Inkling: триллион параметров, но думает только 41 млрд за раз

Есть что-то почти провокационное в том, как Thinking Machines Lab выбрала момент для дебюта. Пока OpenAI, Anthropic и Google наперебой рапортуют о новых закрытых флагманах, стартап бывшего технического директора OpenAI Миры Мурати тихо выкладывает в открытый доступ модель, которая по числу параметров вплотную подбирается к триллиону — и при этом принципиально отказывается от логики «один размер для всех».

Что такое Inkling и почему архитектура здесь важнее цифр

975 миллиардов параметров — число, которое маркетологи обычно выносят в заголовок и больше не объясняют. Thinking Machines поступает иначе: рядом с этой цифрой сразу стоит другая, куда более практически значимая — 41 миллиард активных параметров на каждый токен. Это классическая архитектура Mixture of Experts (MoE), но реализованная с интересной детализацией.

Мысленная модель, которую предлагает сама компания, работает лучше любых технических схем: представьте университет с 256 кафедрами-специалистами на каждом уровне обработки. Когда через сеть проходит токен, маршрутизатор не собирает весь университет на лекцию. Он выбирает шесть профильных кафедр, релевантных именно этому фрагменту, добавляет две универсальные кафедры общего назначения — и система движется дальше. Строка кода на Python активирует один набор специалистов, греческая фраза или метка на диаграмме — совершенно другой. В итоге модель тратит вычислительные ресурсы точечно, а не размазывает их по всему параметрическому пространству.

Обучение прошло на 45 триллионах токенов мультимодальных данных: текст, изображения, аудио и видео. Это означает, что модель нативно понимает все четыре модальности — хотя на выходе пока генерирует только текст, код, структурированные данные и стилизованные артефакты. Мультимодальный вывод, судя по всему, придёт позже.

Честность как конкурентное преимущество

Thinking Machines прямо написала в своём блоге: Inkling — «не самая сильная модель из доступных сегодня, ни открытых, ни закрытых». В индустрии, где каждый второй пресс-релиз кричит о «прорывных возможностях», такая откровенность сама по себе выделяется.

Вместо борьбы за первое место в общих бенчмарках компания делает ставку на другое: калиброванность ответов. Модель умеет честно сигнализировать о неопределённости вместо того, чтобы уверенно галлюцинировать. Пользователи могут регулировать «усилие мышления» — фактически управляя балансом между скоростью и глубиной рассуждений.

На одном из бенчмарков по написанию кода Inkling использует втрое меньше токенов, чем Nvidia Nemotron 3 Ultra, для достижения аналогичного результата. Это не победа по абсолютному качеству — это победа по эффективности, что для enterprise-деплоймента зачастую важнее.

Открытые веса как идеологическая позиция

Inkling — open-weight модель. Разработчики и компании могут скачать её, развернуть локально и модифицировать под свои задачи. Это прямой антипод стратегии OpenAI, Anthropic и Google, которые строили свои продукты как закрытые универсальные чат-боты с агентными надстройками.

Thinking Machines выпустила модель в связке с платформой Tinker — инструментом для кастомизации и дообучения. Логика простая: не мы дообучаем модель под вас, а вы сами адаптируете её под свою экспертизу. Это перекладывает ответственность за безопасность кастомизаций на самих клиентов — что требует серьёзной ML-компетенции внутри организации, но зато даёт полный контроль.

Аргументы в пользу такого подхода неожиданно зазвучали с самых высоких трибун. CEO Microsoft Сатья Наделла — чья компания вложила миллиарды и в OpenAI, и в Anthropic — публично предупредил: предприятия, использующие проприетарные модели, фактически платят дважды. Первый раз — подпиской. Второй — отдавая бизнес-знания, зашитые в промптах и коррекциях, которые могут быть поглощены следующими версиями моделей. CEO Hugging Face Клем Делангю формулирует тот же тезис иначе: фронтирные модели уйдут в нишу экспериментов и высокоценных задач, а основной массив продакшн-AI сместится к приватным и открытым альтернативам.

Bridgewater как кейс-стади

Самый убедительный аргумент за подход Thinking Machines — не бенчмарки, а реальный проект с Bridgewater Associates, крупнейшим хедж-фондом в мире. Детали партнёрства остаются закрытыми, но сам факт сотрудничества говорит о многом: организация с уникальной и строго охраняемой инвестиционной экспертизой выбрала модель, которую можно адаптировать внутри, а не модель, которая «знает всё» и при этом обучается на чужих данных.

Это именно тот тип клиента, на которого целится Thinking Machines: не стартап, которому нужен быстрый чат-бот, а институция с глубокой доменной экспертизой, которую невозможно ни купить у OpenAI, ни передать Anthropic.

Что это значит для рынка

С точки зрения российской аудитории: Inkling — open-weight модель, что означает возможность локального деплоймента без зависимости от западных API. Для компаний, работающих в условиях санкционных ограничений, это практически значимый факт. Развернуть её на собственной инфраструктуре технически возможно — при наличии соответствующих вычислительных мощностей, разумеется.

Inkling — первый публичный продукт компании, которая полтора года строила инфраструктуру за закрытыми дверями. В мае уже был preview «interaction models» — AI, способного слушать, говорить и перебивать собеседника в реальном времени. Inkling вписывается в ту же философию: не универсальный ответ на все вопросы, а специализированный, адаптируемый инструмент.

Я бы не стал называть это «революцией открытого AI» — рынок уже видел достаточно громких деклараций. Но стратегия Thinking Machines последовательна и хорошо артикулирована: там, где конкуренты продают готовый продукт, они продают отправную точку. Насколько это окажется ценнее — покажут следующие 12 месяцев.

Информация о модели подтверждена несколькими независимыми публикациями.