Thinking Machines Lab Avtäcker Inkling, Sitt Första Öppna Vikter Multimodala AI-Modell

Thinking Machines Lab har släppt Inkling, sin första allmänna artificiella intelligensmodell, som ger utvecklare tillgång till ett nästan en biljon parameter system som kan bearbeta text, bilder och ljud. Lanseringen den 15 juli 2026 är den mest betydande produktmilsten hittills för det kraftigt finansierade AI-företaget som grundades av före detta OpenAI Chief Technology Officer Mira Murati.

I stället för att hävda att de har byggt världens mest kapabla modell, positionerar Thinking Machines Inkling som en anpassningsbar grund för företag, forskare och utvecklare som vill ha större kontroll över hur deras AI beter sig. Dess vikter kan laddas ner via Hugging Face under en Apache 2.0-licens, medan modellen också kan finjusteras via Thinking Machines Tinker-träningsplattform.

Den här positioneringen kan visa sig vara viktig eftersom AI-marknaden delar sig mellan proprietära frontsystem som kontrolleras av ett fåtal företag och öppna vikter-alternativ som organisationer kan modifiera, värd och integrera i sin egen infrastruktur.

En 975 Miljarders Parametrar Modell Som Använder Bara En Bråkdel Åt Gången

Inkling innehåller 975 miljarder totala parametrar, vilket gör den till en av de största öppna vikter-modellerna som släppts hittills. Men den använder en sparse Mixture-of-Experts-arkitektur, vilket innebär att bara 41 miljarder parametrar aktiveras medan den bearbetar varje enskild token.

Modellen innehåller 66 transformerlager och 256 dirigerade experter. Varje token skickas till sex av dessa experter, tillsammans med två delade experter som förblir aktiva över förfrågningar. Detta tillvägagångssätt är avsett att ge kunskapskapaciteten hos en mycket stor modell utan att kräva att varje parameter används under varje inferensoperation.

Thinking Machines sa att Mixture-of-Experts-designen följer i stor utsträckning idéer som introducerades i DeepSeek-V3, inklusive dess routning och lastbalanseringsmetoder. Inkling använder också en kombination av slidande fönster och globala uppmärksamhetslager, tillsammans med relativa positionella inbäddningar snarare än de roterande positionella inbäddningarna som vanligtvis används i moderna språkmodeller.

Modellen stöder ett sammanhangsfönster på upp till en miljon token. Genom Tinker har utvecklare för närvarande tillgång till 64 000-token och 256 000-token konfigurationer, medan den fulla sammanhangskapaciteten är tillgänglig via kompatibla distributioner av de nedladdade vikterna.

Inbyggd Resonemang Över Text, Bilder Och Ljud

Inkling är inbyggd multimodal, accepterar text, bilder och ljud som indata medan den genererar text som utdata. Bilder bearbetas med hjälp av en hierarkisk patchkodare, medan ljud omvandlas till diskreta token och placeras i samma delade representationsutrymme som text och visuell information.

Thinking Machines förtränade modellen på 45 biljoner token från text, bilder, ljud och video. Företaget sa att datan inkluderade offentligt tillgängligt material, licensierat eller förvärvat tredjeparts källor och syntetiskt genererat eller förstärkt innehåll. Men modellkortet tillhandahåller inte en fullständig datalistor, vilket gör “öppna vikter” till en mer exakt beskrivning än fullständigt öppen källkod.

Företaget introducerade också ett kontrollerbart resonemangssystem som tillåter utvecklare att justera hur mycket beräkning Inkling tillämpar innan den producerar ett svar. Lägre resonemangsinställningar kan minska latensen och tokenförbrukningen, medan högre inställningar kan användas för svårare kodning, matematiska, vetenskapliga eller verktygsanvändningsuppgifter.

Tillsammans med huvudmodellen förhandsgranskade Thinking Machines Inkling-Small, en 276-miljarders parameter Mixture-of-Experts-modell med 12 miljarder aktiva parametrar. Företaget sa att förbättringar av dess data och träningsrecept tillät den mindre modellen att matcha eller överträffa den större versionen på flera utvärderingar, även om Inkling-Small ännu inte har fått samma fullständiga utgåva.

Utformad För Att Anpassas Genom Tinker

Inkling är nära kopplad till Tinker, den molnbaserade träningsplattformen som Thinking Machines introducerade 2025. Tinker tillåter utvecklare att skriva träningsförfaranden lokalt medan plattformen hanterar den distribuerade GPU-infrastruktur som krävs för att finjustera modeller som sträcker sig från relativt små system till triljonsparameter Mixture-of-Experts-arkitekturer.

Plattformen stöder övervakad finjustering, förstärkt inlärning, direkt preferensoptimering, destillering och låg-rankad anpassning. Kunder kan ladda ner de resulterande kontrollpunkterna, och Thinking Machines säger att kundens träningsdata endast används för att finjustera kundens modeller snarare än att inkorporeras i sina egna grundmodeller.

För att demonstrera denna anpassningsprocess bad företaget Inkling att finjustera sig själv till en modell som aldrig skulle använda bokstaven “e”. Inkling genererade sin egen träningsdata och utvärderingsmetod, skapade och körde ett finjusteringsjobb via Tinker, testade den uppdaterade kontrollpunkten och laddade sedan den modifierade vikten i sin arbetsmiljö.

Demonstrationen är medvetet smal, men den illustrerar den bredare strategin. Thinking Machines vill att utvecklare ska behandla grundmodeller som startpunkter som kan anpassas till en organisations terminologi, arbetsflöden, data, policys och önskat beteende snarare än som färdiga produkter som kontrolleras helt av den ursprungliga modellleverantören.

Konkurrenskraftig Prestanda Utan Att Hävda Benchmark-Kronan

Thinking Machines erkänner öppet att Inkling inte är den starkaste modellen som är tillgänglig över alla kategorier. Dess benchmarkresultat placerar den vanligtvis bland de mer kapabla öppna vikter-systemen, medan de ledande proprietära modellerna från företag som Anthropic, Google och OpenAI behåller en övergripande fördel.

Inkling fick 97,1% på 2026 American Invitational Mathematics Examination-benchmarken och 87,2% på GPQA Diamond, som utvärderar graduate-nivå vetenskapligt resonemang. Den registrerade 77,6% på SWE-bench Verified och 54,3% på SWE-bench Pro Public, två benchmark som används för att bedöma om kodningsagenter kan lösa verkliga mjukvaruproblem.

På Humanity’s Last Exam fick Inkling 29,7% utan verktyg och 46% när den gavs verktygstillgång. Dess verktygsaktiverade prestanda var konkurrenskraftig med flera öppna modeller men förblev under de starkaste stängda systemen som ingår i Thinking Machines jämförelse.

Inkling fick också en poäng på 1 257 på Design Arenas Agentic Web Development-ledare, där mänskliga utvärderare jämför applikationer skapade av olika modeller. Detta placerade den nära flera proprietära system och före ett antal etablerade öppna vikter-konkurrenter.

Som med alla leverantörspublikationer benchmark-satser kommer resultaten att kräva oberoende reproduktion. Thinking Machines använde externa poäng där det var möjligt, men flera utvärderingar förlitade sig på interna harness, konfigurationer eller självrapporterade resultat från konkurrerande modellleverantörer.

Lägre Kostnader Kommer Med Betydande Hårdvarukrav

Inklings kostnadsargument baseras till stor del på dess sparse arkitektur och kontrollerbart resonemang. Att aktivera 41 miljarder parametrar i stället för alla 975 miljarder bör göra inferensen avsevärt mer effektiv än att köra en lika stor tät modell, medan det också tillåter utvecklare att inaktivera utökad resonemang för förfrågningar som inte kräver det.

Genom Tinker är 64 000-token versionen listad till 1,87 dollar per miljon prefill-token, 4,68 dollar per miljon sampelade token och 5,61 dollar per miljon tränings-token. 256 000-token konfigurationen är prissatt högre till 3,74 dollar för prefill, 9,36 dollar för sampel och 11,23 dollar för tränings-token, med lägre priser tillgängliga för cachelagrad inmatning.

De här siffrorna gör stora modell-experiment mer tillgängliga än att montera en dedikerad träningskluster, men Inkling är inte en modell som de flesta utvecklare kommer att köra på en vanlig arbetsstation. Den fulla BF16-kontrollpunkten kräver minst två terabyte aggregat grafikminne, vilket motsvarar åtta Nvidia B300 GPU:er eller 16 H200 GPU:er.

En kvantiserad NVFP4-kontrollpunkt minskar kravet till cirka 600 gigabyte, men kräver fortfarande infrastruktur som till exempel fyra B300 GPU:er eller åtta H200 GPU:er. I praktiken är det troligt att många organisationer kommer att komma åt Inkling via Tinker eller tredjeparts inferensleverantörer snarare än att direkt värd den fullständiga modellen.

Att Balansera Motstånd Mot Censur Med Säkerhetskontroller

En av Inklings mer ovanliga designmål är vad Thinking Machines beskriver som motstånd mot censur. Företaget säger att de specifikt tränade modellen för att svara på frågor om ämnen som kan vara politiskt eller institutionellt känsliga snarare än att automatiskt vägra dem.

Cognition utvärderade Inkling med hjälp av sin Propaganda och Censur-benchmark, och Thinking Machines rapporterade att modellen visade starka mönster av “censur icke-efterlevnad”. Den underliggande idén är att en öppen modell inte bör ärva onödiga politiska begränsningar eller standardiserade åsikter enbart för att de preferenser som infördes av den ursprungliga utvecklaren.

Det betyder inte att Inkling är utformad för att svara på varje begäran. Företaget tränade separat modellen för att vägra instruktioner relaterade till vapen, våld, cybermissbruk, kemiska eller biologiska hot, manipulation och andra farliga aktiviteter.

Inkling fick 78% på den adversativa delen av FORTRESS-säkerhetsbenchmarken medan den korrekt svarade på 95,9% av benigna frågor som liknade farliga förfrågningar. Den uppnådde också 98,6% på StrongREJECT, som mäter om modeller vägrar tydligt farliga instruktioner. Thinking Machines säger att den här kombinationen indikerar att modellen kan upprätthålla säkerhetskontroller utan att i onödan blockera legitima frågor, även om effekten av efterföljande tredjepartsfinjustering förblir ett öppet forskningsproblem.

Från OpenAI Ledarskap Till Ett 12 Miljarder Dollar Startup

Thinking Machines Lab lanserades formellt i februari 2025, flera månader efter att Murati lämnade OpenAI. Hon hade tjänstgjort som OpenAI:s Chief Technology Officer under lanseringen av produkter som ChatGPT, DALL-E och företagets tidiga röst- och multimodala system.

Det ursprungliga teamet bestod av cirka 30 forskare och ingenjörer rekryterade från OpenAI, Meta, Mistral och andra AI-organisationer. Ungefär två tredjedelar av dess anställda vid lanseringen hade tidigare arbetat på OpenAI. Den grundande gruppen inkluderade OpenAI medgrundare John Schulman, Barret Zoph, Lilian Weng, Andrew Tulloch och Luke Metz, som har erfarenhet inom förstärkt inlärning, modelljustering, multimodal AI, förträning och post-träning.

Bara fem månader efter lanseringen höjde Thinking Machines cirka 2 miljarder dollar till en värdering av 12 miljarder dollar. Andreessen Horowitz ledde rundan, med deltagande från Nvidia (NVDA ), Accel, ServiceNow (NOW ), Cisco, AMD och kvantitativ handelsfirma Jane Street.

Nvidia har sedan dess utökat sin relation med företaget genom ett flerårigt strategiskt partnerskap. Avtalet undertecknades i mars 2026 och kräver distributionen av minst en gigawatt nästa generations Nvidia Vera Rubin-system för att stödja Thinking Machines modellträning och anpassningsbara AI-plattformar. Nvidia gjorde också en ytterligare investering i företaget.

Inkling Avspeglar En Större Insats På Decentraliserad AI

Thinking Machines hävdar att de flesta AI-system tränas av ett fåtal företag och sedan distribueras som i stort sett färdiga produkter. Deras alternativ är ett ekosystem där företag och individer kan kontinuerligt anpassa modeller med hjälp av sin egen kunskap, preferenser och omdöme.

Denna filosofi hjälper till att förklara varför Inkling släpps med nedladdningsbara vikter snarare än erbjuds uteslutande via en proprietär gränssnitt. Det kopplar också modellen till Tinker, som tillhandahåller den träningsinfrastruktur som krävs för att modifiera beteendet utan att tvinga varje organisation att montera sin egen stora GPU-kluster.

Det finns fortfarande spänning mellan den här visionen och de praktiska realiteterna i utgåvan. Inkling är tillräckligt öppen för att laddas ner och modifieras, men tillräckligt stor för att endast välfinansierade organisationer realistiskt kan värd den fullständiga modellen. Dess träningsdata beskrivs i breda kategorier snarare än fullständigt dokumenterad, och anpassning kan potentiellt försvaga de säkerhetskontroller som är inbyggda i den ursprungliga kontrollpunkten.

Utgåvan ger ändå västerländska utvecklare ett annat stort öppet vikter-alternativ vid en tidpunkt då många av de mest konkurrenskraftiga anpassningsbara modellerna har kommit från kinesiska laboratorier som DeepSeek, Alibaba, Moonshot AI och Zhipu AI. Reuters noterade att västerländsk öppen vikter-utveckling har förlorat momentum eftersom flera ledande amerikanska företag har skiftat mot mer proprietära strategier.

Vad Inkling Betyder För AI

Inklings betydelse kan bero mindre på om den leder varje benchmark och mer på om utvecklare kan omvandla den till specialiserade system som överträffar allmänna modeller inom smalare domäner.

Företag inom finans, hälsovård, teknik, cybersäkerhet, vetenskaplig forskning och programvaruutveckling besitter ofta värdefull intern kunskap som är dåligt representerad i offentliga träningsdata. En kapabel öppen vikter-basmodell, kombinerad med tillgänglig förstärkt inlärning och finjusteringsinfrastruktur, kunde tillåta dessa organisationer att koda mer av den expertisen direkt in i modellbeteendet.

Samtidigt måste modellen bevisa att dess effektivitetsanspråk översätts till lägre totala distributionskostnader, särskilt när infrastruktur, inferensvolym, finjustering, övervakning och säkerhetstestning beaktas. Oberoende forskare kommer också att behöva undersöka dess benchmarkprestanda, flerspråkiga förmågor, politisk neutralitet, hallucinationsfrekvens och motstånd mot säkerhetsdegradering efter anpassning.

Thinking Machines gick in på marknaden med ett ovanligt erfaret team, betydande investerarstöd och infrastrukturåtaganden som normalt förknippas med mycket äldre AI-laboratorier. Inkling är företagets första möjlighet att demonstrera att dessa resurser kan producera mer än ambitiösa forskningsplaner och träningsplattformar.

Modellen ersätter inte de ledande proprietära systemen, och Thinking Machines Lab hävdar inte att den gör det. I stället erbjuder Inkling ett annat förslag: att framtiden för avancerad AI kan formas inte bara av vem som tränar den mest kraftfulla allmänna modellen, utan också av vem som ger utvecklare den starkaste grunden för att bygga sina egna modeller.