Thinking Machines відкриває код першої мультимодальної мовної моделі Inkling: доступність та стійкість до цензури

Inkling: Новий Відкритий Штучний Інтелект для Корпоративного Сектору

Підприємства, які прагнуть перенести більше своїх завдань, керованих штучним інтелектом, на моделі з відкритими ваговими коефіцієнтами, що їх можна налаштовувати, контролювати та запускати локально або у приватних хмарах, отримують потужного нового конкурента.

Компанія Thinking Machines, американський стартап зі значним капіталом, заснований колишнім технічним директором OpenAI Мірою Мураті, представила Inkling — свою першу масштабну мовну модель з ліцензією Apache 2.0, зручною для бізнесу. Модель демонструє високі, хоч і не передові, показники ефективності серед моделей з відкритими ваговими коефіцієнтами за незалежними бенчмарками. Особливо виділяються результати у сферах програмної інженерії (77.6% на SWE-bench Verified, що випереджає показник 71.9% від американського конкурента Nvidia Nemotron 3) та розуміння мови (91.4% на VoiceBench, порівняно з 94.4% у Gemini 3.1 Pro за умов високого навантаження на обчислення).

Ще одна ключова особливість: Thinking Machines зазначає, що Inkling було розроблено “для надання прямих відповідей на теми, які можуть підлягати цензурі”. Це робить модель надійнішим вибором для підприємств, стурбованих точністю фактичних вихідних даних, незалежно від суперечливості чи чутливості теми.

Inkling, що налічує 975 мільярдів параметрів, є нативно мультимодальною системою з відкритими ваговими коефіцієнтами, побудованою на архітектурі Mixture-of-Experts (MoE). Вона здатна обробляти та аналізувати інформацію з текстів, зображень та аудіо. Вагові коефіцієнти вже доступні на платформі Hugging Face, а також через власний програмний інтерфейс (API) компанії для навчання моделей — Tinker.

Модель розроблена для збалансування вартості та продуктивності завдяки інноваційному механізму “керованої обчислювальної зусилля”. Це суттєво відрізняється від стратегій масштабування “чорної скриньки”, що використовуються провідними конкурентами.

Окрім флагманської моделі, Thinking Machines також анонсувала попередню версію Inkling-Small — легшу модель з 276 мільярдами параметрів, оптимізовану для завдань, де пріоритет надається низькій затримці та економії коштів.

Бенчмарки Демонструють Потужну, Висококласну, Але Не Абсолютно Передову Модель

Inkling є вражаючим мультимодальним інструментом, але він з’являється на тлі надзвичайно конкурентного ландшафту відкритих моделей 2026 року, який характеризується високоспеціалізованими архітектурами MoE. Замість того, щоб домінувати в усіх рейтингах, Thinking Machines свідомо розробили Inkling (975 мільярдів загальних та 41 мільярд активних параметрів) як універсальну, збалансовану модель.

Наприклад, вона посідає місце в середині вищого ешелону за ефективністю на рейтингу Design Arena’s Agentic Web Dev, який вимірює оцінки користувачів фронтенд-дизайну вебсайтів, досягнувши 1257 балів.

Проте, провідні китайські лабораторії штучного інтелекту розробили моделі з елітними можливостями аналізу та програмування, що створює серйозну конкуренцію універсальному підходу Inkling і зрештою перевершує її за загальними показниками та можливостями кодування.

• GLM 5.2: Вважається провідною моделлю з відкритими ваговими коефіцієнтами для аналізу даних у вибірці бенчмарків. GLM 5.2 перевершує Inkling у чистому кодуванні, агентних завданнях та складних аналітичних процесах. Вона демонструє 62.1% на SWEBench Pro (Public) порівняно з 54.3% у Inkling, та вражаючі 82.7% на Terminal Bench 2.1 проти 63.8% у Inkling. GLM 5.2 також має перевагу в аналізі виключно текстової інформації, показуючи 40.1% на HLE (тільки текст) порівняно з 30.0% у Inkling.

• DeepSeek V4 Pro: DeepSeek зберігає перевагу в низці специфічних доменів кодування та перевірки фактів, випереджаючи Inkling на SWEBench Verified (80.6% проти 77.6%) та SimpleQA Verified (57.0% проти 43.9%). Однак Inkling успішно випереджає DeepSeek V4 Pro у розв’язанні математичних задач, досягнувши 97.1% на AIME 2026 проти 96.7% у DeepSeek.

• Kimi K2.6: Ця модель випереджає Inkling за численними технічними показниками, 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 дотриманні загальних інструкцій чату, набираючи 79.8% на IFBench порівняно з 76.0% у Kimi K2.6.

У порівнянні з основними американськими конкурентами з відкритими ваговими коефіцієнтами, Inkling демонструє сильну рівність та часто перевершує їх.

• Nemotron 3 Ultra: Inkling послідовно перевершує цього американського конкурента у сферах аналізу та кодування. Inkling показує 97.1% на AIME 2026 та 77.6% на SWEBench Verified, випереджаючи Nemotron з його 94.2% та 70.7% відповідно. Крім того, Inkling значно випереджає Nemotron у агентних робочих процесах, демонструючи 74.1% на MCP Atlas проти 44.7%.

У порівнянні з пропрієтарними гігантами, такими як Claude Fable 5, GPT 5.6 Sol та Gemini 3.1 Pro, Inkling поступається за піковими показниками аналізу та автономності програмної інженерії, але залишається висококонкурентною у сфері мультимодальності.

• Кодування та Аналіз: Закриті моделі зберігають значну перевагу. Claude Fable 5 (max) досягає 95.0% на SWEBench Verified та 53.3% на HLE (тільки текст), значно випереджаючи Inkling з її 77.6% та 30.0%. GPT 5.6 Sol домінує на Terminal Bench 2.1 з показником 89.5, легко обходячи 63.8% Inkling.

• Нативна Мультимодальність: Вбудовані візуальні та аудіоможливості Inkling виглядають гідно. На бенчмарку візуального сприйняття MMMU Pro (Standard 10) показник Inkling у 73.3% є конкурентним, хоча й поступається 84.2% Claude Fable 5 та 83.0% GPT 5.6 Sol. В обробці аудіо Inkling демонструє високі 77.2% на MMAU, що тримає її в межах досяжності від 82.5% Gemini 3.1 Pro.

Якщо корпоративні робочі процеси вимагають елітної автономності програмної інженерії або найвищих рівнів аналізу виключно текстової інформації, моделі на кшталт GLM 5.2 або пропрієтарні системи, як Claude Fable 5, зберігають свою перевагу.

Однак Inkling займає унікальну та міцну позицію: це найпотужніша базова модель з відкритими ваговими коефіцієнтами, яка нативно інтегрує текст, візуальні дані та аудіо, одночасно надаючи розробникам прямий програмний контроль над співвідношенням витрат та продуктивності.

Перехід від Статичного Аналізу до Керованої Обробки Думок

Замість спроби створити єдину “божественну модель”, оптимізовану виключно для домінування на бенчмарках, Thinking Machines розробили Inkling для адаптивності та ефективності у реальних робочих процесах.

Видітною особливістю цього релізу є “керована обчислювальна зусилля” Inkling. Розробники можуть програмно регулювати обчислювальний бюджет моделі — від 0.2 до 0.99 — щоб визначати, наскільки інтенсивно штучний інтелект має “думати” перед генерацією вихідних даних.

Як зазначила компанія, “безперервна обчислювальна зусилля Inkling дозволяє обрати точку на кривій витрат/продуктивності — досягаючи однакового результату з часткою токенів”.

Практично це означає, що підприємства можуть використовувати Inkling з меншими витратами токенів для простіших завдань, і збільшувати обчислювальні ресурси для складних, багатоетапних процесів мислення. Проте, зберігаючи низький рівень обчислювальної зусиллі та генеруючи менше токенів, компанії, орієнтовані на вартість, можуть досягти високої якості результатів та продуктивності для простих завдань, витрачаючи менше коштів, або, у випадку тих, хто запускає моделі локально, менше ресурсів на енергію та обчислення.

Під час масштабного навчання моделі з підкріпленням (RL) на основі 30 мільйонів повторень було виявлено емерджентне явище, яке дослідники назвали “конденсацією ланцюга думок”. З часом Inkling природно навчився стискати внутрішні кроки аналізу — відкидаючи граматичні надмірності та сполучники — одночасно досягаючи тих самих точних висновків, що призвело до значного скорочення затримки.

Епістеміка та Стійкість до Цензури

Помітним елементом релізу від Thinking Machines є чітка зосередженість на епістемічних якостях моделі, зокрема на її калібруванні, дотриманні інструкцій та стійкості до цензури.

В екосистемі, де відкриті моделі використовують або надмірно жорсткі засоби безпеки, або відтворюють ідеологічні наративи, що відповідають державі, Inkling був навмисно тренований для надання прямих відповідей на політично чутливі або сильно цензуровані теми.

Для підтвердження цього підходу Thinking Machines подали Inkling до системи *Propaganda and Censorship Eval*, розробленої стартапом Cognition. Згідно з опублікованими результатами, Inkling продемонстрував “сильні патерни невідповідності цензурі”, ефективно протистоячи ідеологічному впливу або стандартним відмовам під час представлення чутливих тем.

Попри 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 набрав 98.6%, що відповідає суворим стандартам безпеки передових моделей. Крім того, на бенчмарку FORTRESS Inkling успішно збалансував безпеку та надмірні відмови: він показав 78.0% відмов на ворожі запити (що стосуються зброї, кібератак або насильства), одночасно зберігаючи 95.9% відповідності на нешкідливі, схожі за виглядом запити.

Thinking Machines зазначили, що типові вразливості відкритих моделей залишаються в архітектурі. Внутрішні оцінки безпеки виявили “періодичну схильність до виконання рольових ігор та непрямо сформульованих запитів щодо шкідливих тем”. Компанія рекомендує розробникам розглядати вбудовані відмови моделі лише як один рівень безпеки, радячи розгортати зовнішні інструменти модерації, такі як Llama Guard, для фільтрації ворожих атак та забезпечення політик безпеки, специфічних для конкретного використання, на рівні застосунку.

Під Капотом: Архітектура та Мультимодальність

Масштаб Inkling вражає, але є розрідженим. Архітектура MoE має 975 мільярдів загальних параметрів, але лише 41 мільярд параметрів є активними під час генерації будь-якого токена. Вона підтримує величезне контекстне вікно на 1 мільйон токенів і відрізняється від типових трансформерних моделей використанням відносних позиційних вбудовувань замість галузевого стандарту Rotary Positional Embedding (RoPE).

Відповідно до фундаментального бачення компанії, Inkling був навчений з нуля як нативно мультимодальний. На відміну від моделей, що покладаються на зовнішні кодувальники, Inkling використовує раннє злиття без кодувальника. Він безпосередньо приймає аудіо як дискретні dMel спектрограми та візуальні дані як патчі розміром 40×40 пікселів через ієрархічний багатошаровий перцептрон (hMLP), проектуючи всі модальності в спільний прихований простір.

Ліцензування: Справжня Відкритість для Корпоративного Сектору

Для корпоративних ІТ-команд та розробників, найвпливовішим аспектом Inkling може бути його ліцензування. Inkling випускається під дозволяючою ліцензією Apache 2.0.

В екосистемі, де багато так званих “відкритих” моделей від західних лабораторій прив’язані до подвійних комерційних ліцензій, обмежень на прийнятне використання або лімітів доходу, позначка Apache 2.0 робить Inkling справжньою відкритою базовою моделлю. Це надає розробникам юридичну свободу завантажувати, модифікувати, інтегрувати та комерціалізувати вагові коефіцієнти моделі повністю без роялті.

Модель легко розгортається на основних бібліотеках для виведення з відкритим кодом, включаючи SGLang, vLLM, TokenSpeed та llama.cpp, і поставляється з нативним квантованим чекпоїнтом NVFP4, оптимізованим для систем NVIDIA Blackwell.

Реакція Спільноти: Інженерне Досягнення

Спільнота штучного інтелекту швидко відреагувала, високо оцінивши як відкритість моделі, так і базове інженерне виконання.

У дописі на X співзасновник Thinking Machines Джон Шульман розповів про швидкий цикл розробки: “Inkling доступний сьогодні, з відкритими ваговими коефіцієнтами та в Tinker. Було цікаво спостерігати за створенням цієї моделі: попереднє навчання почалося минулої зими, а з середини січня невелика команда працювала над кодуванням, аналізом та тренуванням агентних систем. Ми багато чого навчилися під час її створення, і я сподіваюся, що люди знайдуть їй гарне застосування”.

Хорас Хе, дослідник у Thinking Machines (раніше з PyTorch), підкреслив складність завдання в іншому дописі на X: “Для випуску моделі, особливо з відкритими ваговими коефіцієнтами, справді потрібна ціла спільнота. Фактичне виконання всього процесу з нуля, від даних до попереднього навчання, післятренування та фактичного випуску, дозволяє глибоко оцінити працю кожного, хто це робить!”

Ширша екосистема відкритого коду також позитивно сприйняла технічні інтеграції. Лісандр Дебют, директор з відкритого коду в Hugging Face, поділився своїм ентузіазмом щодо оптимізації моделі у своєму дописі на X: “Одне, що мене вражає, це те, наскільки легше стало прискорювати моделі… Ми замінили причинно-наслідкові Conv1D моделі на ядро `causal-conv1d`. Одна змінена строка, +4% токенів за секунду. Потім ми замінили її реалізацію уваги на FlashAttention-4. Ще одна одиночна зміна, ще +11%. Це загальне покращення пропускної здатності приблизно на 15%, без зміни архітектури моделі чи перенавчання чогось”.

Тізхен Ванг, експерт з розвитку екосистем та колишній співробітник Google, відзначив реліз як величезну перемогу для спільноти відкритого коду, перерахувавши вражаючі специфікації моделі на X, наголосивши на її “975B загальних, 41B активних” параметрах, “нативній підтримці MTP” та дуже бажаній “ліцензії Apache 2.0”.

Передісторія: Шлях до Inkling

Щоб зрозуміти важливість Inkling, потрібно поглянути на швидку траєкторію Thinking Machines за останні 18 місяців.

Коли Міра Мураті залишила 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 будувати гнучкі, мультимодальні системи, призначені для справжньої співпраці людини та штучного інтелекту та відкритої науки.

До липня 2025 року стартап залучив історичний раунд фінансування на суму 2 мільярди доларів від Andreessen Horowitz за оцінкою в 12 мільярдів доларів. Тоді Мураті обіцяла майбутній випуск продукту зі “значним компонентом відкритого коду”, щоб розширити можливості дослідників та стартапів.

Філософія компанії почала чіткіше формуватися в жовтні 2025 року з запуском Tinker — API на основі Python для доналаштування великих мовних моделей, що надавало дослідникам детальний контроль над процесами навчання без складнощів керування розподіленими обчисленнями.

Того ж місяця дослідник Thinking Machines Рафаель Рафаїлов виступив із провокаційною критикою індустрії ШІ на TED AI. Він стверджував, що поточна тенденція простого використання більшої кількості обчислювальних ресурсів для моделей є фундаментально хибною, зазначивши, що сучасні системи йдуть на хитрощі, як-от загортання коду в блоки try/except, тому що вони треновані виключно на завершення завдання, а не на справжнє навчання.

Рафаїлов висунув гіпотезу, що перший штучний надрозум буде не “божественною моделлю”, а “надлюдським учнем”, здатним до метанавчання та інтерналізації абстракцій. Архітектура Inkling, зокрема її керована обчислювальна зусилля та здатність органічно стискати ланцюг думок під час RL, виглядає як перша відчутна реалізація тези Рафаїлова.

У травні 2026 року лабораторія продемонструвала свої технічні можливості з попереднім переглядом TML-Interaction-Small — системи, яка усунула “поворотний” чат, обробляючи вхідні та вихідні дані одночасно блоками по 200 мс. Цей “повнодуплексний” прорив довів, що компанія може створювати високочутливі, нативно мультимодальні моделі з нуля.

Тепер, коли Inkling вийшов у світ, Thinking Machines виконали свої фундаментальні обіцянки. Пропонуючи величезну, 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.

Порада від INFBusiness:

Випуск моделі Inkling від Thinking Machines є значною подією для корпоративного сектору, який шукає потужні, гнучкі та контрольовані рішення у сфері штучного інтелекту. Можливість розгортання локально, нативна мультимодальність та, що найважливіше, ліцензія Apache 2.0 роблять Inkling привабливим вибором для компаній, які прагнуть зберегти повний контроль над своїми даними та моделями ШІ, одночасно отримуючи доступ до передових можливостей. Особливо корисним є механізм “керованої обчислювальної зусилля”, який дозволяє оптимізувати витрати на обчислення відповідно до складності завдань, що є ключовим фактором для ефективного використання ресурсів у бізнесі.

Джерело новини: venturebeat.com