Thinking Machines Lab, la startup fondata dall’ex CTO di OpenAI Mira Murati, ha rilasciato il suo primo modello, Inkling. A differenza dei modelli di punta di OpenAI, Anthropic o Google, Inkling è open-weight: sviluppatori e aziende possono scaricarlo e modificarlo direttamente. È il primo risultato pubblico dopo circa un anno e mezzo di lavoro sull’infrastruttura, e mette alla prova la scommessa centrale dell’azienda: l’AI che le organizzazioni possono adattare a sé batterà i modelli \”taglia unica\” che oggi vendono i grandi laboratori.
Architettura e caratteristiche
Inkling è un sistema mixture-of-experts con 975 miliardi di parametri totali, ma ne attiva solo una frazione (circa 41 miliardi) per ogni task, un design che mantiene i modelli molto grandi più veloci ed economici. È stato addestrato su 45 trilioni di token di testo, immagini, audio e video, e ragiona nativamente su queste modalità. È progettato per dare risposte calibrate, segnalando l’incertezza invece di tirare a indovinare, e permette di regolare il \”thinking effort\” per scambiare qualità con velocità. Su un benchmark, l’azienda dichiara che Inkling usa un terzo dei token di Nemotron 3 Ultra di Nvidia per raggiungere le stesse prestazioni di coding.
Thinking Machines è esplicita: Inkling \”non è il modello più forte disponibile oggi, chiuso o aperto\”. L’obiettivo dichiarato è una prestazione ben bilanciata, più un punto di partenza da personalizzare via Tinker, la piattaforma di fine-tuning dell’azienda, che un prodotto finito. Questo sposta però sui clienti la responsabilità di rendere sicure le proprie personalizzazioni, e il fine-tuning richiede competenze ML serie.
Perché conta per le aziende
La tesi è che l’AI addestrata centralmente e poi \”congelata\” renda meno di quella che le organizzazioni modellano da sé. Un argomento che sta guadagnando terreno: Satya Nadella ha avvertito che le imprese su modelli proprietari pagano due volte (abbonamento e conoscenza di business assorbita nelle versioni future), e Clem Delangue di Hugging Face prevede che i frontier model resteranno per sperimentazione e task ad alto valore mentre gran parte del lavoro in produzione passerà ad alternative private o open-source. Un progetto con Bridgewater ha addestrato un modello open-source sull’expertise finanziaria del fondo ottenendo 84,7% sui test di ragionamento finanziario, battendo modelli proprietari a circa un quattordicesimo del costo di esecuzione (valutazione condotta dalle due aziende, non indipendente).
Sul fronte del training, Inkling è stato addestrato interamente su sistemi Nvidia GB300 NVL72. L’azienda ammette di aver usato altri modelli open-weight, incluso Kimi K2.5 di Moonshot AI, per generare parte dei dati iniziali di post-training prima del reinforcement learning su larga scala; il prossimo modello, promette, userà un post-training del tutto autonomo.
- Inkling è open-weight: chi scarica i pesi non è obbligato a pagare Thinking Machines per eseguirlo, quindi il ricavo deve venire da Tinker (training, fine-tuning, hosting).
- Il design MoE (975B totali, 41B attivi) punta a efficienza e costi contenuti più che al primato assoluto sui benchmark.
- La strategia è un test diretto della tesi \”personalizzare batte la taglia unica\”, oggi sempre più discussa nel settore.
Fonte: Thinking Machines amps up its bet against one-size-fits-all AI with its first open model, Inkling — https://techcrunch.com/2026/07/15/thinking-machines-amps-up-its-bet-against-one-size-fits-all-ai-with-its-first-open-model-inkling/
Hai qualcosa da aggiungere? Unisciti alla discussione.