До сих пор Thinking Machines выпускала API для дообучения моделей Tinker и превью «моделей взаимодействия» — мультимодальных систем для общения в реальном времени с полнодуплексной передачей данных. Новая Inkling — это модель типа «смесь экспертов» с 975 млрд параметров, из которых в каждый момент активны 41 млрд. Она обучена на 45 трлн токенов текста, изображений, аудио и видео и нативно обрабатывает все четыре типа данных, хотя выходные данные пока ограничены текстом и кодом. Модель поддерживает контекстное окно до 1 млн токенов. Одновременно в предварительном режиме выходит Inkling-Small — более лёгкая версия с 12 млрд активных параметров, показывающая сопоставимые результаты в большинстве бенчмарков при значительно меньших затратах и задержке.
Примечательно, что компания не претендует на лидерство. В своём блоге она прямо указывает, что Inkling «не самая мощная модель из доступных сегодня». Вместо этого акцент сделан на балансе: широкие мультимодальные возможности, регулируемые «мыслительные усилия» (пользователь сам выбирает, сколько вычислений тратить на задачу), и эффективность использования токенов.
В тесте на агентное программирование Inkling достигает той же производительности, что и Nvidia Nemotron 3 Ultra, используя втрое меньше токенов.
Thinking Machines позиционирует Inkling не как готовый продукт, а как отправную точку, которую организации могут дорабатывать с помощью платформы Tinker для тонкой настройки моделей. В компании считают, что большинство знаний специфичны для конкретных организаций, и ИИ, обученный на этих знаниях, превзойдёт универсальные модели крупных лабораторий. В подтверждение — совместный проект с хедж-фондом Bridgewater Associates.
Модель, дообученная на финансовой экспертизе компании, показала 84,7% в тестах на финансовое мышление, превзойдя лучшие закрытые аналоги при затратах в 14 раз ниже. Впрочем, такой подход означает, что за безопасность и качество донастроенных моделей отвечают сами клиенты, а не Thinking Machines.
Поскольку веса модели открыты, компания не может зарабатывать на доступе к ней. Доход должен поступать именно от Tinker: обучение, тонкая настройка и хостинговая экосистема. Это принципиально иная экономика, которая либо окажется устойчивой, либо нет — в зависимости от того, насколько организации готовы платить за инструменты настройки, а не за саму модель.
Inkling обучена с нуля, однако для генерации части данных на этапе постобучения использовались другие открытые модели, включая Kimi K2.5 от Moonshot AI — практика, известная как дистилляция. Компания утверждает, что следующая модель будет обучаться полностью автономно. С точки зрения безопасности Inkling выглядит конкурентоспособно на фоне других открытых решений.
Так, в бенчмарке FORTRESS, который оценивает способность модели отсекать опасные запросы без ложных срабатываний на безобидные темы, новинка продемонстрировала один из лучших результатов среди открытых аналогов.
Аргументы против закрытых проприетарных моделей становятся весомее. Так, генеральный директор Microsoft Сатья Наделла предупредил: компании, выбирающие закрытый ИИ, фактически платят дважды — сначала за саму подписку, а затем за передачу своих уникальных бизнес-знаний разработчику модели. В свою очередь, глава Hugging Face Клеман Деланг спрогнозировал, что промышленный ИИ будет все активнее мигрировать в сторону открытых альтернатив. Именно на этот долгосрочный тренд и делает ставку Thinking Machines.
