Mira Murati wypuszcza model Inkling z 975 mld parametrów — lider w USA, ale gubi się z Chinami

Thinking Machines Lab, startup założony przez byłą dyrektor technologiczną OpenAI Mirę Murati, wypuścił właśnie swój pierwszy model AI o nazwie Inkling. Ten multimodalny model o 975 miliardach parametrów stał się najsilniejszym otwartym modelem pochodzącym z amerykańskich laboratoriów, choć wciąż ustępuje najlepszym chińskim odpowiednikom. Szczegółową analizę wydajności opublikowała platforma Artificial Analysis.

Inkling to pierwszy gotowy do produkcji model językowy od Thinking Machines Lab. Wykorzystuje architekturę Mixture-of-Experts Transformer z 975 miliardami parametrów łącznie, z których 41 miliardów jest aktywnych w danym momencie.

Kluczowe wnioski

• Inkling osiąga wynik 41 punktów w Artificial Analysis Intelligence Index, przewyższając inne amerykańskie modele open-source jak Nemotron 3 Ultra (38 punktów) i Gemma 4 31B (29 punktów).
• Model radzi sobie lepiej od konkurentów w zadaniach agentowych, osiągając rating Elo 1238 na benchmarku GDPval-AA v2, wyprzedzając Kimi K2.6 (1190) i DeepSeek v4 Flash max (1189).
• Największą słabością jest niska dokładność faktograficzna – model ma 63-procentowy wskaźnik halucynacji i tylko 40-procentową dokładność.
• Inkling natywnie obsługuje tekst, obrazy i dźwięk, oferując okno kontekstu do miliona tokenów, a jego wagi są dostępne za darmo na Hugging Face.
• Koszt wynosi 1,87 USD za milion tokenów wejściowych i 4,68 USD za milion tokenów wyjściowych, co jest droższe niż podobne chińskie modele.

Wydajność i porównania z konkurencją

Według platformy Artificial Analysis, Inkling zadebiutował z wynikiem 41 punktów w Intelligence Index, co czyni go wiodącym modelem open-weights z amerykańskiego laboratorium. Przewyższa poprzedniego lidera, Nemotron 3 Ultra o trzy punkty oraz znacznie wyprzedza Gemma 4 31B i gpt-oss-120b.

W zadaniach agentowych model prezentuje się szczególnie dobrze. Na benchmarku GDPval-AA v2, który symuluje zadania z zakresu pracy umysłowej, Inkling osiąga rating Elo 1238, pokonując zarówno Kimi K2.6, jak i DeepSeek v4 Flash max. Na benchmarku bankowym Tau-3 model uzyskuje 24 procent, wyprzedzając Kimi K2.6 (21 procent) i nieznacznie DeepSeek v4 Flash max (23 procent).

Problemem pozostaje dokładność faktograficzna. Inkling otrzymuje zaledwie +2 punkty w benchmarku AA Omniscience, co plasuje go poniżej wiodących modeli open-weights, choć wciąż powyżej innych amerykańskich modeli jak Nemotron 3 Ultra (-1 punkt).

Model biznesowy i efektywność tokenowa

Thinking Machines pozycjonuje Inkling jako elastyczny model bazowy do dostosowywania. Jak przyznaje sama firma w ogłoszeniu: „Inkling nie jest dziś najsilniejszym dostępnym modelem”. Firma stawia na kombinację wsparcia multimodalnego, efektywnego przetwarzania i opcji fine-tuningu.

Model został wytrenowany na 45 bilionach tokenów danych publicznych i syntetycznych, obejmujących tekst, obrazy, nagrania dźwiękowe i wideo. Zbiór treningowy zawiera również dane publiczne, które „mogą podlegać ochronie własności intelektualnej”. Do generowania danych syntetycznych użyto między innymi chiński model Kimi K2.5.

Istotną zaletą Inkling jest efektywność tokenowa. Model używa średnio 25 000 tokenów wyjściowych na zadanie w Intelligence Index, podczas gdy GLM-5.2 max używa 43 000, Kimi K2.6 około 38 000, a DeepSeek v4 Pro max około 37 000 tokenów na te same zadania.

Inkling-Small przewyższa większy model

Thinking Machines przedstawia również podgląd modelu Inkling-Small z 276 miliardami parametrów łącznie i 12 miliardami aktywnych parametrów. Zaskakująco, mniejszy model osiąga lepsze wyniki od Inkling na kilku benchmarkach.

Inkling-Small uzyskuje 88,3 procent na GPQA Diamond w porównaniu z 87,2 procent dla Inkling. Na benchmarku HLE z narzędziami osiąga 46,6 procent, nieznacznie wyprzedzając Inkling z wynikiem 46,0 procent. Firma przypisuje te rezultaty zmianom w danych treningowych i procesie uczenia.

Inkling reprezentuje ambitną próbę amerykańskiego startupu w rywalizacji z chińskimi gigantami AI, choć wysokie koszty i problemy z dokładnością mogą ograniczyć jego zastosowania w aplikacjach wymagających precyzyjnych informacji.