Thinking Machines Lab opublikowało 15 lipca 2026 roku Inkling – pierwszy własny model open-weight firmy założonej przez byłą CTO OpenAI Mirę Murati. To ogromny multimodalny model Mixture-of-Experts: ma 975 mld parametrów, 41 mld aktywnych parametrów i okno kontekstu do 1 mln tokenów. Potrafi pracować z tekstem, obrazem i audio, a pełne wagi zostały udostępnione na licencji Apache 2.0.
Jeśli śledzisz rozwój modeli AI, zwróć uwagę nie tylko na samą skalę Inkling. Ważniejsze jest to, że zachodnie laboratorium wypuszcza model, który można pobrać, dostrajać i wdrażać we własnych produktach. To ciekawy kontrapunkt dla zamkniętych modeli frontier i dobry moment, aby przypomnieć sobie nasz materiał o najważniejszych modelach LLM oraz porównaniach, w których sama nazwa modelu nie mówi jeszcze, do czego faktycznie najlepiej go użyć.
- Czym jest Inkling i co wyróżnia ten model?
- Do czego można wykorzystać Inkling?
- Dlaczego premiera open-weight ma znaczenie?
Czym jest Inkling i co wyróżnia ten model?
Inkling to multimodalny model autoregresyjny typu Mixture-of-Experts. Zamiast aktywować wszystkie parametry przy każdym zapytaniu, architektura MoE uruchamia tylko część „ekspertów” potrzebnych do wykonania konkretnego zadania. Dzięki temu producent może zwiększać całkowitą skalę modelu bez proporcjonalnego wzrostu kosztu każdej odpowiedzi. Thinking Machines podaje, że z 975 mld parametrów podczas pracy aktywowane jest około 41 mld.
Model został pretrenowany na około 45 bilionach tokenów obejmujących tekst, obrazy, audio i wideo. Mimo że Inkling nie generuje wszystkich tych modalności na wyjściu, potrafi rozumować na podstawie różnych typów danych wejściowych. Producent udostępnia też regulację „thinking effort”, czyli poziomu zasobów przeznaczanych na rozumowanie. To pozwala ograniczyć koszt prostych zadań, a w trudniejszych zwiększyć budżet obliczeniowy.
| Cecha | Inkling |
|---|---|
| Architektura | Mixture-of-Experts |
| Łączna liczba parametrów | 975 mld |
| Aktywne parametry | ok. 41 mld |
| Kontekst | do 1 mln tokenów |
| Wejście | tekst, obraz, audio |
| Licencja | Apache 2.0, open weights |
W niezależnych testach ARC Prize Inkling po premierze był najwyżej punktowanym zweryfikowanym modelem open-weight na ARC-AGI-1 i ARC-AGI-2. To nie oznacza automatycznie, że jest „najlepszym modelem AI” do każdego zastosowania, ale pokazuje, że otwarte wagi nie muszą już oznaczać dużej straty jakości względem modeli zamkniętych.
Do czego można wykorzystać Inkling?
Thinking Machines pozycjonuje Inkling jako model ogólnego przeznaczenia dla developerów. Największy sens ma tam, gdzie firma chce zachować większą kontrolę nad modelem: uruchomić go we własnej infrastrukturze, dostroić do konkretnej domeny albo wbudować w system agentowy. Z perspektywy użytkownika końcowego Inkling nie jest więc kolejną aplikacją „do czatowania”, lecz bardziej bazą do budowania własnych narzędzi.
- AI do programowania – asystenci kodu, analiza repozytoriów i narzędzia developerskie.
- Model AI do agentów – systemy korzystające z narzędzi, RAG i zewnętrznych źródeł danych.
- AI do analizy obrazu i audio – multimodalne aplikacje wymagające łączenia kilku typów informacji.
- Model AI do własnego fine-tuningu – specjalizacja pod firmowe dane i zadania.
- Open-weight AI do wdrożeń prywatnych – większa kontrola nad infrastrukturą i sposobem użycia modelu.
Jeżeli chcesz porównać ten kierunek z modelami zamkniętymi, przyda się również artykuł Testy modeli AI: Claude, ChatGPT, Grok i DeepSeek. W przypadku modeli open-weight kryteria wyboru są szersze: oprócz jakości liczą się wymagania sprzętowe, licencja, koszt inferencji i możliwość dostrojenia.
Dlaczego premiera open-weight ma znaczenie?
Najważniejszy wniosek z premiery Inkling nie dotyczy samej liczby parametrów. Thinking Machines próbuje pokazać, że model frontier może być jednocześnie bardzo duży, multimodalny i dostępny z pełnymi wagami. To zwiększa presję na dostawców zamkniętych modeli i daje firmom alternatywę dla korzystania wyłącznie z zewnętrznego API.
Warto dalej obserwować tematy takie jak open-weight AI, model AI do uruchomienia lokalnie, najlepszy model AI do programowania, AI do agentów oraz Mixture-of-Experts. To właśnie wokół tych pojęć będzie rozwijała się duża część rynku modeli możliwych do samodzielnego wdrożenia.
Źródła
News powstał w oparciu o oficjalny komunikat Thinking Machines Lab oraz niezależne doniesienia prasowe i wyniki benchmarków opublikowane po premierze modelu.
