Düşünme Makineleri Lab Inkling’i Tanıttı, İlk Açık Ağırlıklı Çoğul Modlu AI Modeli

Düşünme Makineleri Lab Inkling adlı ilk genel amaçlı yapay zeka modelini yayımladı. Bu model, geliştiricilere neredeyse bir trilyon parametreye sahip bir sistem sunuyor ve metin, resim ve ses işleyebiliyor. 15 Temmuz 2026’da yapılan lansman, eski OpenAI Baş Teknoloji Sorumlusu Mira Murati tarafından kurulan ağır olarak finanse edilen AI şirketinin en önemli ürün dönüm noktasını temsil ediyor.

Düşünme Makineleri, Inkling’i en güçlü modeli inşa etmek iddiasında bulunmak yerine, şirketlere, araştırmacılara ve geliştiricilere AI davranışları üzerinde daha fazla kontrol sağlayan bir temel olarak konumlandırıyor. Ağırlıkları Hugging Face aracılığıyla Apache 2.0 lisansı altında indirilebiliyor ve model ayrıca Düşünme Makineleri’nin Tinker eğitim platformu aracılığıyla ince ayarlanabiliyor.

Bu konumlandırma, AI pazarının birkaç şirket tarafından kontrol edilen özel sınır sistemleri ve organizasyonların değiştirebileceği ve altyapısına entegre edebileceği açık ağırlıklı alternatifler arasında bölündüğü bir zamanda önemli olabilir.

1 Milyar Parametrelik Bir Model, Bir Defada Sadece Bir Kısmını Kullanıyor

Inkling, toplam 975 milyar parametre içeriyor ve bu onu bugüne kadar yayımlanmış en büyük açık ağırlıklı modellerden biri yapıyor. Ancak, seyrek Mixture-of-Experts mimarisi kullanıyor, yani her bir token işlenirken sadece 41 milyar parametre etkinleştiriliyor.

Model, 66 transformer katmanı ve 256 yönlendirilmiş uzman içeriyor. Her token, altı uzmana ve her istek boyunca etkin kalan iki paylaşılan uzmana gönderiliyor. Bu yaklaşım, çok büyük bir modelin bilgi kapasitesini sunmayı amaçlıyor, ancak her çıkarım işleminde her parametrenin kullanılmasını gerektirmiyor.

Düşünme Makineleri, Mixture-of-Experts tasarımının büyük ölçüde DeepSeek-V3’de tanıtılan fikirleri izlediğini, yönlendirme ve yük dengeleme yöntemlerini içerdiğini söyledi. Inkling, ayrıca kayan pencere ve global dikkat katmanlarının bir kombinasyonunu ve Rotary Positional Embeddings yerine göreceli konumlandırılmış gömme kullanıyor.

Model, bir milyon token’e kadar bir bağlam penceresini destekliyor. Tinker aracılığıyla, geliştiriciler şu anda 64.000 token’lik ve 256.000 token’lik yapılandırmalara erişebiliyor, tam bağlam kapasitesi ise indirilen ağırlıkların uyumlu dağıtımları aracılığıyla kullanılabilir.

Metin, Resim ve Ses Üzerinde Yerel Mantık

Inkling, yerel olarak çok modalli bir modeldir, metin, resim ve ses girişlerini kabul ederken, çıktı olarak metin üretir. Resimler, hiyerarşik bir yama kodlayıcı aracılığıyla işlenirken, ses, ayrı token’lere dönüştürülür ve metin ve görsel bilgilerle aynı paylaşılan temsil alanına yerleştirilir.

Düşünme Makineleri, modeli 45 trilyon token’den oluşan bir veri kümesiyle önceden eğitti. Şirket, verilerin kamu malı materyalleri, lisanslı veya edinilmiş üçüncü taraf kaynakları ve sentetik olarak üretilen veya artırılan içerikleri içerdiğini söyledi. Ancak, model kartı tam bir veri envanteri sağlamıyor, bu nedenle “açık ağırlıklar” ifadesi “tamamen açık kaynak” ifadesinden daha doğru.

Şirket ayrıca, geliştiricilerin Inkling’in bir cevap üretmeden önce uygulayacağı hesaplama miktarını ayarlayabileceği bir kontrol edilebilir mantık sistemi tanıttı. Düşük mantık ayarları, gecikme ve token tüketimini azaltabilirken, daha zor kodlama, matematik, bilim veya araç kullanım görevleri için daha yüksek ayarların kullanılması mümkün.

Ana modelin yanı sıra, Düşünme Makineleri, Inkling-Small adlı 276 milyar parametrelik bir Mixture-of-Experts modelini ön izleme olarak sundu. Şirket, veri ve eğitim tarifi iyileştirmeleri sayesinde daha küçük modelin bazı değerlendirmelerde daha büyük sürümle eşdeğer veya onu aşan performans gösterdiğini söyledi, ancak Inkling-Small henüz tam bir sürüm almıyor.

Tinker Aracılığıyla Özelleştirilmiş

Inkling, Düşünme Makineleri’nin 2025 yılında tanıttığı bulut tabanlı eğitim platformu Tinker ile yakından bağlantılı. Tinker, geliştiricilerin yerel olarak eğitim prosedürleri yazmasına, platformun ise dağıtılmış GPU altyapısını yönetmesine olanak tanır.

Platform, denetimli ince ayar, pekiştirme öğrenimi, Direct Preference Optimization, distilasyon ve Low-Rank Adaptation’ı destekliyor. Müşteriler, oluşan kontrol noktalarını indirebiliyor ve Düşünme Makineleri, müşteri eğitim verilerinin yalnızca müşteri modellerinin ince ayarlanması için kullanıldığını, kendi temel modellerine dahil edilmediğini söylüyor.

Özelleştirme sürecini göstermek için şirket, Inkling’i “e” harfini hiç kullanmayan bir modele dönüştürmek için ince ayarlamasını istedi. Inkling, kendi eğitim verilerini ve değerlendirme yöntemini oluşturdu, Tinker aracılığıyla bir ince ayar işini oluşturdu, güncellenmiş kontrol noktasını test etti ve sonra değiştirilen ağırlıkları çalışma ortamına yükledi.

Gösteri kasıtlı olarak dar bir alana odaklansa da, daha geniş bir stratejiyi temsil ediyor. Düşünme Makineleri, geliştiricilerin temel modelleri, bir organizasyonun terminolojisi, iş akışları, verileri, politikaları ve tercih edilen davranışlarına uyarlanabilir başlangıç noktaları olarak görmelerini istiyor.

Rekabetçi Performans, Benchmark Tahtını İddia Etmeden

Düşünme Makineleri, Inkling’in her kategoride en güçlü model olmadığını açıkça kabul ediyor. Benchmark sonuçları, Inkling’i genellikle daha yetenekli açık ağırlıklı sistemler arasında yerleştirirken, Anthropic, Google ve OpenAI gibi şirketlerin lider özel modelleri genel bir üstünlük sağlıyor.

Inkling, 2026 Amerikan Davetli Matematik Sınavı benchmark‘unda %97,1 puan aldı ve GPQA Elmas’ta %87,2 puan elde etti. SWE-bench Verified’de %77,6 ve SWE-bench Pro Public’te %54,3 puan kaydetti.

Inkling, Humanity’s Last Exam’de araçsız %29,7 ve araçlı %46 puan elde etti. Araçlı performansı, beberapa açık modelle rekabetçi oldu, ancak en güçlü kapalı sistemlerin altında kaldı.

Inkling, Design Arena’nın Agentic Web Development liderliğinde 1.257 puan elde etti. Bu, birkaç özel sistemle yakın ve beberapa kurulmuş açık ağırlıklı rakipten daha iyi bir performans gösterdi.

Herhangi bir satıcı tarafından yayımlanan benchmark seti gibi, sonuçlar bağımsız olarak yeniden üretilmelidir. Düşünme Makineleri, mevcut olduğunda dış puanları kullandı, ancak bazı değerlendirmeler iç test çerçevelerine, yapılandırmalara veya rakip model sağlayıcılarının kendi bildirdiği sonuçlarına dayanıyordu.

Düşük Maliyetler, Önemli Donanım Gereksinimleriyle Geliyor

Inkling’in maliyet argümanı, büyük ölçüde seyrek mimarisi ve kontrol edilebilir mantık üzerine kuruludur. 41 milyar parametreyi etkinleştirmek, 975 milyarın tamamını çalıştırmaktan daha verimlidir ve geliştiricilerin genişletilmiş mantığı gerektirmeyen istekler için devre dışı bırakmasına olanak tanır.

Tinker aracılığıyla, 64.000 token’lik sürüm, milyon başına 1,87 dolar ön doldurulabilir token, 4,68 dolar örneklenen token ve 5,61 dolar eğitim token’i olarak fiyatlandırıldı. 256.000 token’lik yapılandırma daha yüksek fiyatlarla sunuluyor: ön doldurulabilir token için 3,74 dolar, örneklenen token için 9,36 dolar ve eğitim token’i için 11,23 dolar, önbelleğe alınmış girişler için daha düşük oranlar mevcut.

Bu rakamlar, büyük model deneysel çalışmasını, özel bir eğitim kümesi oluşturmak yerine daha erişilebilir hale getiriyor. Ancak Inkling, çoğu geliştiricinin bir iş istasyonunda çalıştıracağı bir model değil. Tam BF16 kontrol noktası, en az iki terabayt toplu grafik belleği gerektiriyor, bu da sekiz Nvidia B300 GPU’su veya 16 H200 GPU’suna eşdeğer.

Bir quantized NVFP4 kontrol noktası gereksinimi yaklaşık 600 gigabayta indiriyor, ancak yine de dört B300 GPU’su veya sekiz H200 GPU’su gibi altyapıyı gerektiriyor. Uygulamada, birçok organizasyon Inkling’e Tinker veya üçüncü taraf çıkarım sağlayıcıları aracılığıyla erişmek yerine tam modeli barındırmak yerine.

Sansür Direncini Güvenlik Kontrolleriyle Dengeleme

Inkling’in daha ilginç tasarım hedeflerinden biri, Düşünme Makineleri’nin “sansür direnci” olarak adlandırdığı şeydir. Şirket, modeli, politik veya kurumsal olarak duyarlı konularda sorulara cevap vermek için özel olarak eğitti, otomatik olarak reddetmek yerine.

Cognition, Inkling’i Propaganda ve Sansür benchmark’uyla değerlendirdi ve Düşünme Makineleri, modelin “sansür uyumsuzluğu” güçlü kalıplarını gösterdiğini bildirdi. Altta yatan fikir, açık bir modelin, orijinal geliştiricisi tarafından gömülen tercihleri veya standartlaştırılmış görüşleri miras alması gerekmediği yönündedir.

Bu, Inkling’in her talebe cevap vereceği anlamına gelmiyor. Şirket ayrıca, modeli silahlar, şiddet, siber kötüye kullanım, kimyasal veya biyolojik tehditler, manipülasyon ve diğer tehlikeli faaliyetlerle ilgili talimatlara uymamak için ayrı olarak eğitti.

Inkling, FORTRESS güvenlik ölçütünün saldırı bölümünde %78 puan aldı ve %95,9 oranında benimsenmiş sorulara doğru cevap verdi. Ayrıca açıkça zararlı talimatlara uymayı reddetme ölçen StrongREJECT’de %98,6 puan elde etti. Düşünme Makineleri, bu kombinasyonun, modelin güvenlik kontrollerini, meşru soruları aşırı engellemeden koruyabileceğini gösterdiğini söylüyor.

OpenAI Liderliğinden 12 Milyar Dolarlık Bir Şirkete

Düşünme Makineleri Lab, resmi olarak Şubat 2025’te kuruldu, Mira Murati OpenAI’den ayrıldıktan birkaç ay sonra. O, ChatGPT, DALL-E ve şirketin erken ses ve çok modlu sistemlerinin lansmanlarında OpenAI’nin Baş Teknoloji Sorumlusu olarak görev yapmıştı.

Orijinal ekip, OpenAI, Meta, Mistral ve diğer AI organizasyonlarından yaklaşık 30 araştırmacı ve mühendisten oluşuyordu. Kuruluşta çalışanların yaklaşık üçte ikisi, lansman sırasında OpenAI’de çalışıyordu. Kurucu grup, OpenAI ortak kurucu John Schulman, Barret Zoph, Lilian Weng, Andrew Tulloch ve Luke Metz’i içeriyordu ve takviye öğrenimi, model hizalaması, çok modlu AI, ön eğitim ve sonrası eğitim konularında deneyim getiriyordu.

Şirket, kurulduktan sadece beş ay sonra, yaklaşık 2 milyar dolar yatırım aldı ve 12 milyar dolarlık bir değerleme elde etti. Andreessen Horowitz turu yönetirken, Nvidia (NVDA ), Accel, ServiceNow (NOW ), Cisco, AMD ve kantitatif ticaret firması Jane Street katıldı.

Nvidia, daha sonra Düşünme Makineleri ile ilişkisini, Mart 2026’da açıklanan çok yıllı bir stratejik ortaklık anlaşmasıyla genişletti. Anlaşma, Düşünme Makineleri’nin model eğitimi ve özelleştirilebilir AI platformlarını desteklemek için en az bir gigawatt nächster Nvidia Vera Rubin sistemlerinin dağıtılmasını öngörüyor. Nvidia ayrıca şirkete ek bir yatırım yaptı.

Inkling, Merkezden Bağımsız AI’ye Daha Geniş Bir Bahis

Düşünme Makineleri, çoğu AI sisteminin birkaç şirket tarafından eğitildiğini ve sonra büyük ölçüde değişmez ürünler olarak dağıtıldığını savunuyor. Alternatif olarak, şirketler ve bireylerin kendi bilgilerini, tercihlerini ve yargılarını kullanarak modelleri sürekli olarak uyarlayabileceği bir ekosistem sunuyor.

Bu felsefe, Inkling’in yalnızca bir özel arayüze değil, indirilebilir ağırlıklarla yayımlanmasını açıklıyor. Ayrıca modeli, davranışını değiştirmek için gereken eğitim altyapısını sağlayan Tinker ile bağlantılıyor.

Henüz pratik gerçeklikler ile bu vizyon arasında bir gerilim var. Inkling, indirilebiliyor ve değiştirilebiliyor, ancak yalnızca iyi finanse edilen organizasyonlar tam modeli barındırmak için gerçekçi bir şekilde donanıma sahip olabilir. Eğitim verisi, tam olarak belgelenmedi ve özelleştirme, orijinal kontrol noktasına gömülen güvenlik kontrollerini zayıflatabilir.

Yayın, Western geliştiricilere, birçok rekabetçi özelleştirilebilir modelin Çin laboratuvarlarından geldiği bir zamanda başka bir büyük açık ağırlıklı seçeneği sunuyor. Reuters, Western açık ağırlıklı geliştirmesinin, birkaç önde gelen Amerikan şirketinin daha çok özel stratejilere kaymasıyla momentum kaybettiğini belirtti.

AI için Inkling’in Anlamı

Inkling’in önemi, her benchmark’ta lider olmasıyla menos ilgili olabilir ve daha çok geliştiricilerin onu, genel amaçlı modellerden daha iyi performans gösteren uzman sistemlere dönüştürebilmesiyle ilgili olabilir.

Finans, sağlık, mühendislik, siber güvenlik, bilimsel araştırma ve yazılım geliştirme gibi şirketler, kamu eğitim verilerine kötü temsil edilen değerli iç bilgilerine sahiptir. Bir açık ağırlıklı temel model, erişilebilir pekiştirme öğrenimi ve ince ayar altyapısıyla birleştirildiğinde, bu organizasyonların daha fazla uzmanlığını doğrudan model davranışlarına kodlamalarına olanak tanıyabilir.

Aynı zamanda, modelin verimlilik iddialarının toplam dağıtım maliyetlerine dönüşmesi, özellikle altyapı, çıkarım hacmi, ince ayar, izleme ve güvenlik testleri dikkate alındığında, kanıtlanması gerekiyor. Bağımsız araştırmacılar, benchmark performansını, çok dilli yeteneklerini, siyasi tarafsızlığını, hayal gücü oranlarını ve özelleştirmeden sonra güvenlik bozulmasına karşı direncini incelemelidir.

Düşünme Makineleri, olağanüstü deneyimli bir ekip, önemli yatırımcı desteği ve normalde çok daha eski AI laboratuvarlarına ait altyapı taahhütleri ile piyasaya girdi. Inkling, şirketin bu kaynakların, iddialı araştırma planları ve eğitim platformlarından daha fazlasını üretebileceğini gösterme fırsatı.

Model, lider özel sistemlerin yerini almiyor ve Düşünme Makineleri Lab de bunu iddia etmiyor. Bunun yerine, Inkling, geliştiricilere, kendi modellerini inşa etmek için en güçlü temeli sunanların, geleceğin gelişmiş AI’sini şekillendirebileceği farklı bir öneri sunuyor.