Thinking Machines выпустила Inkling: 975B открытая мультимодальная модель

Когда бывший CTO OpenAI наконец показывает карты

Мира Мурати основала Thinking Machines Lab больше года назад, и всё это время рынок гадал: что же они строят? Первый продукт — платформа для файн-тюнинга Tinker — вышел ещё в октябре прошлого года, но полноценной базовой модели не было. И вот 15 июля 2026 года завеса поднялась: компания представила Inkling — и это, без преувеличения, один из самых значимых открытых релизов в западной экосистеме за последний год.

Я слежу за этой командой давно. Там собрались люди, которые буквально строили современный ИИ: Джон Шульман (один из архитекторов RLHF в OpenAI), Лилиан Вэнг, Соумит Чинтала из Meta. Когда такая команда выпускает «первую модель» — это не маркетинг. Это заявка.

Что такое Inkling технически

Inkling — это Mixture-of-Experts трансформер с 975 млрд суммарных параметров и 41 млрд активных на каждый токен. Архитектура MoE здесь принципиальна: огромный «банк» специализированных подсетей, из которых для каждого запроса активируется лишь небольшая часть. Это позволяет иметь мощь почти триллионной модели при вычислительной стоимости модели в ~40 млрд параметров.

Контекстное окно — до 1 миллиона токенов. Предобучение проводилось на 45 триллионах токенов мультимодальных данных: текст, изображения, аудио и видео. При этом на выходе модель поддерживает текст — мультимодальность реализована на уровне понимания входных данных.

Одновременно с флагманом вышел Inkling-Small — более лёгкая версия с 12 млрд активных параметров (276 млрд суммарных). По словам команды, она обучена по схожему рецепту и показывает сильные результаты при существенно меньших затратах на инференс.

Лицензия — Apache 2.0. Это важно: не какой-то «community license» с ограничениями на коммерческое использование, а полноценная открытая лицензия. Веса доступны на Hugging Face.

Почему это важно именно сейчас

Западная open-source экосистема переживала непростые времена. Meta после провального релиза Llama 4 в прошлом году фактически развернулась в сторону проприетарных моделей — и образовавшийся вакуум стремительно заполнили китайские лаборатории. Qwen от Alibaba, DeepSeek, Yi — всё это стало де-факто стандартом для тех, кто хочет открытые веса без зависимости от закрытых API.

Симптоматично, что Bridgewater Associates — один из крупнейших хедж-фондов мира — использовал платформу Tinker для создания кастомной версии именно Qwen, а не западной модели. Просто потому что альтернатив не было.

Inkling прямо позиционируется как ответ на этот запрос: «одна из немногих альтернатив популярным открытым предложениям китайских лабораторий», по формулировке Reuters. Это не случайная фраза.

Бенчмарки: честный взгляд

Команда опубликовала сравнительные бенчмарки с закрытыми моделями Anthropic, Google и OpenAI, а также с ведущими открытыми конкурентами. Картина честная: Inkling не претендует на звание абсолютного лидера. Топовые закрытые модели и лучшие китайские open-weight решения сохраняют преимущество по общей производительности.

Но есть ниша, где Inkling смотрится особенно убедительно — агентные задачи. Это логично: Джон Шульман рассказал, что с середины января небольшая команда строила поверх предобучения специализированные треки для кодинга, рассуждений и агентного поведения. Именно здесь модель показывает конкурентные результаты.

Комментаторы вроде Нато Ламберта из AllenAI и аналитики Artificial Analysis сразу отметили Inkling как сильнейший американский open-weight релиз на сегодняшний день — при всех оговорках про отставание от топа.

Экосистема и доступность

Один из самых впечатляющих аспектов релиза — поддержка в день выхода. vLLM, SGLang, Modal, Baseten, Databricks, Hugging Face — всё это работает с Inkling с первого дня. Это не случайность: команда явно координировалась с партнёрами заранее.

Для российской аудитории: модель доступна на Hugging Face, веса можно скачать напрямую. Для работы с платформой Tinker и облачным Playground потребуется VPN — сервис работает из США, прямой доступ из России ограничен. Оплата через российские карты на платформе Thinking Machines, скорее всего, недоступна — стандартная история для американских стартапов.

Зато ничто не мешает запустить модель локально или через любой совместимый сервис. При 41 млрд активных параметров инференс вполне реалистичен на серьёзном железе — например, на сервере с несколькими H100.

Что это значит для рынка

Thinking Machines намеренно позиционирует Inkling не как «убийцу GPT-5», а как надёжную базу для кастомизации. Это умная стратегия: не конкурировать лоб в лоб с закрытыми флагманами, а занять нишу «лучшей западной открытой основы» для корпоративного файн-тюнинга.

Модель обучена с нуля — это принципиально отличает её от дистилляций и деривативов. Команда подчёркивает, что это «день первый», фундамент для будущих итераций. Учитывая, что предобучение началось прошлой зимой и заняло меньше года до релиза — темп впечатляет.

Я думаю, что реальный тест для Inkling начнётся через несколько месяцев, когда появятся файн-тюны от сообщества и корпоративных пользователей. Если архитектура действительно хорошо поддаётся кастомизации — а именно это обещает Apache 2.0 плюс интеграция с Tinker — то у Thinking Machines есть шанс стать тем, чем Meta хотела, но не стала: стандартной платформой для открытого ИИ на Западе.

Информация о релизе подтверждена несколькими независимыми публикациями.