Для підприємств, які прагнуть перенести більше своїх робочих навантажень, пов’язаних із розвідувальним ШІ, на моделі з відкритими вагами, які вони можуть налаштовувати, контролювати та запускати локально або у приватних хмарах, з’явився потужний новий претендент.
Сьогодні компанія Thinking Machines, американський стартап у галузі ШІ з великим капіталом, заснований колишнім технічним директором OpenAI Мірою Мураті, випустила Inkling – свою першу велику мовну модель під ліцензією Apache 2.0 з відкритим кодом, дружньою до підприємств. Вона демонструє високу, хоч і не передову, продуктивність для моделей з відкритими вагами на сторонніх бенчмарках, зокрема у сфері розробки програмного забезпечення (77,6% на SWE-bench Verified, де вона випереджає конкурента з відкритим кодом від Nvidia Nemotron 3 з 71,9%) та розуміння голосу (91,4% на VoiceBench порівняно з 94,4% для Gemini 3.1 Pro за умови високих обчислювальних зусиль).
Ще одна відмінність: Thinking Machines зазначає, що Inkling була розроблена, “щоб прямо відповідати на теми, які можуть підлягати цензурі”, пропонуючи підприємствам, стурбованим точністю виведення, незалежно від суперечливості чи чутливості, більш надійний варіант.
Inkling, що має 975 мільярдів загальних параметрів, є нативно мультимодальною системою Mixture-of-Experts (MoE) з відкритими вагами, здатною до аналізу тексту, зображень та аудіо. Ваги вже доступні на Hugging Face та через власний API компанії для тренування моделей, Tinker.
Розроблена для збалансування вартості та продуктивності за допомогою нового механізму “контрольованих обчислювальних зусиль”, модель являє собою значний відхід від стратегій масштабування “чорної скриньки” передових конкурентів.
Разом із флагманською моделлю Thinking Machines також анонсувала попередню версію Inkling-Small – легшу альтернативу з 276 мільярдами параметрів, оптимізовану для робочих навантажень, де пріоритетом є низька затримка та вартість.
Бенчмарки демонструють потужну, висококласну, але не передову модель
Хоча Inkling є потужним мультимодальним двигуном, вона потрапляє в жорстко конкурентне середовище відкритих ваг 2026 року, що характеризується високоспеціалізованими архітектурами MoE. Замість того, щоб намагатися домінувати на кожному лідерборді, Thinking Machines свідомо розробила Inkling — з 975 мільярдами загальних та 41 мільярдом активних параметрів — як універсального, збалансованого генераліста.
Наприклад, вона знаходиться приблизно посередині вищого класу продуктивності на лідерборді Design Arena з розробки веб-додатків з використанням агентивного ШІ, який вимірює людські оцінки фронтенд-дизайну інтерфейсу користувача. Вона займає 1257 місце.
Проте провідні китайські лабораторії ШІ створили моделі з елітними можливостями аналізу та програмування, що створює серйозний виклик універсальному підходу Inkling і, зрештою, перевершує її за загальними та програмними бенчмарками.
-
GLM 5.2: Широко вважається найкращою моделлю аналізу з відкритими вагами, доступною в наборі бенчмарків, GLM 5.2 перевершує Inkling за чистим програмуванням, агентивними завданнями та складними аналітичними завданнями. Вона набирає 62,1% на SWEBench Pro (Public) порівняно з 54,3% Inkling, і величезні 82,7 на Terminal Bench 2.1 проти 63,8 Inkling. GLM 5.2 також перевершує у текстовому аналізі, набираючи 40,1% на HLE (тільки текст) проти 30,0% Inkling.
-
DeepSeek V4 Pro: DeepSeek зберігає перевагу в кількох суворих доменах програмування та фактичної точності, перевершуючи Inkling на SWEBench Verified (80,6% проти 77,6%) та SimpleQA Verified (57,0% проти 43,9%). Однак Inkling успішно перевершує DeepSeek V4 Pro у розв’язанні математичних завдань, досягаючи 97,1% на AIME 2026 порівняно з 96,7% DeepSeek.
-
Kimi K2.6: Ця модель перевершує Inkling за кількома технічними бенчмарками, демонструючи вищі результати на GPQA Diamond (91,1% проти 87,9%), BrowseComp (83,2% проти 77,1%) та HLE з інструментами (54,0% проти 46,0%). Проте Inkling виявляється більш стійкою у виконанні загальних інструкцій чату, набираючи 79,8% на IFBench порівняно з 76,0% Kimi K2.6.
Порівняно з основними конкурентами в США з відкритими вагами, Inkling демонструє сильну паритетність і часту перевагу.
-
Nemotron 3 Ultra: Inkling стабільно перевершує цього американського конкурента за аналізом та програмуванням. Inkling набирає 97,1% на AIME 2026 і 77,6% на SWEBench Verified, перевершуючи Nemotron відповідно 94,2% і 70,7%. Більше того, Inkling значно випереджає в агентивних робочих процесах, набираючи 74,1% на MCP Atlas проти 44,7% Nemotron.
У порівнянні із закритими гігантами, такими як Claude Fable 5, GPT 5.6 Sol та Gemini 3.1 Pro, Inkling відстає за піковими показниками аналізу та автономності програмної інженерії, але залишається дуже конкурентоспроможною в мультимодальності.
-
Програмування та аналіз: Закриті моделі зберігають домінуючу перевагу. Claude Fable 5 (max) досягає 95,0% на SWEBench Verified і 53,3% на HLE (тільки текст), значно випереджаючи Inkling (77,6% і 30,0%). GPT 5.6 Sol домінує на Terminal Bench 2.1 з 89,5, легко перевершуючи 63,8 Inkling.
-
Нативна мультимодальність: Власні візуальні та аудіо можливості Inkling тримаються міцно. На бенчмарку візуалізації MMMU Pro (Standard 10) показник Inkling 73,3% є конкурентним, хоча й відстає від 84,2% Claude Fable 5 та 83,0% GPT 5.6 Sol. В обробці аудіо Inkling демонструє дуже високі 77,2% на MMAU, що тримає її в межах досяжності від 82,5% Gemini 3.1 Pro.
Якщо для корпоративного робочого процесу потрібна елітна автономність у програмній інженерії або найвищі межі аналізу тільки в тексті, моделі на кшталт GLM 5.2 або пропрієтарні системи, як Claude Fable 5, зберігають перевагу.
Однак Inkling займає унікальну та дуже захищену нішу: це найпотужніша базова модель з відкритими вагами, яка нативно поєднує текст, візуалізацію та аудіо, одночасно надаючи розробникам прямий програмний контроль над співвідношенням витрат і продуктивності.
Перехід від статичного аналізу до контрольованого мислення
Замість того, щоб намагатися створити єдину “божественну модель”, оптимізовану виключно для домінування на найсучасніших бенчмарках, Thinking Machines розробила Inkling для адаптивності та ефективності в реальних робочих процесах.
Визначною особливістю цього випуску є “контрольовані обчислювальні зусилля” Inkling. Розробники можуть програмно налаштовувати бюджет аналізу моделі – масштабуючи його від 0,2 до 0,99 – щоб визначити, наскільки “сильно” ШІ повинен “думати” перед генерацією виведення.
Як зазначила компанія, “безперервні обчислювальні зусилля Inkling дозволяють вам обрати точку на кривій витрати/продуктивності – досягаючи того ж результату з часткою токенів”.
На практиці це дозволяє підприємствам розгортати Inkling з меншими витратами токенів для простіших завдань, тоді як для складних, багатоетапних аналітичних завдань потужність обчислень збільшується. Однак, підтримуючи нижчий рівень мислення та генеруючи менше токенів, підприємство, що дбає про вартість, може досягти високих результатів та продуктивності для простих завдань, витрачаючи менше коштів, або, у випадку тих, хто запускає моделі локально, менше витрат на енергію та обчислювальні ресурси.
Під час масштабного навчання моделі з підкріпленням (RL) за 30 мільйонів ітерацій дослідники спостерігали емерджентне явище, яке вони назвали “стиснення ланцюжка думок”. З часом Inkling природним чином навчилася стискати свої внутрішні кроки аналізу – видаляючи граматичні надмірності та сполучники – досягаючи при цьому тих самих точних висновків, що призвело до значного зменшення затримки.
Епістеміка та стійкість до цензури
Помітним елементом випуску Thinking Machines є її явний фокус на епістеміці моделі – зокрема, на її калібруванні, дотриманні інструкцій та стійкості до цензури.
В екосистемі, де моделі з відкритими вагами приймають або надмірно обмежувальні запобіжники безпеки, або відтворюють ідеологічні погляди, узгоджені з державою, Inkling було навмисно навчено прямо відповідати на політично чутливі або сильно цензуровані теми.
Щоб підтвердити цей підхід, Thinking Machines представила Inkling для оцінки Propaganda and Censorship Eval, розробленої стартапом у галузі ШІ Cognition. Згідно з опублікованими результатами, Inkling продемонструвала “сильні патерни невідповідності цензурі”, ефективно чинячи опір ідеологічному захопленню або стандартним відмовам при наданні чутливих тем.
Незважаючи на стійкість до цензури, модель зберігає надійний захист від справді зловмисних, небезпечних або незаконних запитів. На бенчмарку StrongREJECT, який тестує реакцію на однозначно шкідливі запити, Inkling отримала 98,6%, що відповідає суворим стандартам безпеки. Крім того, на бенчмарку FORTRESS Inkling успішно витримала баланс між безпекою та надмірною відмовою: вона показала 78,0% відмов на ворожі запити (наприклад, пов’язані зі зброєю, кібератаками чи насильством), зберігаючи при цьому 95,9% відповідності на нешкідливі, схожі запити.
Thinking Machines зазначила, що типові вразливості моделей з відкритими вагами залишаються в архітектурі. Внутрішні оцінки безпеки виявили “періодичну схильність відповідати на запити в режимі рольової гри та опосередковано сформульовані запити щодо шкідливих тем”. Компанія рекомендувала розробникам підприємств розглядати вбудовані відмови моделі лише як один рівень безпеки, рекомендуючи подальше розгортання зовнішніх інструментів модерації – таких як Llama Guard – для фільтрації ворожих спроб обійти обмеження та застосування політик безпеки, специфічних для конкретного використання, на рівні додатків.
Під капотом: Архітектура та мультимодальність
Масштаб Inkling вражає, але при цьому він розріджений. Архітектура MoE має 975 мільярдів загальних параметрів, але лише 41 мільярд параметрів активні під час будь-якої генерації токену. Вона підтримує величезне контекстне вікно у 1 мільйон токенів і відрізняється від типових трансформерних моделей використанням відносних позиційних вкладень замість промислового стандарту Rotary Positional Embedding (RoPE).
Відповідно до фундаментального бачення компанії, Inkling було навчено з нуля бути нативно мультимодальною. На відміну від моделей, які покладаються на підключені зовнішні кодувальники, Inkling використовує підхід раннього злиття без кодувальника. Вона безпосередньо сприймає аудіо як дискретні dMel-спектрограми, а візуальні дані – як патчі розміром 40×40 пікселів через ієрархічний багатошаровий перцептрон (hMLP), проектуючи всі модальності в спільний прихований простір.
Ліцензування: Справжній відкритий код для підприємств
Для ІТ-команд та розробників підприємств найбільш революційним аспектом Inkling може бути її ліцензування. Inkling випускається під дозвільною ліцензією Apache 2.0.
В екосистемі, де багато так званих “відкритих” моделей від західних лабораторій прив’язані до ліцензій подвійного призначення, обмежень на прийнятне використання або стель доходів, позначка Apache 2.0 робить Inkling справжнім відкритим базовим продуктом. Це дає розробникам юридичну свободу завантажувати, модифікувати, інтегрувати та комерціалізувати ваги моделі повністю без роялті.
Модель легко розгортається на основних бібліотеках для інференсу з відкритим кодом – включаючи SGLang, vLLM, TokenSpeed та llama.cpp – і постачається з нативним квантованим чекпоінтом NVFP4, оптимізованим для систем NVIDIA Blackwell.
Реакція спільноти: Інженерне досягнення
Реакція спільноти ШІ була швидкою: її оцінили як відкритість моделі, так і базове інженерне виконання.
У публікації на X співзасновник Thinking Machines Джон Шульман зазначив швидкий цикл розробки: “Inkling випущено сьогодні, з відкритими вагами та в Tinker. Було цікаво спостерігати, як вона збиралася: попереднє тренування почалося минулої зими, а з середини січня невелика команда добудовувала кодування, аналіз та агентивне тренування. Ми багато чого навчилися, створюючи її, і сподіваюся, люди знайдуть їй гарне застосування”.
Горас Хе, дослідник у Thinking Machines (раніше з PyTorch), підкреслив складність завдання в іншій публікації на X: “Для випуску моделі, особливо моделі з відкритими вагами, справді потрібна ціла команда. Проходження всього процесу з нуля, від даних до попереднього тренування, до післятренування та фактичного випуску, дає велике розуміння тим, хто це робить!”.
Ширша екосистема відкритого коду також сприйняла технічні інтеграції. Лісандр Дебют, директор з відкритого коду в Hugging Face, поділився своїм ентузіазмом щодо оптимізації моделі у своєму дописі на X: “Мені особливо вражає, наскільки простіше стало прискорювати моделі… Ми замінили причинний Conv1D моделі на ядро `causal-conv1d`. Одна змінена рядок, +4% токенів за секунду. Потім ми замінили її реалізацію уваги на FlashAttention-4. Ще одна єдина зміна, ще +11%. Це загальне покращення пропускної здатності приблизно на 15% без зміни архітектури моделі чи перенавчання чогось”.
Тізень Ван, експерт з розвитку екосистеми та колишній співробітник Google, відзначив випуск як величезну перемогу для спільноти відкритого коду, перерахувавши вражаючі специфікації моделі на X, наголосивши на її розмірі “975B загальних, 41B активних”, “Нативній підтримці MTP” та високобажаній “ліцензії Apache 2.0”.
Передісторія: Шлях до Inkling
Щоб зрозуміти значення Inkling, потрібно подивитися на стрімку траєкторію Thinking Machines за останні 18 місяців.
Коли Міра Мураті покинула OpenAI наприкінці 2024 року, щоб заснувати Thinking Machines разом із ветеранами галузі, такими як Джон Шульман та Баррет Зоф, заявленою метою було відійти від створення ізольованих автономних агентів. Натомість компанія прагнула створювати гнучкі, мультимодальні системи, призначені для справжньої співпраці людини та ШІ та відкритої науки.
До липня 2025 року стартап забезпечив історичний посівний раунд на 2 мільярди доларів під керівництвом Andreessen Horowitz за оцінкою 12 мільярдів доларів. Тоді Мураті обіцяла майбутній випуск продукту зі “значним компонентом відкритого коду” для розширення можливостей дослідників і стартапів.
Філософія компанії почала набувати чіткіших обрисів у жовтні 2025 року з запуском Tinker – API на основі Python для доналаштування великих мовних моделей, який надавав дослідникам гранульований контроль над конвеєрами навчання без проблем з управлінням розподіленими обчисленнями.
Того ж місяця дослідник Thinking Machines Рафаель Рафаїлов виступив із провокаційною критикою індустрії ШІ на TED AI. Він стверджував, що поточна тенденція просто додавати більше обчислювальної потужності до моделей є фундаментально хибною, зазначивши, що сучасні системи йдуть на компроміси – наприклад, обгортаючи код у блоки try/except – тому, що вони навчені суто для завершення завдань, а не для справжнього навчання.
Рафаїлов висунув гіпотезу, що перший штучний надрозум буде не “божественною моделлю”, а “наді Людиноподібним учнем”, здатним до метанавчання та внутрішнього засвоєння абстракцій. Архітектура Inkling – зокрема її контрольовані обчислювальні зусилля та здатність органічно стискати ланцюжок думок під час RL – відчувається як перша відчутна реалізація тези Рафаїлова.
У травні 2026 року лабораторія продемонструвала свою технічну майстерність попереднім попереднім переглядом TML-Interaction-Small – системою, яка усунула “поворотний” чат, обробляючи вхідні та вихідні дані одночасно з кроками по 200 мс. Цей “повнодуплексний” прорив довів, що компанія може створювати високоефективні, нативно мультимодальні моделі з нуля.
Тепер, коли Inkling вийшла у світ, Thinking Machines виконала свої фундаментальні обіцянки. Пропонуючи масивну, нативно мультимодальну модель під справжньою ліцензією відкритого коду, вони не просто надають розробникам новий інструмент – вони намагаються фундаментально переписати економіку та доступність розробки передових ШІ.
Прогноз ІТ-Блогу: Inkling, ймовірно, стане каталізатором для створення нових, складніших корпоративних додатків, де контроль над даними та обчислювальними витратами є критично важливим. Її мультимодальні можливості в поєднанні з дозвільною ліцензією можуть прискорити розробку передових рішень у таких сферах, як робототехніка, охорона здоров’я та аналіз медіа.
За даними порталу: venturebeat.com