Thinking Machines Inkling: Pierwszy Model Open-Weights Miry Murati

Thinking Machines Lab, startup założony przez byłą CTO OpenAI Mirę Murati, opublikował swój pierwszy własny model: Inkling — system open-weights, multimodalny Mixture-of-Experts. Zaskoczenie nie leży w rozmiarze — lecz w strategii. Inkling nie powstał po to, by wygrywać benchmarki; powstał po to, by był pobierany, dostrajany i przekształcany przez organizacje, które go używają. Ten przewodnik omawia specyfikacje Inkling, benchmarki, koncepcję „regulowanego wysiłku myślenia" oraz to, co oznacza baza open-weights dla tych, którzy budują agenty AI.

Czym jest Inkling?

Inkling to pierwszy publiczny model Thinking Machines Lab, wydany 15 lipca 2026 roku — pierwszy realny dowód możliwości laboratorium po około 18 miesiącach głównie prywatnych prac nad infrastrukturą (TechCrunch).

Kluczowe fakty z własnego wpisu o wydaniu laboratorium:

• 975B parametrów łącznie, 41B aktywnych — transformer Mixture-of-Experts (MoE), który aktywuje tylko ułamek swoich wag na token, co sprawia, że bardzo duży model działa szybciej i taniej.
• Okno kontekstowe 1M tokenów.
• Wstępnie wytrenowany na 45 bilionach tokenów tekstu, obrazów, dźwięku i wideo, rozumując natywnie we wszystkich czterech modalnościach. Na razie wyjścia są tekstowe: kod, dane strukturalne i stylizowane artefakty.
• Open-weights — pełne wagi dostępne na Hugging Face, zarówno jako oryginalny checkpoint, jak i checkpoint NVFP4 do wydajnego wnioskowania na NVIDIA Blackwell.
• Podgląd Inkling-Small — 276B MoE (12B aktywnych), dostrojony pod kątem niższych kosztów i opóźnień.

Najbardziej uderzające zdanie pochodzi od samego laboratorium: Inkling „nie jest dziś ogólnie najsilniejszym dostępnym modelem, ani otwartym, ani zamkniętym". To cała strategia, nie zabezpieczenie.

Zakład: dostosuj go samodzielnie

Większość czołowych laboratoriów — OpenAI, Anthropic, Google — najpierw wypuszcza ogólny chatbot, a następnie nakłada na niego funkcje agentyczne. Inkling odwraca ten schemat. Thinking Machines promuje go mniej jako gotowy produkt, a bardziej jako bazę do dostosowania: szeroki, zrównoważony model fundamentowy, który organizacje adaptują do własnych przepływów pracy za pomocą Tinker — platformy fine-tuningu laboratorium.

Argument, przedstawiony w firmowym wpisie poprzedzającym premierę, głosi, że model wytrenowany centralnie i następnie zamrożony wypada gorzej niż taki, który każda organizacja może ukształtować wokół własnej wiedzy specjalistycznej. Ten pogląd zyskuje zewnętrzne poparcie: Satya Nadella z Microsoftu niedawno ostrzegał, że firmy polegające na zamkniętych modelach faktycznie „płacą dwa razy" — raz w opłatach subskrypcyjnych, i ponownie, zasilając własnościową wiedzę w przyszłe wersje cudzych modeli (TechCrunch).

Najbardziej przekonującym dowodem, jaki oferuje Thinking Machines, jest projekt z funduszem hedgingowym Bridgewater Associates: badacze dostroili otwarty model na wiedzy finansowej Bridgewater, a model podobno uzyskał 84,7% w testach rozumowania finansowego, kosztując mniej więcej czternaście razy mniej w eksploatacji niż czołowe modele własnościowe. Warto zaznaczyć — te liczby pochodzą z własnej oceny obu firm, a nie niezależnej.

Kompromisem jest przejęcie odpowiedzialności za ryzyko. Ponieważ klienci sami dostrajają Inkling, to oni — nie Thinking Machines — są odpowiedzialni za bezpieczeństwo swoich dostosowań. A fine-tuning na tym poziomie wymaga prawdziwych umiejętności z zakresu uczenia maszynowego.

Regulowany wysiłek myślenia

Najbardziej istotną dla agentów funkcją jest regulowany wysiłek myślenia (controllable thinking effort). Inkling pozwala regulować rozumowanie w górę lub w dół — wymieniając dokładność na szybkość i koszt — a ustawienie można zmieniać z poziomu środowiska kodowania lub harnessu agenta. W Hugging Face transformers jest ono dostępne jako argument reasoning_effort z nazwanymi poziomami.

Dlaczego to ważne: koszt i opóźnienie są zazwyczaj wiążącymi ograniczeniami w agentach produkcyjnych, a nie szczytowe wyniki benchmarków. Wydanie Inkling obejmuje zakres ustawień wysiłku od 0,2 do 0,99 i pokazuje, że model osiąga dany wynik przy mniejszej liczbie tokenów niż konkurenci przy swoich domyślnych ustawieniach. Przykład tytułowy: na Terminal Bench 2.1, Inkling dorównuje NVIDIA Nemotron 3 Ultra używając mniej więcej jednej trzeciej tokenów.

Co ciekawe, ta wydajność częściowo wyłoniła się podczas uczenia przez wzmacnianie. W trakcie ponad 30M+ rolloutów RL łańcuch myślenia Inkling stał się bardziej zwięzły samoistnie — pomijając rodzajniki i spójniki, pozostając zrozumiałym i dochodząc do tej samej odpowiedzi. Sama wydajność napędzała kompresję; nie był to bezpośredni cel treningowy.

Benchmarki Inkling

Inkling jest pozycjonowany jako konkurencyjny model open-weights, a nie bezwzględny lider. Kilka reprezentatywnych wyników z wydania (przy wysiłku 0,99):

• SWEBench Verified: 77,6% — przed Nemotron 3 Ultra (70,7%), mniej więcej na poziomie Kimi K2.6 (80,2%) i GLM 5.2 (80,0%), za zamkniętymi modelami jak Claude Fable 5 (95,0%).
• Terminal Bench 2.1 (najlepszy harness): 63,8% — środek stawki wśród open-weights; ustępuje tu GLM 5.2 (82,7%).
• GPQA Diamond: 87,2%; AIME 2026: 97,1% — silne rozumowanie.
• FORTRESS (bezpieczeństwo adversarialne): 78,0% — najwyższe wbudowane zabezpieczenia spośród wszystkich modeli open-weights porównywanych przez laboratorium, bez nadmiernego odmawiania odpowiedzi na łagodne zapytania wyglądające podobnie do niebezpiecznych.
• Multimodalne: 73,5% na MMMU Pro (wizja), 91,4% na VoiceBench (audio) — wśród mocniejszych wyników open-weights omni.

Wzorzec jest celowy: szeroki i zrównoważony w zakresie tekstu, zadań agentycznych, multimodalności i bezpieczeństwa, zamiast skokowego wyniku na jednym rankingu. Niezależna weryfikacja będzie tu istotna — kilka wyników opiera się na własnych lub samodzielnie raportowanych harnesach laboratorium.

Jak został zbudowany (i kwestia destylacji)

Kilka uwag architektonicznych dla technicznie zainteresowanych. Projekt MoE w dużej mierze podąża za DeepSeek-V3 (256 routowanych ekspertów, 2 współdzielonych, 6 aktywnych na token). Uwaga (attention) przeplatuje warstwy sliding-window i globalne w stosunku 5:1, a — co warte uwagi — Thinking Machines używa względnych osadzeń pozycyjnych zamiast RoPE, raportując lepszą ekstrapolację długości. Trening wykorzystał hybrydowy optymalizator Muon/Adam na systemach NVIDIA GB300 NVL72.

Jedno uczciwe zastrzeżenie, które firma sama zgłasza: aby uruchomić post-trening, przeprowadzono wstępne nadzorowane dostrajanie na syntetycznych danych wygenerowanych przez inne otwarte modele, w tym Kimi K2.5 firmy Moonshot AI — praktyka znana jako destylacja. Laboratorium twierdzi, że stanowiło to niewielką część obliczeń i że jego następny model będzie używał w pełni samodzielnego post-treningu.

Twierdzenie o szybkości jest częścią oferty: OpenAI potrzebowało około pięciu lat, by wprowadzić swoją technologię na rynek, a Anthropic mniej więcej trzech; Thinking Machines twierdzi, że zrobiło to w około dziewięć miesięcy.

Dlaczego open-weights ma znaczenie dla agentów AI

Dla zespołów budujących agenty interesująca zmiana nie leży w liczbie parametrów — lecz w modelu wdrożenia. Baza open-weights zmienia ekonomikę: zamiast płacić za każde wywołanie API do zamkniętego dostawcy, możesz uruchomić model na własnej infrastrukturze, dostroić go do swojej domeny i zachować wynikowy model jako prywatny. To ta sama logika „posiadania własnej siły roboczej", która napędza zainteresowanie lokalnymi, otwartymi stosami agentów.

Regulowany wysiłek Inkling i trening z harnesem agentycznym dobrze wpisują się w ten świat. Model, który możesz spowolnić dla trudnych kroków i przyspieszyć dla tanich — wewnątrz własnej pętli agenta — to dokładnie to, czego potrzebują długie, wieloetapowe przepływy pracy. Jeśli rozważasz opcje open-weights, nasze przeglądy DeepSeek V4 Pro, GLM-5.2 i Kimi K2.7 Code omawiają inne modele open-weights klasy frontier, z którymi mierzony jest Inkling.

Zrób to z własną siłą roboczą AI open-source

Cała przesłanka Inkling — że adaptowalne, samodzielnie hostowane AI bije rozwiązania uniwersalne — to ten sam zakład, który stoi za Eigent, open-source'ową aplikacją desktopową „Cowork", która uruchamia lokalnie wieloagentową siłę roboczą AI. Podczas gdy Inkling jest modelem bazowym, który dostrajasz, Eigent to warstwa siły roboczej na wierzchu: zespół agentów automatyzujących prawdziwe, wieloetapowe przepływy pracy na Twoim własnym komputerze, używając modeli, które wybierasz. Jeśli chcesz wykorzystać modele open-weights w praktyce, zamiast tylko czytać o benchmarkach, pobierz Eigent i zacznij budować własne przepływy pracy agentów już dziś.