Thinking Machines Lab представила Inkling — свою первую мультимодальную ИИ-модель с открытыми весами

Thinking Machines Lab выпустила Inkling — свою первую универсальную модель искусственного интеллекта. Разработчики получили доступ к системе почти с триллионом параметров, способной обрабатывать текст, изображения и аудио. Запуск 15 июля 2026 года стал важнейшей продуктовой вехой для хорошо профинансированной ИИ-компании, основанной бывшим техническим директором OpenAI Мирой Мурати.

Thinking Machines не заявляет, что создала самую мощную модель в мире. Компания позиционирует Inkling как настраиваемую основу для компаний, исследователей и разработчиков, которым нужен больший контроль над поведением своего ИИ. Веса модели можно загрузить через Hugging Face по лицензии Apache 2.0, а саму модель — дообучать с помощью платформы Tinker от Thinking Machines.

Такое позиционирование может оказаться важным по мере разделения рынка ИИ между закрытыми передовыми системами, контролируемыми небольшим числом компаний, и альтернативами с открытыми весами, которые организации могут изменять, размещать и интегрировать в собственную инфраструктуру.

Модель с 975 миллиардами параметров, которая одновременно использует лишь часть из них

Inkling содержит 975 миллиардов параметров, что делает ее одной из крупнейших моделей с открытыми весами, выпущенных на сегодняшний день. Однако она использует разреженную архитектуру Mixture-of-Experts, поэтому при обработке каждого отдельного токена активируется лишь 41 миллиард параметров.

Модель состоит из 66 трансформерных слоев и 256 маршрутизируемых экспертов. Каждый токен направляется шести из этих экспертов, а также двум общим экспертам, которые остаются активными для всех запросов. Такой подход должен обеспечить объем знаний очень большой модели без необходимости задействовать каждый параметр при каждой операции вывода.

Thinking Machines сообщила, что устройство Mixture-of-Experts в значительной степени опирается на идеи DeepSeek-V3, включая методы маршрутизации и балансировки нагрузки. Inkling также сочетает слои внимания со скользящим окном и глобального внимания и использует относительные позиционные представления вместо Rotary Positional Embeddings, распространенных в современных языковых моделях.

Контекстное окно модели достигает одного миллиона токенов. Через Tinker разработчикам сейчас доступны конфигурации на 64 000 и 256 000 токенов, а полная емкость контекста поддерживается в совместимых развертываниях загруженных весов.

Встроенное рассуждение для текста, изображений и аудио

Inkling изначально мультимодальна: она принимает текст, изображения и аудио, а выдает текст. Изображения обрабатываются иерархическим кодировщиком фрагментов, а звук преобразуется в дискретные токены и помещается в общее пространство представлений вместе с текстовой и визуальной информацией.

Thinking Machines предварительно обучила модель на 45 триллионах токенов из текста, изображений, аудио и видео. По словам компании, данные включали общедоступные материалы, лицензированные или приобретенные сторонние источники, а также синтетически созданный или дополненный контент. При этом карточка модели не содержит полного перечня наборов данных, поэтому «открытые веса» — более точное определение, чем «полностью открытый исходный код».

Компания также внедрила управляемую систему рассуждения, позволяющую разработчикам регулировать объем вычислений, который Inkling выполняет перед формированием ответа. Низкие настройки рассуждения снижают задержку и расход токенов, а высокие можно применять к более сложным задачам программирования, математики, науки или использования инструментов.

Вместе с основной моделью Thinking Machines показала предварительную версию Inkling-Small — Mixture-of-Experts с 276 миллиардами общих и 12 миллиардами активных параметров. Компания утверждает, что улучшенные данные и методика обучения позволили меньшей модели сравняться с большой или превзойти ее в нескольких оценках, хотя Inkling-Small еще не получила столь же полноценного выпуска.

Создана для настройки через Tinker

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

Платформа поддерживает контролируемое дообучение, обучение с подкреплением, Direct Preference Optimization, дистилляцию и Low-Rank Adaptation. Клиенты могут загружать полученные контрольные точки. Thinking Machines заявляет, что обучающие данные клиента используются только для дообучения его моделей и не включаются в собственные базовые модели компании.

Чтобы продемонстрировать процесс настройки, компания попросила Inkling самостоятельно дообучиться так, чтобы никогда не использовать букву «e». Inkling создала собственные обучающие данные и метод оценки, настроила и запустила задачу дообучения через Tinker, проверила обновленную контрольную точку, а затем загрузила измененные веса в свою рабочую среду.

Демонстрация намеренно узкая, но она показывает более широкую стратегию. Thinking Machines хочет, чтобы разработчики воспринимали базовые модели как отправную точку, которую можно адаптировать к терминологии, рабочим процессам, данным, правилам и желаемому поведению организации, а не как законченный продукт, полностью контролируемый исходным поставщиком.

Конкурентные результаты без претензии на лидерство в тестах

Thinking Machines открыто признает, что Inkling не является сильнейшей моделью в каждой категории. Результаты тестов в целом ставят ее в число наиболее способных систем с открытыми весами, тогда как ведущие закрытые модели Anthropic, Google и OpenAI сохраняют общее преимущество.

Inkling набрала 97,1% в тесте American Invitational Mathematics Examination 2026 года и 87,2% в GPQA Diamond, который оценивает научное рассуждение на уровне аспирантуры. Она показала 77,6% в SWE-bench Verified и 54,3% в SWE-bench Pro Public — двух тестах, проверяющих способность программных агентов решать реальные задачи разработки ПО.

В Humanity’s Last Exam Inkling набрала 29,7% без инструментов и 46% с доступом к ним. Результат с инструментами оказался конкурентным по сравнению с несколькими открытыми моделями, но остался ниже показателей сильнейших закрытых систем в сравнении Thinking Machines.

Inkling также получила 1 257 баллов в рейтинге Agentic Web Development от Design Arena, где люди сравнивают приложения, созданные разными моделями. Это приблизило ее к нескольким закрытым системам и поставило выше ряда известных конкурентов с открытыми весами.

Как и любой набор тестов, опубликованный поставщиком, эти результаты требуют независимого воспроизведения. Thinking Machines использовала внешние оценки там, где они были доступны, но несколько испытаний основывались на внутренних системах, конфигурациях или результатах конкурирующих моделей, сообщенных их разработчиками.

Более низкая стоимость сопровождается серьезными требованиями к оборудованию

Аргумент Inkling о стоимости в основном опирается на разреженную архитектуру и управляемое рассуждение. Активация 41 миллиарда параметров вместо всех 975 миллиардов должна сделать вывод значительно эффективнее, чем у плотной модели сопоставимого размера. Кроме того, разработчики могут отключать расширенное рассуждение для запросов, которым оно не требуется.

В Tinker версия с контекстом 64 000 токенов стоит 1,87 доллара за миллион входных токенов, 4,68 доллара за миллион сгенерированных токенов и 5,61 доллара за миллион обучающих токенов. Конфигурация на 256 000 токенов дороже: 3,74 доллара за вход, 9,36 доллара за генерацию и 11,23 доллара за обучение, причем для кэшированных входных данных действуют более низкие тарифы.

Такие цены делают эксперименты с большими моделями доступнее, чем создание отдельного обучающего кластера, однако Inkling нельзя назвать моделью, которую большинство разработчиков запустит на обычной рабочей станции. Полная контрольная точка BF16 требует как минимум двух терабайт совокупной графической памяти — это эквивалент восьми Nvidia B300 или 16 H200.

Квантованная контрольная точка NVFP4 снижает требование примерно до 600 гигабайт, но все равно нуждается в инфраструктуре наподобие четырех B300 или восьми H200. Поэтому на практике многие организации, вероятно, будут обращаться к Inkling через Tinker или сторонних поставщиков вывода, а не размещать полную модель самостоятельно.

Баланс между устойчивостью к цензуре и средствами безопасности

Одна из необычных целей проектирования Inkling — то, что Thinking Machines называет устойчивостью к цензуре. Компания заявляет, что специально обучала модель отвечать на вопросы по политически или институционально чувствительным темам, а не автоматически отказываться от ответа.

Cognition оценила Inkling с помощью теста Propaganda and Censorship, а Thinking Machines сообщила, что модель продемонстрировала выраженное «неподчинение цензуре». Основная идея заключается в том, что открытая модель не должна наследовать лишние политические ограничения или стандартные мнения только потому, что их встроил исходный разработчик.

Это не означает, что Inkling предназначена для ответа на любой запрос. Компания отдельно обучала модель отказываться от инструкций, связанных с оружием, насилием, киберзлоупотреблениями, химическими или биологическими угрозами, манипуляциями и другими опасными действиями.

Inkling набрала 78% в состязательной части теста безопасности FORTRESS и при этом правильно ответила на 95,9% безобидных вопросов, сформулированных так, чтобы напоминать вредоносные. Она также достигла 98,6% в StrongREJECT, который измеряет способность модели отказываться от явно опасных инструкций. Thinking Machines считает, что такое сочетание показывает возможность сохранять защитные ограничения без чрезмерной блокировки законных вопросов, хотя влияние последующего стороннего дообучения остается открытой исследовательской проблемой.

От руководства OpenAI к стартапу стоимостью 12 миллиардов долларов

Thinking Machines Lab официально запустили в феврале 2025 года, через несколько месяцев после ухода Мурати из OpenAI. Она занимала должность технического директора OpenAI во время запуска ChatGPT, DALL-E и ранних голосовых и мультимодальных систем компании.

Первоначальная команда насчитывала около 30 исследователей и инженеров из OpenAI, Meta, Mistral и других ИИ-организаций. На момент запуска примерно две трети сотрудников ранее работали в OpenAI. В группу основателей вошли соучредитель OpenAI Джон Шульман, Баррет Зоф, Лилиан Венг, Эндрю Таллох и Люк Метц. Они принесли опыт обучения с подкреплением, согласования моделей, мультимодального ИИ, предварительного и последующего обучения.

Всего через пять месяцев после запуска Thinking Machines привлекла около 2 миллиардов долларов при оценке в 12 миллиардов. Раунд возглавила Andreessen Horowitz при участии Nvidia (NVDA ), Accel, ServiceNow (NOW ), Cisco, AMD и компании количественной торговли Jane Street.

С тех пор Nvidia расширила сотрудничество с компанией в рамках многолетнего стратегического партнерства. Соглашение, объявленное в марте 2026 года, предусматривает развертывание не менее одного гигаватта систем Nvidia Vera Rubin следующего поколения для обучения моделей Thinking Machines и работы ее настраиваемых ИИ-платформ. Nvidia также сделала дополнительную инвестицию в компанию.

Inkling отражает более широкую ставку на децентрализованный ИИ

Thinking Machines утверждает, что большинство ИИ-систем обучает небольшое число компаний, после чего они распространяются как преимущественно неизменяемые продукты. Альтернатива компании — экосистема, в которой предприятия и отдельные люди могут постоянно адаптировать модели с помощью собственных знаний, предпочтений и суждений.

Эта философия объясняет, почему Inkling выпускается с загружаемыми весами, а не предлагается исключительно через закрытый интерфейс. Она также связывает модель с Tinker, предоставляющим обучающую инфраструктуру для изменения поведения без необходимости каждой организации собирать собственный крупный кластер графических процессоров.

Между этим видением и практическими реалиями выпуска все еще есть противоречие. Inkling достаточно открыта, чтобы ее можно было загрузить и изменить, но настолько велика, что реально разместить полную модель способны лишь хорошо финансируемые организации. Обучающие данные описаны общими категориями, а не полностью задокументированы, а настройка потенциально может ослабить защитные механизмы исходной контрольной точки.

Тем не менее выпуск дает западным разработчикам еще один крупный вариант с открытыми весами в момент, когда многие наиболее конкурентоспособные настраиваемые модели поступают из китайских лабораторий, включая DeepSeek, Alibaba, Moonshot AI и Zhipu AI. Reuters отметило, что развитие западных моделей с открытыми весами потеряло темп, поскольку несколько ведущих американских компаний перешли к более закрытым стратегиям.

Что Inkling означает для ИИ

Значение Inkling может зависеть не столько от лидерства в каждом тесте, сколько от того, смогут ли разработчики превратить ее в специализированные системы, превосходящие универсальные модели в более узких областях.

Компании в финансах, здравоохранении, инженерии, кибербезопасности, научных исследованиях и разработке программного обеспечения часто обладают ценными внутренними знаниями, которые слабо представлены в общедоступных обучающих данных. Способная базовая модель с открытыми весами в сочетании с доступной инфраструктурой обучения с подкреплением и дообучения может позволить таким организациям непосредственно заложить больше своих знаний в поведение модели.

В то же время модель должна доказать, что заявленная эффективность действительно снижает общую стоимость развертывания с учетом инфраструктуры, объема вывода, дообучения, мониторинга и проверки безопасности. Независимым исследователям также предстоит изучить результаты тестов, многоязычные возможности, политическую нейтральность, частоту галлюцинаций и устойчивость к ухудшению безопасности после настройки.

Thinking Machines вышла на рынок с необычайно опытной командой, значительной поддержкой инвесторов и инфраструктурными обязательствами, которые обычно характерны для гораздо более старых ИИ-лабораторий. Inkling — первая возможность компании доказать, что эти ресурсы способны создать нечто большее, чем амбициозные исследовательские планы и обучающие платформы.

Модель не вытесняет ведущие закрытые системы, и Thinking Machines Lab этого не утверждает. Вместо этого Inkling предлагает другой тезис: будущее передового ИИ может определяться не только тем, кто обучит самую мощную универсальную модель, но и тем, кто предоставит разработчикам наиболее прочную основу для создания собственных моделей.