Лаборатория Thinking Machines представила Inkling, свою первую открытую многомодальную модель ИИ

Лаборатория Thinking Machines выпустила Inkling, свою первую общую модель искусственного интеллекта, которая предоставляет разработчикам доступ к системе с почти триллионом параметров, способной обрабатывать текст, изображения и аудио. Запуск 15 июля 2026 года представляет собой наиболее значимый продукт для компании, основанной бывшим техническим директором OpenAI Мирой Мурати.

Вместо того, чтобы утверждать, что они построили самую мощную модель в мире, Thinking Machines позиционирует Inkling как настраиваемую основу для компаний, исследователей и разработчиков, которые хотят иметь больший контроль над поведением своей модели ИИ. Ее веса можно скачать через Hugging Face под лицензией Apache 2.0, а модель также может быть дообучена через платформу обучения Tinker от Thinking Machines.

Эта позиция может оказаться важной, поскольку рынок ИИ делится на проприетарные системы, контролируемые небольшим количеством компаний, и открытые модели, которые организации могут изменять, размещать и интегрировать в свою инфраструктуру.

Модель с 975 миллиардами параметров, использующая только часть одновременно

Inkling содержит 975 миллиардов параметров, что делает ее одной из крупнейших открытых моделей, выпущенных на данный момент. Однако она использует разреженную архитектуру Mixture-of-Experts, что означает, что только 41 миллиард параметров активируется при обработке любого отдельного токена.

Модель содержит 66 слоев трансформера и 256 экспертов. Каждый токен отправляется шести из этих экспертов, а также двум общим экспертам, которые остаются активными на протяжении запросов. Этот подход предназначен для обеспечения знаний большой модели без необходимости использовать каждый параметр во время каждой операции вывода.

Thinking Machines заявила, что дизайн Mixture-of-Experts в основном следует идеям, представленным в DeepSeek-V3, включая его методы маршрутизации и балансировки нагрузки. Inkling также использует комбинацию слоев внимания с скользящим окном и глобального внимания, а также относительные позиционные вложения вместо вращающихся позиционных вложений, обычно используемых в современных языковых моделях.

Родная обработка текста, изображений и аудио

Inkling является родной многомодальной моделью, которая принимает текст, изображения и аудио в качестве входных данных и генерирует текст в качестве выходных данных. Изображения обрабатываются с помощью иерархического кодировщика патчей, а аудио преобразуется в дискретные токены и размещается в том же общем представительном пространстве, что и текстовая и визуальная информация.

Thinking Machines дообучила модель на 45 триллионах токенов, полученных из текста, изображений, аудио и видео. Компания заявила, что данные включали общедоступный материал, лицензированные или приобретенные сторонние источники, а также синтетически сгенерированный или дополненный контент. Однако карта модели не предоставляет полный инвентарь набора данных, что делает описание “открытые веса” более точным, чем полностью открытый исходный код.

Разработана для настройки через Tinker

Inkling тесно связана с Tinker, облачной платформой обучения, которую Thinking Machines представила в 2025 году. Tinker позволяет разработчикам писать процедуры обучения локально, а платформа управляет распределенной инфраструктурой GPU, необходимой для дообучения моделей, варьирующихся от относительно небольших систем до архитектур Mixture-of-Experts с триллионом параметров.

Платформа поддерживает дообучение с учителем, обучение с подкреплением, прямую оптимизацию предпочтений, дистилляцию и низкоранговую адаптацию. Клиенты могут скачать полученные контрольные точки, и Thinking Machines заявляет, что данные клиентов используются только для дообучения моделей клиентов, а не для включения в свои собственные базовые модели.

Конкурентная производительность без претензий на лидерство в рейтинге

Thinking Machines открыто признает, что Inkling не является самой мощной моделью, доступной во всех категориях. Результаты ее тестирования в целом помещают ее среди более способных открытых моделей, в то время как ведущие проприетарные модели компаний, таких как Anthropic, Google и OpenAI, сохраняют общее преимущество.

Inkling получила 97,1% на тесте American Invitational Mathematics Examination 2026 и 87,2% на GPQA Diamond, который оценивает научное рассуждение на уровне магистратуры. Она показала 77,6% на SWE-bench Verified и 54,3% на SWE-bench Pro Public, два теста, используемых для оценки способности агентов кодирования решать реальные проблемы программной инженерии.

Низкие затраты с значительными требованиями к оборудованию

Аргументация Inkling в отношении затрат основана в основном на ее разреженной архитектуре и контролируемом рассуждении. Активация 41 миллиарда параметров вместо всех 975 миллиардов должна сделать вывод значительно более эффективным, чем запуск аналогичной плотной модели, а также позволять разработчикам отключать расширенное рассуждение для запросов, которые не требуют этого.

Через Tinker 64-тысячный токен версии оценивается в 1,87 доллара за миллион токенов предварительного заполнения, 4,68 доллара за миллион отобранных токенов и 5,61 доллара за миллион обучающих токенов. 256-тысячный токен конфигурации стоит дороже – 3,74 доллара за предварительное заполнение, 9,36 доллара за выборку и 11,23 доллара за обучение, с более низкими ставками для кэшированного ввода.

Баланс между сопротивлением цензуре и мерами безопасности

Одной из более необычных целей дизайна Inkling является то, что Thinking Machines описывает как сопротивление цензуре. Компания заявляет, что она специально обучила модель отвечать на вопросы о темах, которые могут быть политически или институционально чувствительными, а не автоматически отказываться от них.

Cognition оценила Inkling с помощью своего теста на пропаганду и цензуру, и Thinking Machines сообщила, что модель продемонстрировала сильные закономерности “несоблюдения цензуры”. Основная идея заключается в том, что открытая модель не должна наследовать ненужные политические ограничения или стандартизированные мнения просто потому, что они были встроены ее оригинальным разработчиком.

От руководства OpenAI к стартапу стоимостью 12 миллиардов долларов

Лаборатория Thinking Machines была официально запущена в феврале 2025 года, несколько месяцев после ухода Мурати из OpenAI. Она занимала должность технического директора OpenAI во время запуска продуктов, включая ChatGPT, DALL-E и ранние голосовые и многомодальные системы компании.

Первоначальная команда включала примерно 30 исследователей и инженеров, набранных из OpenAI, Meta, Mistral и других организаций ИИ. Приблизительно две трети сотрудников компании на момент запуска ранее работали в OpenAI. Основательная группа включала сооснователя OpenAI Джона Шульмана, Баррета Зофа, Лилиан Венг, Эндрю Таллоха и Люка Мэтца, привнеся опыт в области обучения с подкреплением, выравнивания моделей, многомодального ИИ, предварительного обучения и постобучения.

Inkling отражает более широкую ставку на децентрализованный ИИ

Thinking Machines утверждает, что большинство систем ИИ обучаются небольшим количеством компаний, а затем распространяются в виде в основном фиксированных продуктов. Альтернативой является экосистема, в которой бизнес и отдельные лица могут постоянно адаптировать модели, используя свои собственные знания, предпочтения и суждение. (NVDA ) (NOW )

Эта философия помогает объяснить, почему Inkling выпускается с загружаемыми весами, а не предлагается исключительно через проприетарный интерфейс. Она также связывает модель с Tinker, который предоставляет инфраструктуру обучения, необходимую для изменения поведения без необходимости каждой организации собирать свою собственную большую кластер GPU.

Что Inkling значит для ИИ

Значимость Inkling может зависеть меньше от того, лидирует ли она в каждом рейтинге, и больше от того, смогут ли разработчики превратить ее в специализированные системы, которые превосходят общие модели в более узких областях.

Компании в области финансов, здравоохранения, инженерии, кибербезопасности, научных исследований и разработки программного обеспечения часто обладают ценными внутренними знаниями, которые плохо представлены в общедоступных данных обучения. Способная открытая базовая модель, в сочетании с доступным обучением с подкреплением и инфраструктурой дообучения, могла бы позволить этим организациям закодировать больше экспертизы непосредственно в поведение модели.

В то же время модель должна доказать, что ее заявления об эффективности переводятся в более низкие общие затраты на развертывание, особенно после учета инфраструктуры, объема вывода, дообучения, мониторинга и тестирования безопасности. Независимые исследователи также должны изучить ее производительность в рейтингах, многolingвальные возможности, нейтральность, частоту галлюцинаций и устойчивость к деградации безопасности после настройки.

Thinking Machines вступила на рынок с необычно опытной командой, значительным финансированием инвесторов и обязательствами по инфраструктуре, обычно связанными с гораздо более старыми лабораториями ИИ. Inkling – это первая возможность компании продемонстрировать, что эти ресурсы могут произвести что-то большее, чем амбициозные планы исследований и платформы обучения.

Модель не заменяет ведущие проприетарные системы, и Лаборатория Thinking Machines не утверждает, что она это делает. Вместо этого Inkling предлагает другую пропозицию: что будущее продвинутого ИИ может быть сформировано не только тем, кто обучает наиболее мощную общую модель, но и тем, кто дает разработчикам самую сильную основу для построения своих собственных моделей.