Лабораторія Thinking Machines представила Inkling, свій перший відкритий багатомодальний модель штучного інтелекту

Лабораторія Thinking Machines випустила Inkling, свій перший універсальний модель штучного інтелекту, який надає розробникам доступ до системи з майже трильйоном параметрів, яка може обробляти текст, зображення та аудіо. Випуск 15 липня 2026 року є найважливішою подією для компанії, яка фінансується інвесторами та заснована колишнім технічним директором OpenAI Мірою Мураті.

Лабораторія Thinking Machines позиціонує Inkling не як найпотужніший модель, а як налаштовувану основу для компаній, дослідників та розробників, які бажають мати більший контроль над поведінкою штучного інтелекту. Ваги моделі можна завантажити через Hugging Face під ліцензією Apache 2.0, а модель також можна донастроювати через платформу навчання Tinker.

Ця позиція може виявитися важливою, оскільки ринок штучного інтелекту розділяється на пропрієтарні системи, контрольовані кількома компаніями, та відкриті моделі, які організації можуть змінювати, розміщувати та інтегрувати у свою інфраструктуру.

Модель з 975 мільярдами параметрів, яка використовує лише частину параметрів одночасно

Inkling містить 975 мільярдів параметрів, що робить його однією з найбільших відкритих моделей, випущених на сьогодні. Однак він використовує розріджену архітектуру Mixture-of-Experts, тобто лише 41 мільярд параметрів активуються під час обробки кожного окремого токена.

Модель містить 66 трансформерних шарів і 256 експертів. Кожен токен передається шести експертам, а також двом спільним експертам, які залишаються активними під час запитів. Цей підхід призначений для забезпечення знань великої моделі без необхідності використання всіх параметрів під час кожної операції висновку.

Лабораторія Thinking Machines заявила, що дизайн Mixture-of-Experts у великому ступені слідує ідеям, введеним у DeepSeek-V3, включаючи методи маршрутизації та балансування навантаження. Inkling також використовує комбінацію шармів з ковзним вікном та глобальною увагою, а також відносні позиційні вкладення замість роторних позиційних вкладень, які зазвичай використовуються у сучасних моделях мови.

Вроджені висновки через текст, зображення та аудіо

Inkling є вроджено багатомодальним, приймаючи текст, зображення та аудіо як вхідні дані та генеруючи текст як вихідні дані. Зображення обробляються за допомогою ієрархічного кодувальника патчів, а аудіо перетворюється у дискретні токени та розміщується у тому ж спільному просторі представлення, що й текстова та візуальна інформація.

Лабораторія Thinking Machines попередньо навчила модель на 45 трильйонах токенів, отриманих з тексту, зображень, аудіо та відео. Компанія заявила, що дані включали публічно доступний матеріал, ліцензовані або придбані джерела третіх сторін, а також синтетично згенеровані або доповнені дані. Однак модельна карта не містить повного інвентарю набору даних, що робить термін “відкриті ваги” більш точним, ніж повністю відкритий вихідний код.

Компанія також ввела систему висновків, яку можна контролювати, що дозволяє розробникам регулювати кількість обчислень, які Inkling застосовує перед генерацією відповіді. Нижні налаштування висновків можуть зменшити затримку та споживання токенів, а вищі налаштування можна використовувати для більш складних завдань з кодуванням, математичними, науковими чи інструментальними завданнями.

Розроблений для налаштування через Tinker

Inkling тісно пов’язаний з Tinker, хмарною платформою навчання, яку Лабораторія Thinking Machines ввела у 2025 році. Tinker дозволяє розробникам писати процедури навчання локально, а платформа керує розподіленим інфраструктурою GPU, необхідною для донастроювання моделей, починаючи від відносно малих систем та закінчуючи архітектурами Mixture-of-Experts з трильйонами параметрів.

Платформа підтримує наглядане донастроювання, навчання з підкріпленням, пряму оптимізацію переваг, дистиляцію та низькорангову адаптацію. Клієнти можуть завантажити отримані контрольні точки, а Лабораторія Thinking Machines заявила, що дані клієнтів використовуються лише для донастроювання моделей клієнтів, а не для включення їх до власних фундаментальних моделей.

Конкурентна продуктивність без претензій на лідерство у бенчмарках

Лабораторія Thinking Machines відкрито визнає, що Inkling не є найсильнішою моделлю, доступною у кожній категорії. Результати бенчмарків загалом ставлять його серед більш здатних відкритих моделей, а лідируючі пропрієтарні моделі компаній, таких як Anthropic, Google та OpenAI, зберігають загальну перевагу.

Inkling отримав 97,1% на бенчмарку American Invitational Mathematics Examination 2026 року та 87,2% на GPQA Diamond, який оцінює науково-теоретичне мислення рівня магістратури. Він показав 77,6% на SWE-bench Verified та 54,3% на SWE-bench Pro Public, два бенчмарки, які використовуються для оцінки здатності агентів кодування розв’язувати реальні завдання програмної інженерії.

Нижчі витрати супроводжуються значними апаратними вимогами

Аргументація Inkling щодо витрат у великому ступені базується на його розрідженій архітектурі та контрольованих висновках. Активація 41 мільярда параметрів замість усіх 975 мільярдів повинна зробити висновок значно більш ефективним, ніж виконання аналогічної щільної моделі, а також дозволяє розробникам вимкнути розширені висновки для запитів, які не потребують цього.

Через Tinker версія з 64 000 токенів коштує 1,87 долара за мільйон токенів заповнення, 4,68 долара за мільйон вибраних токенів та 5,61 долар за мільйон навчальних токенів. Конфігурація з 256 000 токенів коштує дорожче – 3,74 долара за токени заповнення, 9,36 долара за вибрані токени та 11,23 долара за навчальні токени, з нижчими ставками для закешованих входів.

Збалансування опору цензурі з заходами безпеки

Одна з найнезвичайніших цілей дизайну Inkling полягає у тому, що Лабораторія Thinking Machines описує як опір цензурі. Компанія заявила, що вона спеціально навчила модель відповідати на питання щодо тем, які можуть бути політично чи інституційно чутливими, а не автоматично відмовлятися від них.

Cognition оцінила Inkling за допомогою бенчмарку Propaganda and Censorship, і Лабораторія Thinking Machines повідомила, що модель продемонструвала сильні моделі “непідкорення цензурі”. Основна ідея полягає у тому, що відкрита модель не повинна успадковувати непотрібні політичні обмеження чи стандартизовані думки лише через те, що вони були закладені її оригінальним розробником.

Від відкритого керівництва OpenAI до стартапу вартістю 12 мільярдів доларів

Лабораторія Thinking Machines була офіційно запущена у лютому 2025 року, декілька місяців після того, як Міра Мураті покинула OpenAI. Вона займала посаду технічного директора OpenAI під час випуску продуктів, таких як ChatGPT, DALL-E та ранні голосові та багатомодальні системи компанії.

Оригінальна команда складалася з приблизно 30 дослідників та інженерів, завербованих з OpenAI, Meta, Mistral та інших організацій штучного інтелекту. Приблизно дві третини працівників компанії на момент запуску раніше працювали в OpenAI. До засновників входили співзасновник OpenAI Джон Шульман, Баррет Зоф, Ліліан Венг, Ендрю Таллох та Люк Метц, які мали досвід у сфері навчання з підкріпленням, виведення моделей, багатомодального штучного інтелекту, попереднього навчання та післянавчання.

(NVDA ) (NOW )

Inkling відображає ширшу ставку на децентралізований штучний інтелект

Лабораторія Thinking Machines стверджує, що більшість систем штучного інтелекту навчаються кількома компаніями, а потім розподіляються як відносно фіксовані продукти. Їх альтернатива полягає в екосистемі, у якій підприємства та особи можуть продовжувати адаптувати моделі, використовуючи свої знання, переваги та судження.

Ця філософія пояснює, чому Inkling випускається з завантажуваними вагами, а не пропонується виключно через пропрієтарний інтерфейс. Вона також пов’язує модель з Tinker, який забезпечує інфраструктуру навчання, необхідну для зміни поведінки без примусу кожної організації зібрати великий кластер GPU.

Що означає Inkling для штучного інтелекту

Значення Inkling може залежати менше від того, чи він лідирує у кожному бенчмарку, а більше від того, чи розробники можуть перетворити його на спеціалізовані системи, які перевершують універсальні моделі у вужчих галузях.

Компанії у сфері фінансів, охорони здоров’я, інженерії, кібербезпеки, наукових досліджень та програмної інженерії часто володіють цінними внутрішніми знаннями, які погано представлені у публічних навчальних даних. Спроможна відкрита модель, поєднана з доступним навчанням з підкріпленням та інфраструктурою донастроювання, могла б дозволити цим організаціям закодувати більше експертизи безпосередньо у поведінку моделі.

Лабораторія Thinking Machines вступила на ринок зі звичайно досвідченою командою, значним інвесторським фінансуванням та інфраструктурними зобов’язаннями, які зазвичай асоціюються з набагато старішими лабораторіями штучного інтелекту. Inkling є першою можливістю компанії продемонструвати, що ці ресурси можуть створити щось більше, ніж амбітійні плани дослідження та платформи навчання.

Модель не витісняє лідируючі пропрієтарні системи, а Лабораторія Thinking Machines не заявляє про це. Замість цього Inkling пропонує іншу пропозицію: майбутнє розвитку штучного інтелекту може бути сформовано не лише тим, хто навчає найпотужнішу універсальну модель, а й тим, хто надає розробникам найсильнішу основу для створення власних моделей.