Thinking Machines Lab представила Inkling — свою першу мультимодальну модель ШІ з відкритими вагами

Thinking Machines Lab випустила Inkling — свою першу універсальну модель штучного інтелекту. Розробники отримали доступ до системи з майже трильйоном параметрів, здатної обробляти текст, зображення й аудіо. Запуск 15 липня 2026 року став найважливішою продуктовою подією для добре профінансованої ШІ-компанії, заснованої колишньою технічною директоркою OpenAI Мірою Мураті.

Thinking Machines не заявляє, що створила найпотужнішу модель у світі. Натомість компанія позиціонує Inkling як налаштовувану основу для компаній, дослідників і розробників, які хочуть краще контролювати поведінку свого ШІ. Ваги моделі можна завантажити через Hugging Face за ліцензією Apache 2.0, а саму модель можна донавчати на навчальній платформі Tinker від Thinking Machines.

Таке позиціонування може виявитися важливим, оскільки ринок ШІ розділяється між закритими передовими системами, контрольованими невеликою кількістю компаній, і альтернативами з відкритими вагами, які організації можуть змінювати, розміщувати та інтегрувати у власну інфраструктуру.

Модель із 975 мільярдами параметрів, яка одночасно використовує лише частину

Inkling містить 975 мільярдів параметрів, що робить її однією з найбільших моделей із відкритими вагами, випущених на сьогодні. Однак вона використовує розріджену архітектуру Mixture-of-Experts, тому під час обробки кожного окремого токена активуються лише 41 мільярд параметрів.

Модель має 66 трансформерних шарів і 256 маршрутизованих експертів. Кожен токен надсилається шістьом із них, а також двом спільним експертам, які залишаються активними для всіх запитів. Такий підхід покликаний забезпечити обсяг знань дуже великої моделі без необхідності використовувати кожен параметр під час кожної операції виведення.

Thinking Machines повідомила, що побудова Mixture-of-Experts значною мірою спирається на ідеї DeepSeek-V3, зокрема на методи маршрутизації та балансування навантаження. Inkling також поєднує шари уваги з рухомим вікном і глобальної уваги та використовує відносні позиційні вбудовування замість Rotary Positional Embeddings, поширених у сучасних мовних моделях.

Контекстне вікно моделі сягає одного мільйона токенів. Через Tinker розробникам наразі доступні конфігурації на 64 000 і 256 000 токенів, а повна місткість контексту доступна в сумісних розгортаннях завантажених ваг.

Вбудоване міркування для тексту, зображень і аудіо

Inkling від початку є мультимодальною: вона приймає текст, зображення й аудіо та генерує текстову відповідь. Зображення обробляються ієрархічним кодувальником фрагментів, а аудіо перетворюється на дискретні токени й розміщується в тому самому спільному просторі представлень, що й текстова та візуальна інформація.

Thinking Machines попередньо навчила модель на 45 трильйонах токенів із тексту, зображень, аудіо та відео. Компанія заявила, що дані включали загальнодоступні матеріали, ліцензовані або придбані джерела третіх сторін, а також синтетично згенерований чи доповнений контент. Водночас картка моделі не містить повного переліку наборів даних, тому визначення «відкриті ваги» точніше, ніж «повністю відкритий код».

Компанія також запровадила керовану систему міркування, яка дає розробникам змогу регулювати обсяг обчислень перед формуванням відповіді. Нижчі налаштування міркування зменшують затримку й витрати токенів, тоді як вищі можна використовувати для складніших завдань із програмування, математики, науки або роботи з інструментами.

Разом з основною моделлю Thinking Machines показала попередню версію Inkling-Small — Mixture-of-Experts із 276 мільярдами загальних і 12 мільярдами активних параметрів. Компанія стверджує, що вдосконалення даних і рецепту навчання дали меншій моделі змогу зрівнятися з великою або перевершити її в кількох оцінюваннях, хоча Inkling-Small поки не отримала такого самого повноцінного випуску.

Створена для налаштування через Tinker

Inkling тісно пов’язана з Tinker — хмарною навчальною платформою, яку Thinking Machines представила 2025 року. Tinker дає розробникам змогу писати навчальні процедури локально, тоді як платформа керує розподіленою інфраструктурою графічних процесорів, необхідною для донавчання моделей — від порівняно невеликих систем до архітектур Mixture-of-Experts із трильйоном параметрів.

Платформа підтримує контрольоване донавчання, навчання з підкріпленням, Direct Preference Optimization, дистиляцію та Low-Rank Adaptation. Клієнти можуть завантажувати отримані контрольні точки. Thinking Machines заявляє, що навчальні дані клієнта використовуються лише для донавчання його моделей і не включаються до власних базових моделей компанії.

Щоб продемонструвати процес налаштування, компанія попросила Inkling самостійно донавчитися так, щоб ніколи не використовувати літеру «e». Inkling створила власні навчальні дані й метод оцінювання, налаштувала та запустила завдання донавчання через Tinker, перевірила оновлену контрольну точку, а потім завантажила змінені ваги у своє робоче середовище.

Демонстрація навмисно вузька, але вона ілюструє ширшу стратегію. Thinking Machines хоче, щоб розробники сприймали базові моделі як відправну точку, яку можна адаптувати до термінології, робочих процесів, даних, політик і бажаної поведінки організації, а не як завершений продукт, повністю контрольований початковим постачальником.

Конкурентні результати без претензій на перше місце

Thinking Machines відкрито визнає, що Inkling не є найпотужнішою моделлю в кожній категорії. Результати тестів загалом ставлять її серед сильніших систем із відкритими вагами, тоді як провідні закриті моделі Anthropic, Google і OpenAI зберігають загальну перевагу.

Inkling набрала 97,1% у тесті American Invitational Mathematics Examination 2026 року і 87,2% у GPQA Diamond, що оцінює наукове міркування рівня аспірантури. Вона показала 77,6% у SWE-bench Verified і 54,3% у SWE-bench Pro Public — двох тестах, які перевіряють, чи можуть програмні агенти розв’язувати реальні задачі розробки ПЗ.

У Humanity’s Last Exam Inkling набрала 29,7% без інструментів і 46% із доступом до них. Результат з інструментами був конкурентним щодо кількох відкритих моделей, але залишився нижчим за найсильніші закриті системи в порівнянні Thinking Machines.

Inkling також отримала 1 257 балів у рейтингу Agentic Web Development від Design Arena, де люди порівнюють застосунки, створені різними моделями. Це поставило її близько до кількох закритих систем і вище низки відомих конкурентів із відкритими вагами.

Як і будь-який набір тестів, опублікований постачальником, ці результати потребують незалежного відтворення. Thinking Machines використовувала зовнішні оцінки, де вони були доступні, але деякі випробування спиралися на внутрішні системи, конфігурації або самостійно повідомлені результати конкурентних моделей.

Нижча вартість супроводжується значними вимогами до обладнання

Аргумент Inkling щодо вартості переважно базується на розрідженій архітектурі та керованому міркуванні. Активація 41 мільярда параметрів замість усіх 975 мільярдів має зробити виведення значно ефективнішим, ніж у щільної моделі такого самого розміру, а розробники можуть вимикати розширене міркування для запитів, яким воно не потрібне.

У Tinker версія з контекстом 64 000 токенів коштує 1,87 долара за мільйон вхідних токенів, 4,68 долара за мільйон згенерованих токенів і 5,61 долара за мільйон навчальних токенів. Конфігурація на 256 000 токенів дорожча: 3,74 долара за вхід, 9,36 долара за генерацію і 11,23 долара за навчання; для кешованих вхідних даних діють нижчі тарифи.

Такі ціни роблять експерименти з великими моделями доступнішими за створення окремого навчального кластера, але Inkling не є моделлю, яку більшість розробників запустить на звичайній робочій станції. Повна контрольна точка BF16 потребує щонайменше двох терабайтів сумарної графічної пам’яті — еквівалент восьми Nvidia B300 або 16 H200.

Квантована контрольна точка NVFP4 зменшує вимогу приблизно до 600 гігабайтів, але все одно потребує інфраструктури на кшталт чотирьох B300 або восьми H200. Тому на практиці багато організацій, імовірно, користуватимуться Inkling через Tinker або сторонніх постачальників виведення, а не розміщуватимуть повну модель самостійно.

Баланс між стійкістю до цензури та засобами безпеки

Одна з незвичних цілей проєктування Inkling — те, що Thinking Machines називає стійкістю до цензури. Компанія заявляє, що спеціально навчала модель відповідати на запитання про політично чи інституційно чутливі теми, а не автоматично відмовлятися від відповіді.

Cognition оцінила Inkling за допомогою тесту Propaganda and Censorship, а Thinking Machines повідомила, що модель продемонструвала сильну «непокору цензурі». Основна ідея полягає в тому, що відкрита модель не повинна успадковувати зайві політичні обмеження чи стандартизовані погляди лише тому, що їх заклав початковий розробник.

Це не означає, що Inkling має відповідати на будь-який запит. Компанія окремо навчала модель відмовлятися від інструкцій, пов’язаних зі зброєю, насильством, кіберзловживаннями, хімічними або біологічними загрозами, маніпуляціями та іншими небезпечними діями.

Inkling набрала 78% у змагальній частині тесту безпеки FORTRESS і водночас правильно відповіла на 95,9% безпечних запитань, сформульованих так, щоб нагадувати шкідливі. Вона також досягла 98,6% у StrongREJECT, який вимірює відмову моделей виконувати явно небезпечні інструкції. Thinking Machines вважає, що така комбінація свідчить про здатність зберігати засоби безпеки без надмірного блокування законних запитань, хоча вплив подальшого стороннього донавчання залишається відкритою дослідницькою проблемою.

Від керівництва OpenAI до стартапу вартістю 12 мільярдів доларів

Thinking Machines Lab офіційно запустили в лютому 2025 року, через кілька місяців після того, як Мураті залишила OpenAI. Вона була технічною директоркою OpenAI під час запуску ChatGPT, DALL-E та ранніх голосових і мультимодальних систем компанії.

Початкова команда налічувала приблизно 30 дослідників та інженерів, запрошених з OpenAI, Meta, Mistral та інших ШІ-організацій. На момент запуску близько двох третин працівників раніше працювали в OpenAI. До групи засновників увійшли співзасновник OpenAI Джон Шульман, Баррет Зоф, Ліліан Венг, Ендрю Таллох і Люк Метц. Вони принесли досвід навчання з підкріпленням, узгодження моделей, мультимодального ШІ, попереднього та подальшого навчання.

Лише через п’ять місяців після запуску Thinking Machines залучила близько 2 мільярдів доларів за оцінки 12 мільярдів доларів. Раунд очолила Andreessen Horowitz за участю Nvidia (NVDA ), Accel, ServiceNow (NOW ), Cisco, AMD і кількісної торговельної компанії Jane Street.

Відтоді Nvidia розширила співпрацю з компанією через багаторічне стратегічне партнерство. Угода, оголошена в березні 2026 року, передбачає розгортання щонайменше одного гігавата систем Nvidia Vera Rubin наступного покоління для навчання моделей Thinking Machines і роботи її налаштовуваних ШІ-платформ. Nvidia також зробила додаткову інвестицію в компанію.

Inkling відображає ширшу ставку на децентралізований ШІ

Thinking Machines стверджує, що більшість систем ШІ навчає невелика кількість компаній, а потім поширює їх як здебільшого фіксовані продукти. Альтернатива компанії — екосистема, у якій підприємства й окремі люди можуть постійно адаптувати моделі за допомогою власних знань, уподобань і суджень.

Ця філософія пояснює, чому Inkling випускається із завантажуваними вагами, а не пропонується виключно через закритий інтерфейс. Вона також пов’язує модель із Tinker, який надає навчальну інфраструктуру для зміни поведінки без потреби кожній організації створювати власний великий кластер графічних процесорів.

Між цим баченням і практичними реаліями випуску все ще є суперечність. Inkling достатньо відкрита, щоб її можна було завантажити й змінити, але настільки велика, що реально розмістити повну модель можуть лише добре профінансовані організації. Навчальні дані описані загальними категоріями, а не повністю задокументовані, а налаштування потенційно може послабити захисні механізми початкової контрольної точки.

Попри це, випуск дає західним розробникам ще один великий варіант із відкритими вагами в час, коли багато найконкурентніших налаштовуваних моделей походять із китайських лабораторій, зокрема DeepSeek, Alibaba, Moonshot AI та Zhipu AI. Reuters зазначило, що розвиток західних моделей із відкритими вагами втратив темп, оскільки кілька провідних американських компаній перейшли до закритіших стратегій.

Що Inkling означає для ШІ

Значення Inkling може залежати не стільки від лідерства в кожному тесті, скільки від того, чи зможуть розробники перетворити її на спеціалізовані системи, що перевершують універсальні моделі у вужчих галузях.

Компанії у фінансах, охороні здоров’я, інженерії, кібербезпеці, наукових дослідженнях і розробці програмного забезпечення часто мають цінні внутрішні знання, які погано представлені у відкритих навчальних даних. Потужна базова модель із відкритими вагами разом із доступною інфраструктурою навчання з підкріпленням і донавчання може дати цим організаціям змогу безпосередньо закодувати більше свого досвіду в поведінку моделі.

Водночас модель має довести, що заявлена ефективність справді знижує загальну вартість розгортання з урахуванням інфраструктури, обсягу виведення, донавчання, моніторингу та перевірки безпеки. Незалежним дослідникам також потрібно вивчити її результати тестів, багатомовні можливості, політичну нейтральність, частоту галюцинацій і стійкість до погіршення безпеки після налаштування.

Thinking Machines вийшла на ринок із надзвичайно досвідченою командою, значною підтримкою інвесторів та інфраструктурними зобов’язаннями, які зазвичай мають набагато старші ШІ-лабораторії. Inkling — перша можливість компанії довести, що ці ресурси можуть створити щось більше, ніж амбітні дослідницькі плани й навчальні платформи.

Модель не витісняє провідні закриті системи, і Thinking Machines Lab не стверджує протилежного. Натомість Inkling пропонує іншу тезу: майбутнє передового ШІ може визначати не лише той, хто навчить найпотужнішу універсальну модель, а й той, хто дасть розробникам найміцнішу основу для створення власних моделей.