Thinking Machines Lab、最初のオープンウェイトマルチモーダルAIモデル「Inkling」を発表

Thinking Machines Labは、初の汎用人工知能モデルInklingを公開しました。開発者は、テキスト、画像、音声を処理できる約1兆パラメータのシステムを利用できます。2026年7月15日の発表は、元OpenAI最高技術責任者のMira Muratiが設立し、巨額の資金を調達した同社にとって、これまでで最も重要な製品上の節目となります。

Thinking Machinesは、世界で最も高性能なモデルを構築したとは主張せず、AIの振る舞いをより細かく制御したい企業、研究者、開発者向けのカスタマイズ可能な基盤としてInklingを位置づけています。モデルのウェイトはApache 2.0ライセンスでHugging Faceからダウンロードでき、Thinking Machinesのトレーニング基盤Tinkerを通じてファインチューニングすることもできます。

少数企業が管理する独自のフロンティアシステムと、組織が変更、ホスト、自社インフラへの統合を行えるオープンウェイト型の選択肢へAI市場が分かれていく中、この位置づけは重要になる可能性があります。

一度に使うのは一部だけ、総数9,750億パラメータのモデル

Inklingの総パラメータ数は9,750億で、これまで公開されたオープンウェイトモデルの中でも最大級です。ただし、スパースなMixture-of-Experts（MoE）アーキテクチャを採用しており、個々のトークンを処理するときに有効になるのは410億パラメータだけです。

モデルは66層のTransformerと256個のルーティング対象エキスパートを備えています。各トークンはそのうち6個のエキスパートと、すべてのリクエストで動作する2個の共有エキスパートへ送られます。この方式は、推論のたびに全パラメータを使わずに、非常に大きなモデルの知識容量を提供することを目的としています。

Thinking Machinesによると、MoE設計はルーティングと負荷分散の方法を含め、主にDeepSeek-V3で導入された考え方を踏襲しています。Inklingはスライディングウィンドウ注意層とグローバル注意層を組み合わせ、現代の言語モデルで一般的なRotary Positional Embeddingsではなく相対位置埋め込みを使用します。

最大100万トークンのコンテキストウィンドウに対応します。Tinkerでは現在、64,000トークン版と256,000トークン版を利用でき、ダウンロードしたウェイトを互換環境に導入すれば最大コンテキスト容量を使用できます。

テキスト、画像、音声を横断するネイティブ推論

Inklingはネイティブなマルチモーダルモデルで、テキスト、画像、音声を入力として受け取り、テキストを出力します。画像は階層型パッチエンコーダで処理し、音声は離散トークンに変換して、テキストや視覚情報と同じ共有表現空間に配置します。

Thinking Machinesは、テキスト、画像、音声、動画から得た45兆トークンでモデルを事前学習しました。データには公開資料、ライセンスまたは取得した第三者ソース、合成または拡張コンテンツが含まれると説明しています。ただしモデルカードには完全なデータセット一覧がなく、「完全なオープンソース」より「オープンウェイト」と呼ぶ方が正確です。

同社は、回答を生成する前にInklingが適用する計算量を開発者が調整できる、制御可能な推論システムも導入しました。推論設定を下げれば遅延とトークン消費を抑えられ、高い設定は難しいコーディング、数学、科学、ツール利用の課題に使えます。

主モデルとあわせて、総パラメータ2,760億、有効パラメータ120億のMoEモデルInkling-Smallも予告されました。同社によると、データと学習手法の改善により、小型モデルは複数の評価で大型版と同等以上の成績を示しました。ただしInkling-Smallはまだ同等の正式リリースを受けていません。

Tinkerを通じたカスタマイズを前提に設計

InklingはTinkerと密接に結びついています。TinkerはThinking Machinesが2025年に導入したクラウド型トレーニング基盤です。開発者がローカルで学習手順を書く一方、比較的小さなモデルから1兆パラメータ級MoEまでをファインチューニングする分散GPUインフラをTinkerが管理します。

教師ありファインチューニング、強化学習、Direct Preference Optimization、蒸留、Low-Rank Adaptationに対応します。顧客は生成したチェックポイントをダウンロードでき、顧客の学習データはその顧客のモデルを調整するためだけに使い、Thinking Machines自身の基盤モデルには取り込まないと同社は説明しています。

カスタマイズ工程を示すため、同社はInkling自身に、文字「e」を決して使わないモデルへ自らをファインチューニングさせました。Inklingは学習データと評価方法を自分で作り、Tinkerを通じてファインチューニングジョブを作成・実行し、更新したチェックポイントをテストして、変更済みウェイトを作業環境へ読み込みました。

この実演自体は意図的に狭い課題ですが、より広い戦略を示しています。Thinking Machinesは、基盤モデルを提供元が完全に管理する完成品ではなく、組織固有の用語、ワークフロー、データ、方針、望ましい振る舞いに適応できる出発点として開発者に扱ってほしいと考えています。

ベンチマーク首位を主張せずに示す競争力

Thinking Machinesは、Inklingがすべての分野で最強ではないと明言しています。ベンチマークでは高性能なオープンウェイトシステムの一角に入りますが、Anthropic、Google、OpenAIなどの主要な独自モデルが総合的には優位を保っています。

Inklingは2026年American Invitational Mathematics Examinationベンチマークで97.1%、大学院レベルの科学推論を測るGPQA Diamondで87.2%を記録しました。実際のソフトウェア工学問題をコーディングエージェントが解決できるか測るSWE-bench Verifiedでは77.6%、SWE-bench Pro Publicでは54.3%でした。

Humanity’s Last Examではツールなしで29.7%、ツール利用時に46%でした。ツール利用時の成績は複数のオープンモデルと競合しますが、Thinking Machinesの比較に含まれる最強のクローズドシステムには届きませんでした。

人間の評価者が各モデルの作ったアプリを比較するDesign ArenaのAgentic Web Developmentランキングでは1,257点を獲得しました。複数の独自システムに近く、定評ある複数のオープンウェイト競合を上回る位置です。

ベンダー公表のベンチマーク一式と同様、結果には独立した再現が必要です。Thinking Machinesは利用可能な場合には外部スコアを使いましたが、複数の評価は社内の評価基盤、設定、または競合モデル提供元の自己申告結果に依存しています。

低コストの代わりに大規模ハードウェアが必要

Inklingのコスト面の主張は、主にスパースアーキテクチャと制御可能な推論に基づきます。9,750億すべてではなく410億パラメータを有効化するため、同規模の密モデルより推論効率が大幅に高くなるはずです。また、拡張推論が不要なリクエストでは無効にできます。

Tinkerでは、64,000トークン版の料金が100万prefillトークン当たり1.87ドル、100万sampledトークン当たり4.68ドル、100万trainingトークン当たり5.61ドルです。256,000トークン版はprefillが3.74ドル、samplingが9.36ドル、trainingが11.23ドルと高くなり、キャッシュ済み入力には低料金が適用されます。

これらの価格により、専用学習クラスターを組むより大型モデルの実験に取り組みやすくなります。しかしInklingは、多くの開発者が一般的なワークステーションで実行できるモデルではありません。完全なBF16チェックポイントには合計で少なくとも2テラバイトのGPUメモリ、すなわちNvidia B300を8基、またはH200を16基必要とします。

量子化したNVFP4チェックポイントは必要量を約600ギガバイトまで減らしますが、それでもB300を4基、またはH200を8基といったインフラが必要です。そのため実際には、多くの組織が完全版を直接ホストするより、Tinkerまたは第三者の推論事業者を通じて利用する可能性が高いでしょう。

検閲耐性と安全制御の両立

Inklingの比較的珍しい設計目標の1つが、Thinking Machinesのいう「検閲耐性」です。政治的または制度的に敏感な話題への質問を自動的に拒否せず、答えるよう特別に学習させたと説明しています。

CognitionはPropaganda and CensorshipベンチマークでInklingを評価し、Thinking Machinesはモデルが強い「検閲非遵守」の傾向を示したと報告しました。オープンモデルは、元の開発者が埋め込んだという理由だけで、不必要な政治的制限や画一的な意見を受け継ぐべきではないという考えです。

だからといって、すべての依頼に答える設計ではありません。武器、暴力、サイバー悪用、化学・生物学的脅威、操作、その他の危険行為に関する指示を拒否するよう、別途学習させています。

InklingはFORTRESS安全性ベンチマークの敵対的部分で78%を記録し、害のある依頼に似せた無害な質問には95.9%正しく回答しました。明確に有害な指示を拒否できるか測るStrongREJECTでは98.6%でした。同社は、安全制御を保ちながら正当な質問を過度に遮断しない組み合わせを示すとしていますが、第三者による追加ファインチューニングの影響は未解決の研究課題です。

OpenAI幹部から評価額120億ドルのスタートアップへ

Thinking Machines Labは2025年2月に正式発足しました。MuratiがOpenAIを退社した数カ月後のことです。彼女はChatGPT、DALL-E、初期の音声・マルチモーダルシステムなどが登場した時期に、OpenAIの最高技術責任者を務めていました。

当初のチームは、OpenAI、Meta、Mistralなどから採用した約30人の研究者とエンジニアで構成されました。発足時の従業員の約3分の2がOpenAI出身でした。創設メンバーにはOpenAI共同創設者John Schulman、Barret Zoph、Lilian Weng、Andrew Tulloch、Luke Metzが含まれ、強化学習、モデルアラインメント、マルチモーダルAI、事前学習、事後学習の経験を持ち寄りました。

発足からわずか5カ月後、Thinking Machinesは評価額120億ドルで約20億ドルを調達しました。Andreessen Horowitzが主導し、Nvidia (NVDA )、Accel、ServiceNow (NOW )、Cisco、AMD、定量取引会社Jane Streetが参加しました。

Nvidiaはその後、複数年の戦略的提携を通じて関係を拡大しました。2026年3月に発表された契約では、Thinking Machinesのモデル学習とカスタマイズ可能なAI基盤を支えるため、次世代Nvidia Vera Rubinシステムを少なくとも1ギガワット導入します。Nvidiaは追加出資も行いました。

Inklingは分散型AIへのより大きな賭けを映す

Thinking Machinesは、ほとんどのAIシステムが少数企業によって学習され、ほぼ固定された製品として配布されていると主張します。同社が提示する代替案は、企業や個人が自らの知識、好み、判断を使ってモデルを継続的に適応できるエコシステムです。

この考え方は、Inklingを独自インターフェースだけで提供せず、ダウンロード可能なウェイトで公開する理由を説明します。また、各組織が独自の大規模GPUクラスターを組まずに振る舞いを変えるための学習基盤Tinkerとのつながりも示します。

ただし、この構想とリリースの現実には緊張関係があります。Inklingはダウンロードして変更できる程度には開かれていますが、完全版を現実的にホストできるのは資金力のある組織に限られるほど巨大です。学習データは完全に文書化されず大まかな分類でしか説明されておらず、カスタマイズによって元のチェックポイントの安全制御が弱まる可能性もあります。

それでも今回の公開により、DeepSeek、Alibaba、Moonshot AI、Zhipu AIなど中国の研究所から競争力の高いカスタマイズ可能モデルが多く出ている時期に、西側の開発者は大型オープンウェイトの新たな選択肢を得ました。Reutersは、米国の主要企業がより独自色の強い戦略へ移る中、西側のオープンウェイト開発は勢いを失ったと指摘しています。

InklingがAIにもたらす意味

Inklingの意義は、すべてのベンチマークで首位になるかよりも、開発者が狭い分野で汎用モデルを上回る専門システムへ変えられるかに左右される可能性があります。

金融、医療、工学、サイバーセキュリティ、科学研究、ソフトウェア開発の企業は、公開学習データに十分表現されていない貴重な内部知識を持つことがよくあります。高性能なオープンウェイト基盤モデルと、利用しやすい強化学習・ファインチューニング基盤を組み合わせれば、こうした組織は専門知識をモデルの振る舞いへより直接的に組み込める可能性があります。

同時に、インフラ、推論量、ファインチューニング、監視、安全性テストまで考慮した総導入費用が本当に下がることを証明しなければなりません。独立研究者は、ベンチマーク性能、多言語能力、政治的中立性、ハルシネーション率、カスタマイズ後の安全性低下への耐性も検証する必要があります。

Thinking Machinesは、非常に経験豊富なチーム、多額の投資家支援、通常ならはるかに歴史の長いAI研究所と結びつく規模のインフラ投資を携えて市場へ参入しました。Inklingは、それらの資源が野心的な研究計画や学習基盤以上のものを生み出せると示す最初の機会です。

このモデルは主要な独自システムを置き換えるものではなく、Thinking Machines Labもそう主張していません。代わりにInklingが提示するのは、先進AIの未来は、最も強力な汎用モデルを学習させる者だけでなく、開発者が独自モデルを構築するための最も強い基盤を与える者によっても形作られる、という異なる提案です。