkodekan lebih banyak keahlian langsung ke dalam perilaku model.

Pada saat yang sama, model ini perlu membuktikan bahwa klaim efisiensinya diterjemahkan ke dalam biaya penerapan total yang lebih rendah, terutama setelah infrastruktur, volume inferensi, penyempurnaan, pemantauan, dan pengujian keselamatan diperhitungkan. Peneliti independen juga perlu memeriksa kinerja benchmark, kemampuan multibahasa, netralitas politik, tingkat halusinasi, dan resistensi terhadap degradasi keselamatan setelah kustomisasi.

Thinking Machines memasuki pasar dengan tim yang sangat berpengalaman, dukungan investor yang besar, dan komitmen infrastruktur yang biasanya terkait dengan laboratorium AI yang jauh lebih tua. Inkling adalah kesempatan pertama perusahaan untuk menunjukkan bahwa sumber daya tersebut dapat menghasilkan lebih dari rencana penelitian ambisius dan platform pelatihan.

Model ini tidak menggantikan sistem propietary terkemuka, dan Thinking Machines Lab tidak mengklaim bahwa itu melakukannya. Sebaliknya, Inkling menawarkan proposisi yang berbeda: bahwa masa depan AI maju mungkin tidak hanya dibentuk oleh siapa yang melatih model umum paling kuat, tetapi juga oleh siapa yang memberikan pengembang fondasi terkuat untuk membangun model mereka sendiri.