Thinking Machines Lab lanserer Inkling, sitt første åpne-vekt multimodale AI-modell

Thinking Machines Lab har lansert Inkling, sitt første generelle kunstig intelligens-modell, som gir utviklere tilgang til et nesten en billion-parametere system som kan prosessere tekst, bilder og lyd. Lanseringen 15. juli 2026 markerer det største produktmilepælet hittil for det tungt finansierte AI-selskapet grunnlagt av tidligere OpenAI Chief Technology Officer Mira Murati.

I stedet for å hevde å ha bygget verdens mest kapable modell, stiller Thinking Machines Inkling som en tilpassbar grunnlag for selskaper, forskere og utviklere som ønsker større kontroll over hvordan deres AI oppfører seg. Vektene kan lastes ned gjennom Hugging Face under en Apache 2.0-lisens, mens modellen også kan finjusteres gjennom Thinking Machines’ Tinker-treningplattform.

Dette posisjoneringen kan vise seg å være viktig når AI-markedet deler seg mellom proprietære grense-systemer kontrollert av et lite antall selskaper og åpne-vekt-alternativer som organisasjoner kan modifisere, hoste og integrere i sin egen infrastruktur.

En 975 milliarder-parametere modell som bare bruker en brøkdel av gangen

Inkling inneholder 975 milliarder totale parametere, noe som gjør den til en av de største åpne-vekt-modellene som er lansert hittil. Imidlertid bruker den en sparse Mixture-of-Experts-arkitektur, noe som betyr at bare 41 milliarder parametere aktiveres mens den prosesserer hver enkelt token.

Modellen inneholder 66 transformer-lag og 256 rute-eksperter. Hver token sendes til seks av disse ekspertene, samt to delte eksperter som forblir aktive over forespørsler. Dette er ment å gi kunnskapskapasiteten til en svært stor modell uten å kreve at hver parameter brukes under hver enkelt inferens-operasjon.

Thinking Machines sa at Mixture-of-Experts-designet i stor grad følger ideer introdusert i DeepSeek-V3, inkludert dens ruting- og lastbalanseringsmetoder. Inkling bruker også en kombinasjon av glidevindu- og global oppmerksomhetslag, samt relative posisjonsinnføyninger i stedet for de vanlige Rotary Positional Embeddings som brukes i moderne språkmodeller.

Modellen støtter en kontekstvindu på opptil en million token. Gjennom Tinker har utviklere for øyeblikket tilgang til 64 000-token og 256 000-token-konfigurasjoner, mens full kontekstkapasitet er tilgjengelig gjennom kompatible distribusjoner av de lastede vektene.

Native resonnering over tekst, bilder og lyd

Inkling er naturlig multimodal, og aksepterer tekst, bilder og lyd som inndata mens den genererer tekst som utdata. Bilder prosesseres ved hjelp av en hierarkisk patch-encoder, mens lyd konverteres til diskrete token og plasseres i samme felles representasjonsrom som tekst og visuell informasjon.

Thinking Machines fortrente modellen på 45 billioner token hentet fra tekst, bilder, lyd og video. Selskapet sa at dataene inkluderte offentlig tilgjengelig materiale, lisensiert eller kjøpt tredjeparts-kilder, samt syntetisk generert eller forbedret innhold. Imidlertid gir modellkortet ikke en fullstendig dataliste, noe som gjør “åpne vekter” til en mer nøyaktig beskrivelse enn fullstendig åpen kilde.

Selskapet introduserte også et kontrollerbart resoneringssystem som lar utviklere justere hvor mye beregning Inkling anvender før den produserer et svar. Lavere resoneringinnstillinger kan redusere latens og token-forbruk, mens høyere innstillinger kan brukes for mer vanskelige kodings-, matematiske, vitenskapelige eller verktøy-bruk-oppgaver.

I tillegg til hovedmodellen, forhåndsvisning Inkling-Small, en 276 milliarder-parametere Mixture-of-Experts-modell med 12 milliarder aktive parametere. Selskapet sa at forbedringer av dens data og treningssopp gjorde at den mindre modellen kunne matche eller overgå den større versjonen på flere evalueringer, selv om Inkling-Small ennå ikke har mottatt samme fullstendige lansering.

Designet for å bli tilpasset gjennom Tinker

Inkling er tett knyttet til Tinker, den sky-baserte treningplattformen som Thinking Machines introduserte i 2025. Tinker lar utviklere skrive treningprosedyrer lokalt mens plattformen håndterer den distribuerte GPU-infrastrukturen som kreves for å finjustere modeller som varierer fra relativt små systemer til trillion-parametere Mixture-of-Experts-arkitekturer.

Plattformen støtter overvåket finjustering, forsterkingslæring, Direct Preference Optimization, destillasjon og Low-Rank-tilpasning. Kunder kan laste ned de resulterende kontrollpunkter, og Thinking Machines sier at kundens treningdata kun brukes til å finjustere kundens egne modeller, og ikke inkorporeres i selskapets egne grunnmodeller.

For å demonstrere denne tilpasningsprosessen, ba selskapet Inkling om å finjustere seg selv til en modell som aldri ville bruke bokstaven “e”. Inkling genererte sin egen treningdata og evalueringmetode, skapte og kjørte en finjusteringsjobb gjennom Tinker, testet den oppdaterte kontrollpunkten og lastet deretter den modifiserte vekten inn i sin arbeidsmiljø.

Demonstrasjonen er bevisst smal, men den illustrerer den bredere strategien. Thinking Machines ønsker at utviklere skal behandle grunnmodeller som utgangspunkter som kan tilpasses en organisasjons terminologi, arbeidsflyt, data, politikker og foretrukket atferd, i stedet for å behandle dem som ferdige produkter kontrollert fullstendig av den opprinnelige modell-leverandøren.

Konkurrerende ytelse uten å hevde benchmark-kronen

Thinking Machines erkjenner åpent at Inkling ikke er den sterkeste modellen som er tilgjengelig over hver enkelt kategori. Dens benchmark-resultater plasserer den generelt blant de mer kapable åpne-vekt-systemene, mens de ledende proprietære modellene fra selskaper som Anthropic, Google og OpenAI beholder en generell fordel.

Inkling scoret 97,1% på 2026 American Invitational Mathematics Examination-benchmark og 87,2% på GPQA Diamond, som vurderer graduate-nivå vitenskapelig resonnering. Den oppnådde 77,6% på SWE-bench Verified og 54,3% på SWE-bench Pro Public, to benchmark som brukes til å vurdere om kodings-agenter kan løse virkelige programvare-utviklingsproblemer.

På Humanity’s Last Exam, scoret Inkling 29,7% uten verktøy og 46% når den fikk tilgang til verktøy. Dens verktøy-aktivert ytelse var konkurrerende med flere åpne modeller, men forble under de sterkeste lukkede systemene som er inkludert i Thinking Machines’ sammenligning.

Inkling mottok også en score på 1 257 på Design Arena’s Agentic Web Development-leaderboard, der menneskelige evaluatore sammenligner applikasjoner skapt av forskjellige modeller. Dette plasserte den nær flere proprietære systemer og foran en rekke etablerte åpne-vekt-konkurrenter.

Som med alle vendor-publiserte benchmark-sammenligninger, vil resultater kreve uavhengig reproduksjon. Thinking Machines brukte eksterne poeng hvor det var mulig, men flere evalueringer avhengig av interne harness, konfigurasjoner eller selv-rapporterte resultater fra konkurrerende modell-leverandører.

Lavere kostnader kommer med betydelige maskinvarekrav

Inklings kostnad-argument er i stor grad basert på dens sparse arkitektur og kontrollerbar resonnering. Aktivering av 41 milliarder parametere i stedet for alle 975 milliarder burde gjøre inferens betydelig mer effektiv enn å kjøre en tilsvarende stor tetthetsmodell, mens det også lar utviklere deaktivere forlengt resonnering for forespørsler som ikke krever det.

Gjennom Tinker er 64 000-token-versjonen listet til 1,87 dollar per million forhåndsutfylte token, 4,68 dollar per million sampede token og 5,61 dollar per million treningstoken. 256 000-token-konfigurasjonen er priset høyere til 3,74 dollar for forhåndsutfylling, 9,36 dollar for sampling og 11,23 dollar for trening, med lavere satser tilgjengelig for cached inndata.

Disse tallene gjør stor-modell-eksperimentering mer tilgjengelig enn å samle en dedikert treningssamling, men Inkling er ikke en modell som de fleste utviklere vil kjøre på en vanlig arbeidsstasjon. Den fullstendige BF16-kontrollpunktet krever minst to terabyte aggregert grafikkminne, tilsvarende åtte Nvidia B300-GPU-er eller 16 H200-GPU-er.

En kvantisert NVFP4-kontrollpunkt reduserer kravet til omtrent 600 gigabyte, men krever likevel infrastruktur som fire B300-GPU-er eller åtte H200-GPU-er. I praksis er mange organisasjoner derfor sannsynligvis å få tilgang til Inkling gjennom Tinker eller tredjeparts-inferens-leverandører i stedet for å hoste den fullstendige modellen direkte.

Balansere motstand mot sensur med sikkerhetskontroller

En av Inklings mer uvanlige designmål er hva Thinking Machines beskriver som motstand mot sensur. Selskapet sier at de spesifikt trente modellen til å svare på spørsmål om emner som kan være politisk eller institusjonelt sensitive i stedet for å automatisk nekte dem.

Cognition evaluerte Inkling ved hjelp av sin Propaganda og sensur-benchmark, og Thinking Machines rapporterte at modellen viste sterke mønster av “sensur-ikke-etterlevelse”. Den underliggende ideen er at en åpen modell ikke bør arve unødvendige politiske begrensninger eller standardiserte meninger bare fordi disse preferansene ble innbygget av den opprinnelige utvikler.

Dette betyr ikke at Inkling er designet til å svare på hver enkelt forespørsel. Selskapet trente separat modellen til å nekte instruksjoner relatert til våpen, vold, cyber-misbruk, kjemiske eller biologiske trusler, manipulasjon og andre farlige aktiviteter.

Inkling scoret 78% på den adversative delen av FORTRESS-sikkerhets-benchmark og svarte riktig på 95,9% av harmløse spørsmål designet til å ligne farlige forespørsler. Den oppnådde også 98,6% på StrongREJECT, som måler om modeller nekte åpenbart farlige instruksjoner. Thinking Machines sier at denne kombinasjonen indikerer at modellen kan opprettholde sikkerhetskontroller uten å blokkere legitime spørsmål i eksess, selv om effekten av påfølgende tredjeparts-finjustering forblir et åpent forskningsproblem.

Fra OpenAI-ledelse til en 12 milliarder-dollar-startup

Thinking Machines Lab ble formelt lansert i februar 2025, noen måneder etter at Murati forlot OpenAI. Hun hadde vært OpenAIs Chief Technology Officer under lanseringen av produkter som ChatGPT, DALL-E og selskapets tidlige stemme- og multimodale systemer.

Det opprinnelige teamet inkluderte omtrent 30 forskere og ingeniører rekruttert fra OpenAI, Meta, Mistral og andre AI-organisasjoner. Rundt to tredjedeler av ansatte ved lanseringen hadde tidligere arbeidet i OpenAI. Grunnleggergruppen inkluderte OpenAI-medgrunnlegger John Schulman, Barret Zoph, Lilian Weng, Andrew Tulloch og Luke Metz, og bringer erfaring overforsterkingslæring, modell-tilpasning, multimodal AI, fortrening og etter-trening.

Bare fem måneder etter lanseringen, Thinking Machines samlet inn omtrent 2 milliarder dollar til en verdi på 12 milliarder dollar. Andreessen Horowitz ledet runden, med deltakelse fra Nvidia (NVDA ), Accel, ServiceNow (NOW ), Cisco, AMD og kvantitativ handelsfirma Jane Street.

Nvidia har siden utvidet sin relasjon med selskapet gjennom en flerårig strategisk partnerskap. Annonsert i mars 2026, avtalen krever deployering av minst en gigawatt neste-generasjons Nvidia Vera Rubin-systemer for å støtte Thinking Machines’ modell-trening og tilpassbare AI-plattformer. Nvidia har også gjort en ekstra investering i selskapet.

Inkling reflekterer en bredere veddemål på desentralisert AI

Thinking Machines argumenterer for at de fleste AI-systemer er trent av et lite antall selskaper og deretter distribuert som i stor grad ferdige produkter. Deres alternativ er et økosystem hvor bedrifter og enkeltpersoner kan kontinuerlig tilpasse modeller ved hjelp av sin egen kunnskap, preferanser og dømmekraft.

Dette filosofien hjelper med å forklare hvorfor Inkling er lansert med lastbare vekter i stedet for å bli tilbudt eksklusivt gjennom en proprietær grensesnitt. Den kobler også modellen med Tinker, som gir den trening-infrastrukturen som kreves for å modifisere atferd uten å tvinge hver organisasjon til å samle sin egen store GPU-samling.

Det er likevel spenning mellom denne visjonen og de praktiske realitetene ved lanseringen. Inkling er åpen nok til å laste ned og modifisere, men tilstrekkelig stor at bare godt finansierte organisasjoner realistisk kan hoste den fullstendige modellen. Trening-dataene er beskrevet i brede kategorier i stedet for å være fullstendig dokumentert, og tilpasning kan potensielt svekke sikkerhetskontrollene bygget inn i den opprinnelige kontrollpunkten.

Lanseringen gir likevel vestlige utviklere en annen stor åpen-vekt-opsjon på et tidspunkt når mange av de mest konkurrerende tilpassbare modellene har kommet fra kinesiske laboratorier som DeepSeek, Alibaba, Moonshot AI og Zhipu AI. Reuters bemerket at vestlig åpen-vekt-utvikling har tapt momentum siden flere ledende amerikanske selskaper har skiftet mot mer proprietære strategier.

Hva Inkling betyr for AI

Inklings betydning kan avhenge mindre av om den leder hver benchmark og mer av om utviklere kan omdanne den til spesialiserte systemer som overgår generelle modeller innen smalere domener.

Selskaper i finans, helse, ingeniørvitenskap, cybersikkerhet, vitenskapelig forskning og programvareutvikling har ofte verdifull intern kunnskap som er dårlig representert i offentlig trening-data. En kapabel åpen-vekt-grunnmodell, kombinert med tilgjengelig forsterkingslæring og finjustering-infrastruktur, kunne tillate disse organisasjonene å kode mer av denne ekspertisen direkte inn i modell-atferd.

Samtidig må modellen bevise at dens effisiens-krav oversettes til lavere totale driftskostnader, særlig når infrastruktur, inferens-volum, finjustering, overvåking og sikkerhetstesting er inkludert. Uavhengige forskere må også undersøke dens benchmark-ytelse, flerspråklige evner, politisk nøytralitet, hallucinasjons-rater og motstand mot sikkerhets-forverring etter tilpasning.

Thinking Machines gikk inn på markedet med et uvanlig erfarent team, betydelig investor-støtte og infrastruktur-forpliktelser som vanligvis er forbundet med mye eldre AI-laboratorier. Inkling er selskapets første mulighet til å demonstrere at disse ressursene kan produsere mer enn ambisiøse forsknings-planer og trening-plattformer.

Modellen erstatter ikke de ledende proprietære systemene, og Thinking Machines Lab hevder ikke at den gjør. I stedet tilbyr Inkling et annet forslag: at fremtiden for avansert AI kan formas ikke bare av hvem som trener den mest kraftfulle generelle modellen, men også av hvem som gir utviklere den sterkeste grunnlaget for å bygge sine egne modeller.