Thinking Machines Lab przedstawia Inkling, swój pierwszy model AI z otwartymi wagami

Thinking Machines Lab wydał Inkling, swój pierwszy model sztucznej inteligencji o ogólnym przeznaczeniu, dający deweloperom dostęp do systemu o prawie jednym trylionie parametrów, który może przetwarzać tekst, obrazy i dźwięk. Premiera z 15 lipca 2026 roku to najważniejsze dotąd osiągnięcie produktowe dla tego dobrze finansowanego przedsiębiorstwa AI założonego przez byłego dyrektora technicznego OpenAI, Mirę Murati.

Zamiast twierdzić, że zbudowali najbardziej zaawansowany model na świecie, Thinking Machines pozycjonuje Inkling jako dostosowywalną podstawę dla firm, badaczy i deweloperów, którzy chcą mieć większą kontrolę nad tym, jak ich AI działa. Jego wagi można pobrać za pośrednictwem Hugging Face na licencji Apache 2.0, a model można również dostosować za pomocą platformy szkoleniowej Thinking Machines, Tinker.

To pozycjonowanie może okazać się ważne, ponieważ rynek AI dzieli się na systemy własnościowe i otwarte, które organizacje mogą modyfikować, hostować i integrować z własną infrastrukturą.

Model o 975 miliardach parametrów, który używa tylko ułamka na raz

Inkling zawiera 975 miliardów parametrów, co czyni go jednym z największych modeli z otwartymi wagami wydanych do tej pory. Jednak używa on rzadkiej architektury Mixture-of-Experts, co oznacza, że tylko 41 miliardów parametrów jest aktywnych podczas przetwarzania każdego tokenu.

Model składa się z 66 warstw transformatora i 256 ekspertów. Każdy token jest wysyłany do sześciu ekspertów, a także dwóch współdzielonych ekspertów, które pozostają aktywne w całym żądaniu. Podejście to ma na celu zapewnienie pojemności wiedzy bardzo dużego modelu bez konieczności używania każdego parametru podczas każdej operacji inferencyjnej.

Thinking Machines powiedział, że projekt Mixture-of-Experts w dużej mierze opiera się na pomysłach wprowadzonych w DeepSeek-V3, w tym jego metodach routingu i równoważenia obciążenia. Inkling używa również połączenia warstw uwagi przesuwnej i globalnej, a także względnych osadzeń pozycyjnych zamiast Rotary Positional Embeddings powszechnie używanych w nowoczesnych modelach językowych.

Model obsługuje kontekst o długości do jednego miliona tokenów. Za pomocą Tinker deweloperzy mają obecnie dostęp do konfiguracji 64 000 tokenów i 256 000 tokenów, podczas gdy pełna pojemność kontekstowa jest dostępna za pośrednictwem kompatybilnych wdrożeń pobranych wag.

Rodzime rozumowanie w przypadku tekstu, obrazów i dźwięku

Inkling jest rodzimie wielomodalny, akceptujący tekst, obrazy i dźwięk jako dane wejściowe, a generujący tekst jako dane wyjściowe. Obrazy są przetwarzane za pomocą hierarchicznego encodera patch, a dźwięk jest konwertowany na dyskretne tokeny i umieszczany w tym samym wspólnym przestrzeni reprezentacji, co informacje wizualne i tekstowe.

Thinking Machines wstępnie nauczył model na 45 bilionach tokenów pochodzących z tekstu, obrazów, dźwięku i wideo. Firma powiedziała, że dane obejmowały materiał publicznie dostępny, źródła trzecie, a także treści wygenerowane lub uzupełnione syntetycznie. Jednak karta modelu nie zawiera pełnej inwentaryzacji zbioru danych, co sprawia, że „otwarte wagi” są bardziej dokładnym opisem niż w pełni otwarte źródło.

Firma również wprowadziła system kontroli rozumowania, który pozwala deweloperom dostosować, ile obliczeń Inkling stosuje przed wygenerowaniem odpowiedzi. Niższe ustawienia rozumowania mogą zmniejszyć opóźnienia i zużycie tokenów, podczas gdy wyższe ustawienia mogą być używane do trudniejszych zadań związanych z kodowaniem, matematyką, nauką lub używaniem narzędzi.

Wraz z głównym modelem Thinking Machines zapowiedział Inkling-Small, model Mixture-of-Experts o 276 miliardach parametrów z 12 miliardami aktywnych parametrów. Firma powiedziała, że ulepszenia w danych i przepisie szkoleniowym pozwoliły mniejszemu modelowi osiągnąć lub przewyższyć większą wersję w kilku ocenach, chociaż Inkling-Small jeszcze nie otrzymał pełnego wydania.

Zaprojektowany, aby być dostosowywalny za pomocą Tinker

Inkling jest ściśle związany z Tinker, platformą szkoleniową opartą na chmurze, którą Thinking Machines wprowadził w 2025 roku. Tinker pozwala deweloperom pisać procedury szkoleniowe lokalnie, podczas gdy platforma zarządza rozproszoną infrastrukturą GPU wymaganą do dostosowywania modeli od względnie małych systemów po architektury Mixture-of-Experts o trylionie parametrów.

Platforma obsługuje nadzorowane dostosowywanie, uczenie ze wzmocnieniem, Direct Preference Optimization, destylację i niskiej rangi adaptację. Klienci mogą pobrać wynikowe punkty kontrolne, a Thinking Machines mówi, że dane szkoleniowe klienta są używane tylko do dostosowywania modeli klienta, a nie do wbudowania ich do własnych modeli podstawowych.

Aby zademonstrować ten proces dostosowywania, firma poprosiła Inkling, aby dostosował się do modelu, który nigdy nie używałby litery „e”. Inkling wygenerował własne dane szkoleniowe i metodę oceny, utworzył i uruchomił zadanie dostosowywania za pomocą Tinker, przetestował zaktualizowany punkt kontrolny, a następnie załadował zmodyfikowane wagi do swojego środowiska roboczego.

Demonstracja jest celowo wąska, ale ilustruje szerszą strategię. Thinking Machines chce, aby deweloperzy traktowali modele podstawowe jako punkty startowe, które można adaptować do terminologii, przepływów pracy, danych, zasad i preferowanego zachowania organizacji, a nie jako gotowe produkty kontrolowane w całości przez oryginalnego dostawcę modelu.

Konkurencyjne wyniki bez roszczenia do korony benchmarkowej

Thinking Machines otwarcie przyznaje, że Inkling nie jest najsilniejszym modelem dostępnym we wszystkich kategoriach. Jego wyniki benchmarkowe geralnie plasują go wśród bardziej zdolnych systemów z otwartymi wagami, podczas gdy wiodące modele własnościowe od firm takich jak Anthropic, Google i OpenAI zachowują ogólną przewagę.

Inkling uzyskał wynik 97,1% w teście American Invitational Mathematics Examination z 2026 roku i 87,2% w teście GPQA Diamond, który ocenia rozumowanie naukowe na poziomie absolwentów. Uzyskał 77,6% w teście SWE-bench Verified i 54,3% w teście SWE-bench Pro Public, dwóch benchmarkach używanych do oceny, czy agenci kodowania mogą rozwiązać prawdziste problemy inżynierii oprogramowania.

Na teście Humanity’s Last Exam Inkling uzyskał wynik 29,7% bez narzędzi i 46% z dostępem do narzędzi. Jego wynik z dostępem do narzędzi był konkurencyjny w porównaniu z kilkoma otwartymi modelami, ale pozostawał poniżej najsilniejszych systemów zamkniętych uwzględnionych w porównaniu Thinking Machines.

Inkling również uzyskał wynik 1 257 punktów na liście rankingowej Agentic Web Development platformy Design Arena, gdzie ludzcy oceniający porównują aplikacje stworzone przez różne modele. To umieściło go blisko kilku systemów własnościowych i przed kilkoma ustanowionymi konkurentami z otwartymi wagami.

Jak w przypadku każdego zestawu benchmarkowego opublikowanego przez dostawcę, wyniki będą wymagać niezależnego powtórzenia. Thinking Machines użył zewnętrznych wyników, gdzie było to możliwe, ale kilka ocen opierało się na wewnętrznych harnessach, konfiguracjach lub samoopisach wyników od dostawców modeli konkurencyjnych.

Niższe koszty idą w parze z znaczącymi wymaganiami sprzętowymi

Argumentacja Inklinga dotycząca kosztów opiera się w dużej mierze na jego rzadkiej architekturze i kontroli rozumowania. Aktywowanie 41 miliardów parametrów zamiast wszystkich 975 miliardów powinno sprawić, że inferencja będzie znacznie bardziej wydajna niż uruchamianie podobnie dużego gęstego modelu, a także pozwoli deweloperom wyłączyć rozszerzone rozumowanie dla żądań, które go nie wymagają.

Przez Tinker wersja 64 000 tokenów jest wyceniona na 1,87 USD za milion tokenów wstępnych, 4,68 USD za milion próbek tokenów i 5,61 USD za milion tokenów szkoleniowych. Konfiguracja 256 000 tokenów jest droższa i wynosi 3,74 USD za wstępne tokeny, 9,36 USD za próbki tokenów i 11,23 USD za tokeny szkoleniowe, z niższymi stawkami dla danych buforowanych.

Te kwoty sprawiają, że eksperymenty z dużymi modelami są bardziej dostępne niż zbudowanie dedykowanego klastra szkoleniowego, ale Inkling nie jest modelem, który większość deweloperów uruchomi na zwykłej stacji roboczej. Pełny punkt kontrolny BF16 wymaga co najmniej dwóch terabajtów agregowanej pamięci graficznej, co odpowiada ośmiu kartom graficznym Nvidia B300 lub szesnastu kartom H200.

Punkt kontrolny kwantyzowany NVFP4 zmniejsza wymaganie do około 600 gigabajtów, ale nadal wymaga infrastruktury takiej jak cztery karty graficzne B300 lub osiem kart H200. W praktyce wiele organizacji będzie więc prawdopodobnie uzyskiwać dostęp do Inklinga za pośrednictwem Tinker lub dostawców inferencyjnych trzeciej strony, zamiast bezpośrednio hostować cały model.

Balance pomiędzy odpornością na cenzurę a kontrolami bezpieczeństwa

Jednym z bardziej niezwykłych celów projektowych Inklinga jest to, co Thinking Machines opisuje jako odporność na cenzurę. Firma mówi, że specjalnie trenowała model, aby odpowiadał na pytania dotyczące tematów, które mogą być politycznie lub instytucjonalnie wrażliwe, zamiast automatycznie je odrzucać.

Cognition ocenił Inkling przy użyciu benchmarku Propaganda and Censorship, a Thinking Machines poinformował, że model wykazał silne wzorce „niezgodności z cenzurą”. Podstawową ideą jest to, że otwarty model nie powinien dziedziczyć niepotrzebnych ograniczeń politycznych lub ustandaryzowanych opinii tylko dlatego, że preferencje te zostały wbudowane przez oryginalnego dewelopera.

To nie oznacza, że Inkling jest zaprojektowany, aby odpowiedzieć na każde żądanie. Firma oddzielnie wytrenowała model, aby odmówił instrukcji związanych z bronią, przemocą, nadużyciami cybernetycznymi, zagrożeniami chemicznymi lub biologicznymi, manipulacją i innymi niebezpiecznymi działaniami.

Inkling uzyskał wynik 78% w części adversarialnej benchmarku FORTRESS, a także poprawnie odpowiedział na 95,9% pytań benignych, które przypominały żądania szkodliwe. Uzyskał również wynik 98,6% w teście StrongREJECT, który mierzy, czy modele odmawiają wyraźnie szkodliwych instrukcji. Thinking Machines mówi, że ta kombinacja wskazuje, że model może utrzymać kontrolę bezpieczeństwa bez nadmiernego blokowania prawomocnych pytań, chociaż wpływ późniejszego dostosowywania przez strony trzecie pozostaje otwartym problemem badawczym.

Od kierownictwa OpenAI do startupu o wartości 12 miliardów dolarów

Thinking Machines Lab został oficjalnie uruchomiony w lutym 2025 roku, kilka miesięcy po tym, jak Murati opuściła OpenAI. Była szefem technicznym OpenAI podczas premiery produktów takich jak ChatGPT, DALL-E i wczesne systemy multimodalne i głosowe firmy.

Początkowy zespół składał się z około 30 badaczy i inżynierów rekrutujących się z OpenAI, Meta, Mistral i innych organizacji AI. Około dwie trzecie pracowników na starcie wcześniej pracowało w OpenAI. Założycielska grupa obejmowała współzałożyciela OpenAI, Johna Schulmana, Barretta Zopha, Lilian Weng, Andrew Tullocha i Luke’a Metza, przywożąc doświadczenie w uczeniu ze wzmocnieniem, dopasowaniu modelu, sztucznej inteligencji multimodalnej, wstępnym szkoleniach i szkoleniach po szkoleniu.

Zaledwie pięć miesięcy po uruchomieniu, Thinking Machines pozyskał około 2 miliardów dolarów przy wycenie 12 miliardów dolarów. Andreessen Horowitz poprowadził rundę, z udziałem Nvidia (NVDA ), Accel, ServiceNow (NOW ), Cisco, AMD i firmy tradingu ilościowego Jane Street.

Nvidia od tego czasu rozszerzył swoje relacje z firmą poprzez wieloletnie partnerstwo strategiczne. Umowa ogłoszona w marcu 2026 roku przewiduje wdrożenie co najmniej jednego gigawata następnej generacji systemów Nvidia Vera Rubin w celu wsparcia szkolenia modeli Thinking Machines i platformy AI dostosowywalnej. Nvidia również zainwestował dodatkowo w firmę.

Inkling odzwierciedla szerszą zakład, że AI będzie decentralizowane

Thinking Machines twierdzi, że większość systemów AI jest szkolona przez niewielką liczbę firm, a następnie dystrybuowana jako w zasadzie gotowe produkty. Alternatywą jest ekosystem, w którym firmy i osoby mogą nieustannie adaptować modele przy użyciu własnej wiedzy, preferencji i osądu.

To podejście pomaga wyjaśnić, dlaczego Inkling jest wydawany z pobranymi wagami, a nie oferowany wyłącznie za pośrednictwem własnościowego interfejsu. Łączy się również z Tinker, który zapewnia infrastrukturę szkoleniową niezbędną do modyfikacji zachowania bez zmuszania każdej organizacji do zbudowania własnego dużego klastra GPU.

Jeszcze istnieje napięcie pomiędzy tą wizją a praktycznymi realiami wydania. Inkling jest wystarczająco otwarty, aby go pobrać i zmodyfikować, ale wystarczająco duży, aby tylko dobrze finansowane organizacje mogły realistycznie hostować pełny model. Jego dane szkoleniowe są opisane w szerokich kategoriach, a nie w pełni udokumentowane, a dostosowywanie może potencjalnie osłabić kontrolę bezpieczeństwa wbudowaną w oryginalny punkt kontrolny.

Wydanie daje jednak zachodnim deweloperom kolejną dużą opcję modelu o otwartych wagach w czasie, gdy wiele najbardziej konkurencyjnych modeli dostosowywalnych pochodzi z chińskich laboratoriów, takich jak DeepSeek, Alibaba, Moonshot AI i Zhipu AI. Reuters zauważył, że rozwój modeli o otwartych wagach na Zachodzie stracił impet, ponieważ kilka czołowych amerykańskich firm przeszło na bardziej własnościowe strategie.

Co Inkling oznacza dla AI

Znaczenie Inklinga może zależeć mniej od tego, czy prowadzi w każdym teście benchmarkowym, a bardziej od tego, czy deweloperzy mogą przekształcić go w wyspecjalizowane systemy, które przewyższają modele ogólnego przeznaczenia w węższych dziedzinach.

Firmy w sektorach finansów, opieki zdrowotnej, inżynierii, bezpieczeństwa cybernetycznego, badań naukowych i rozwoju oprogramowania często posiadają cenną wewnętrzną wiedzę, która jest słabo reprezentowana w publicznych danych szkoleniowych. W pełni funkcjonalny model o otwartych wagach w połączeniu z dostępnym uczeniem ze wzmocnieniem i infrastrukturą dostosowywania może pozwolić tym organizacjom na zakodowanie większej części tej wiedzy bezpośrednio w zachowanie modelu.

Jednocześnie model musi udowodnić, że jego twierdzenia dotyczące wydajności przekładają się na niższe koszty wdrożenia, zwłaszcza gdy uwzględnia się infrastrukturę, objętość inferencji, dostosowywanie, monitorowanie i testowanie bezpieczeństwa. Niezależni badacze również będą musieli zbadać jego wyniki benchmarkowe, zdolności wielojęzyczne, neutralność polityczną, wskaźniki halucynacji i odporność na degradację bezpieczeństwa po dostosowaniu.

Thinking Machines wszedł na rynek z niezwykle doświadczonym zespołem, znacznym wsparciem inwestycyjnym i zobowiązaniami infrastrukturalnymi, które zwykle kojarzone są z o wiele starszymi laboratoriami AI. Inkling jest pierwszą okazją dla firmy do udowodnienia, że te zasoby mogą wytworzyć coś więcej niż ambitne plany badawcze i platformy szkoleniowe.

Model nie wypiera wiodących systemów własnościowych, a Thinking Machines Lab nie twierdzi, że tak robi. Zamiast tego Inkling oferuje inną propozycję: że przyszłość zaawansowanego AI może być kształtowana nie tylko przez tego, kto trenuje najpotężniejszy model ogólnego przeznaczenia, ale również przez tego, kto daje deweloperom najmocniejszą podstawę do budowy własnych modeli.