Bijušais OpenAI CTO Miras Murati AI starta uzņēmums Thinking Machines Lab ir pieteicies sacensībā par atvērtajiem AI modeļiem ar laidienu, kas jau pievērš uzmanību visā izstrādātāju sabiedrībā. Uzņēmums otrdien iepazīstināja ar Inkling, savu pirmo atvērtā svara pamatu modeli, 975 miljardu parametru Mixture-of-Experts (MoE) sistēmu, kas izstrādāta multimodālai argumentācijai, kodēšanai, rīku lietošanai un ilgstošai darba slodzei.
Agrīnie etalonu rezultāti ierindo Inkling starp spēcīgākajiem atvērtā svara modeļiem, kas šodien ir pieejami. Vairākos novērtējumos tas pārspēj Nvidia Nemotron 3 Ultra un nokrīt starp Kimi 2.5 un Kimi 2.6, veicot dažādus argumentācijas un multimodālus uzdevumus. Tas padara Inkling starp spējīgākajiem atvērtajiem modeļiem, kas izlaisti ārpus Ķīnas, un sniedz izstrādātājiem vēl vienu nopietnu alternatīvu tirgū, kuru ilgi vadīja DeepSeek, Qwen un Kimi.
Palaišana ir pagrieziena punkts Thinking Machines Lab. Uzņēmums, kuru pēc OpenAI aiziešanas nodibināja Murati, pagājušajā gadā ir pavadījis AI sistēmu izveidi, kuras organizācijas var pielāgot, nevis paļauties tikai uz slēgtiem modeļiem. Inkling ir pirmais pamata modelis, ko startup ir apmācījis no nulles, padarot to par līdz šim skaidrāko tā tehnisko ambīciju demonstrāciju.
“Šodien mēs ieviešam Inkling. Inkling efektīvi izmanto teksta, attēlu un audio modalitātes. Mēs padarām pieejamus pilnus svarus,” ziņojumā par X teica Thinking Machines.
Inkling: ātrs pārskats
Inkling apvieno robežu mēroga arhitektūru ar praktiskām funkcijām, kas paredzētas izstrādātājiem un uzņēmumiem, kuri veido savas AI sistēmas.
Modelis ietver:
- 975 miljardi kopējo parametruar 41 miljards aktīvo vienu marķieri
- Ekspertu sajaukums (EM) arhitektūra, ko iedvesmojis DeepSeek-V3
- 1 miljona marķiera konteksta logs
- Apmācība notiek 45 triljoni multimodālo žetonu
- Vietējais atbalsts tekstu, attēlus un audio
- Kontrolējams spriešanas darbs līdzsvarot kvalitāti un secinājumu izmaksas
- Atvērtie svari pieejami caur Apskāva seja
- Optimizēti kontrolpunkti priekš Nvidia Blackwell GPU
Thinking Machines gatavo arī Inkling-Small, vieglāku versiju ar 276 miljardiem kopējo parametru un 12 miljardiem aktīvo parametru, piedāvājot zemākas izsecināšanas izmaksas izstrādātājiem, kuriem nav nepieciešams pilns modelis.
Izstrādāts multimodālai mākslīgā intelekta un aģentu kodēšanai
Inkling ir izveidots kā vispārējas nozīmes pamatu modelis, nevis tāds, kas optimizēts vienam etalonam. Tas sākotnēji apstrādā tekstu, attēlus un audio, ļaujot izstrādātājiem veidot lietojumprogrammas, nesavienojot kopā atsevišķus modeļus dažādām modalitātēm.
Modelis atbalsta vizuālu atbildi uz jautājumiem, dokumentu un diagrammu analīzi, runas transkripciju, balss norādījumu izpildi un Python balstītu attēlu manipulāciju, izmantojot ārējos rīkus.
Kodēšana ir vēl viena galvenā uzmanība. Thinking Machines saka, ka Inkling lieliski veic aģentu programmatūras inženierijas uzdevumus, tostarp vienreizēju tīmekļa lietojumprogrammu ģenerēšanu un ilgākas izstrādes darbplūsmas, kurām nepieciešama plānošana, pārlūkprogrammas mijiedarbība, atkļūdošana un iteratīvi uzlabojumi. Šīs iespējas atspoguļo nozares pieaugošo pāreju uz AI aģentiem, kas var pabeigt reālus programmatūras projektus, nevis ģenerēt atsevišķus koda fragmentus.
Viena no Inklinga raksturīgākajām iezīmēm ir kontrolējama domāšanas piepūle. Izstrādātāji var pielāgot piepūles parametru no 0,2 līdz 0,99, ļaujot modelim tērēt vairāk vai mazāk argumentācijas marķieru atkarībā no uzdevuma. Saskaņā ar Thinking Machines sniegto informāciju Inkling sakrīt ar Nemotron 3 Ultra uz Terminal Bench 2.1, vienlaikus izmantojot aptuveni vienu trešdaļu vairāk argumentācijas marķieru, tādējādi samazinot secinājumu izmaksas, nezaudējot veiktspēju.
Uzņēmums apmācību laikā koncentrējās arī uz kalibrēšanu un faktu pārliecību. Mācību pastiprināšana, kuras pamatā ir pareizi vērtēšanas noteikumi, mudina modeli labāk novērtēt nenoteiktību, nevis pārliecinoši sniegt nepareizas atbildes. Šis darbs palīdzēja Inklingam labi veikt prognozēšanas novērtējumus, piemēram, ForecastBench un Prophet Arena.
Drošībai tika pievērsta līdzīga uzmanība. Thinking Machines saka, ka Inkling sasniedz spēcīgus rezultātus atvērtā modeļa drošības novērtējumos, noraidot kaitīgus pieprasījumus, nenoraidot lielu skaitu likumīgu uzvedņu.
Dizaina arēna
Inkling tika novērtēts Design Arena Agentic Web Dev līderu sarakstā, kur akli cilvēki recenzenti salīdzina mākslīgā intelekta radītās tīmekļa lietojumprogrammas, veicot tiešos testus. Modelis ir viens no spēcīgākajiem atvērtā svara sistēmām etalonā.
Etaloni ierindo Inkling starp labākajiem atvērtajiem modeļiem
Inkling tiek pozicionēts kā līdzsvarots vispārējs, nevis modelis, kas izveidots, lai dominētu katrā etalonā. Sabiedrības novērtējumos tas pastāvīgi ierindojas līdzās mūsdienu spēcīgākajiem atvērtā svara modeļiem.
Audio ir viena no spēcīgākajām kategorijām. Inkling iegūst 91,4% uz VoiceBench, 77,2% uz MMAU, 56,6% uz Audio MC un 73,5% uz MMMU Pro. CharXiv RQ modelis sasniedz 78,1%, sasniedzot 82,0%, kad ir iespējoti Python rīki.
Drošības kritēriji stāsta līdzīgu stāstu. Inkling ir 78,0% FORTRESS Adversarial, 95,9% FORTRESS Benign un 98,6% StrongREJECT, ierindojot to starp spēcīgākajiem pašlaik pieejamajiem atvērtā svara modeļiem.
Tā vietā, lai meklētu tikai galvenos etalonus, Thinking Machines apgalvo, ka tas ir optimizējis Inkling, lai apvienotu argumentācijas kvalitāti, efektivitāti, multimodālu veiktspēju un praktisku izvietošanu.
Inkling vs Frontier AI modeļi
Thinking Machines Lab salīdzināja Inkling (piepūle = 0,99) ar vadošajiem AI modeļiem dažādos publiskos etalonos. Ja nav norādīts citādi, rezultāti tiek parādīti procentos. GDPVal-AA v2 tiek ziņots kā vērtējums. Ēnojums izceļ katra modeļa veiktspēju attiecībā pret Inkling visos etalonos.
Pieejamība
Thinking Machines atbrīvo visu modeļa svaru, izmantojot Hugging Face, tostarp NVFP4 kontrolpunktu, kas optimizēts Nvidia Blackwell aparatūrai.
Izstrādātāji var precizēt Inkling, izmantojot uzņēmuma Tinker platformu vai izvietot to, izmantojot galvenos secinājumu sniedzējus, tostarp Together AI, Fireworks, Modal, Databricks un Baseten. Modeli atbalsta arī SGLang, vLLM un Llama.cpp, TokenSpeed un Hugging Face Transformers. Tiešsaistes rotaļu laukums ļauj izstrādātājiem eksperimentēt ar modeli pirms izvietošanas.
TechStartups aptvēra Thinking Machines Lab martā pēc tam, kad starta uzņēmums paziņoja par vairāku gadu partnerību ar Nvidia, kas ietvēra 1 gigavatu mākslīgā intelekta aprēķinu, ievērojamas investīcijas un piekļuvi nākamās paaudzes Vera Rubin AI sistēmām. Šī partnerība uzņēmumam nodrošināja piekļuvi skaitļošanas infrastruktūrai, kas nepieciešama, lai apmācītu tādus robežas mēroga modeļus kā Inkling.
Kāpēc tas ir svarīgi
Inkling ir vairāk nekā cita etalona versija. Šī ir pirmā publiskā demonstrācija, ka Thinking Machines var izveidot robežu mēroga AI modeļus no nulles pēc Miras Murati aiziešanas no OpenAI.
Palaišana arī pievieno vēl vienu Rietumu sāncensi atvērtā modeļa ainavai, ko arvien vairāk veido Ķīnas AI laboratorijas, tostarp DeepSeek, Moonshot AI un Alibaba’s Qwen. Tā kā arvien vairāk organizāciju meklē mākslīgā intelekta modeļus, ko tās var pielāgot, precizēt un izvietot savā vidē, konkurence izvirzās tālāk par neapstrādātu etalonu veiktspēju.
Izstrādātāji arvien vairāk rūpējas par secinājumu izmaksām, multimodālām iespējām, izvietošanas elastību un spēju pielāgot modeļus specializētām darba slodzēm. Inkling ierodas ar stiprajām pusēm katrā no šīm jomām, sniedzot uzņēmumiem, pētniekiem un izstrādātājiem vēl vienu ticamu atvērtu alternatīvu.
Thinking Machines Lab izlaidums iezīmē plašākas modeļu saimes sākumu. Atvērtā pirmkoda mākslīgā intelekta ekosistēmā tas norāda, ka konkurence līderu saraksta augšgalā vairs neaprobežojas tikai ar dažām izveidotām laboratorijām.
