Databricks ha annunciato di essere launch partner day zero per Inkling, il primo modello open-weights di Thinking Machines Lab. Il modello è disponibile sulla piattaforma attraverso Unity AI Gateway, e si presenta come ottimizzato per coding, agentic reasoning e input multimodali.
L’annuncio in sé è prevedibile — un altro open-weights model che arriva su un’altra piattaforma — ma il modo in cui viene reso disponibile dice qualcosa di più utile su come si sta assestando l’ecosistema enterprise.
Il punto non è il modello, è il gateway
Inkling è invocabile via REST API attraverso Unity AI Gateway, il layer di governance unificato per sicurezza, cost control e observability. Il supporto alle query in SQL è indicato come in arrivo, non ancora disponibile.
Passare dal gateway significa che il modello eredita le stesse policy applicate a tutti gli altri modelli sulla piattaforma: permessi, audit logging, enforcement delle policy. I dati restano dentro l’ambiente governato. Per chi lavora in contesti regolamentati è la differenza fra “posso provarlo” e “posso metterlo in produzione senza riaprire una discussione con il team di compliance”.
Perché gli open-weights model interessano alle piattaforme dati
Databricks articola quattro argomenti, tutti abbastanza concreti da meritare una verifica sul proprio caso d’uso.
Il primo è il contesto: un modello open-weights può essere sottoposto a fine-tuning su codebase proprietarie, documentazione interna e dati di dominio, con l’obiettivo di ottenere accuratezza più alta sui task specifici. Il secondo è il controllo, ovvero la governance centralizzata già descritta. Il terzo è la scelta: nessun lock-in su un singolo provider, con la possibilità di cambiare, combinare o personalizzare modelli in base al workload. Il quarto è il costo: deployare alla scala e nella configurazione che corrispondono al proprio carico, ottimizzando la spesa di inference senza pricing per token via API.
Quest’ultimo punto è quello su cui vale la pena essere scettici in senso costruttivo: eliminare il costo per token non elimina il costo, lo sposta su compute che qualcuno deve dimensionare e mantenere. Il vantaggio economico dipende dal profilo di utilizzo, non è automatico.
Come provarlo
I percorsi indicati sono tre. AI Playground per aggiustare i parametri ed esportare i prompt direttamente in notebook o SQL. Unity AI Gateway per configurare un endpoint governato con sicurezza, limiti di costo e observability, e per collegare Inkling ad agenti di coding come Cursor, OpenCode o Pi mantenendo il controllo centralizzato su accessi, budget e sicurezza. Agent Bricks per costruire agent basati su Inkling, valutarli con custom judge e deployarli.
In sintesi
- Inkling è disponibile su Databricks via Unity AI Gateway, con REST API; il supporto SQL è annunciato ma non ancora rilasciato.
- Il valore pratico sta nella governance ereditata: permessi, audit logging ed enforcement delle policy identici agli altri modelli della piattaforma.
- Il collegamento a coding agent come Cursor e OpenCode passa dal gateway, quindi con cost control e budget centralizzati.
Fonte: Inkling model from Thinking Machines Lab now on Databricks — https://www.databricks.com/blog/inkling-thinking-machines-lab-now-databricks
Hai qualcosa da aggiungere? Unisciti alla discussione.