Thinking Machines Lab 15. jūlijā publiskoja savu pirmo atvērto modeli Inkling — multimodālu Mixture-of-Experts sistēmu ar 975 miljardiem parametru. Katram atsevišķam uzdevumam modelis izmanto aptuveni 41 miljardu no tiem. Svari iznāca ar Apache 2.0 licenci, un tos jau var lejupielādēt no Hugging Face.
Uzņēmumu 2025. gadā dibināja bijusī OpenAI tehnoloģiju direktore Mira Murati. Inkling ir tā pirmais no nulles trenētais atvērto svaru modelis. Konteksta logs sniedzas līdz 1 miljonam žetonu, bet pirmsapmācība notika uz 45 triljoniem žetonu teksta, attēlu, audio un video. Kā raksta TechCrunch, Inkling nav spēcīgākais pieejamais modelis; tā galvenā stiprā puse ir zemas darbināšanas izmaksas.
Kā modelis uzbūvēts
Inkling arhitektūrā ir 256 maršrutēti eksperti un divi koplietoti eksperti katrā slānī, un maršrutētājs izmanto sigmoīda funkciju. Pozīcijas kodēšanai izvēlēti relatīvie pozīciju iegulumi RoPE vietā, optimizācijai — Muon lielajām matricām un Adam pārējiem parametriem. Apmācība notika uz NVIDIA GB300 NVL72 sistēmām, kā skaidrots Thinking Machines paziņojumā.
Blakus lielajam modelim iznāca priekšskatījums Inkling-Small ar 276 miljardiem parametru un 12 miljardiem aktīvo. Mazākā versija paredzēta darbam uz pieticīgākas aparatūras.
Ko rāda testi
Ar maksimālo domāšanas piepūli (effort=0,99) Inkling AIME 2026 matemātikas testā sasniedz 97,1 %, SWEBench Verified programmēšanas testā — 77,6 %, multimodālajā MMMU Pro — 73,5 %, balss testā VoiceBench — 91,4 %. Rezultāti ir stabili, taču ne rekordi: Claude Fable 5 SWEBench Verified testā sasniedz 95,0 %.
Uzmanību piesaista žetonu patēriņš. Riska fonds Bridgewater ar pielāgotu Inkling versiju finanšu spriešanas testos ieguva 84,7 %, un darbināšana izmaksāja aptuveni četrpadsmit reižu lētāk nekā ar slēgtiem konkurentiem.
Terminal Bench 2.1 testā Inkling sasniedz tādu pašu rezultātu kā NVIDIA Nemotron 3 Ultra, patērējot aptuveni trešdaļu žetonu.
Kalibrācija un domāšanas piepūle
Lietotājs var regulēt, cik daudz žetonu modelis tērē spriešanai — augstāka piepūle dod precīzāku atbildi, zemāka strādā ātrāk. Inkling atbildēs atzīmē arī savu nenoteiktību. Modelis trenēts prognozēt ar pastiprinošo mācīšanos pret pareiziem vērtēšanas kritērijiem, un ForecastBench prognozēšanas testā tā Brjē indekss ir 61,1 bez meklēšanas un 63,7 ar meklēšanu.
Drošības testos Inkling uzrāda 78,0 % FORTRESS pretinieku scenārijos — augstāko rezultātu starp atvērto svaru modeļiem — un 98,6 % StrongREJECT testā.
Kā to palaist
Pilnie svari un NVFP4 kontrolpunkts NVIDIA Blackwell kartēm pieejami Hugging Face repozitorijā thinkingmachines/inkling. Inferencei modeli atbalsta SGLang, vLLM, llama.cpp, TokenSpeed un transformers bibliotēka. Mākoņa API to piedāvā TogetherAI, Fireworks, Modal, Databricks un Baseten.
Pielāgošanu Thinking Machines piedāvā savā Tinker platformā ar 64 000 vai 256 000 žetonu konteksta iespējām, un ierobežotu laiku spēkā 50 % atlaide. Agrīnajai pēcapmācības datu ģenerēšanai uzņēmums izmantoja Moonshot AI modeli Kimi K2.5 — to pašu ģimeni, no kuras nāk arī nesen aplūkotais Kimi K3.
Komentāri
Šim rakstam vēl nav komentāru. Esi pirmais, kurš dalās ar savu viedokli.