Лаборатория Thinking Machines Миры Мурати официально вступила в игру с Inkling — моделью с открытыми весами, созданной, чтобы бросить вызов доминированию централизованных ИИ-гигантов, работающих по принципу «один размер подходит всем». Делая ставку на настраиваемость вместо чистой универсальной мощности, стартап утверждает, что будущее корпоративного ИИ заключается в специализированном, локально оптимизированном интеллекте.

Архитектура Inkling: эффективность благодаря MoE

Inkling представляет собой систему Mixture-of-Experts с внушительным общим числом параметров — 975 миллиардов. При этом для выполнения любой конкретной задачи активируется лишь около 41 миллиарда параметров, что снижает задержку и стоимость, сохраняя при этом высокий уровень рассуждений. Модель обучалась на 45 триллионах токенов текста, изображений, аудио и видео, что обеспечило ей нативную мультимодальность. Компания утверждает, что Inkling не уступает Nemotron 3 Ultra от Nvidia в бенчмарках по программированию, используя при этом лишь треть объема токенов, что является явным признаком эффективности обучения.

Стратегический поворот в сторону корпоративной кастомизации

В отличие от флагманских продуктов OpenAI, Anthropic или Google, которые функционируют в основном как универсальные чат-боты, Inkling позиционируется как фундамент для организаций. Thinking Machines представляет модель как отправную точку, призывая предприятия дообучать её на собственных данных с помощью платформы Tinker.

Этот шаг позволяет избежать индустриальной ловушки «двойной оплаты». Генеральный директор Microsoft Сатья Наделла предупреждал, что компании платят дважды: сначала за подписку, а затем — передавая уникальную бизнес-логику модели, которая в конечном итоге обогащает обучающий набор данных провайдера. Предлагая модель с открытыми весами, Thinking Machines позволяет фирмам сохранять этот интеллект внутри компании.

Высокие ставки в инфраструктуре и стремительная разработка

Thinking Machines стремительно вышла на рынок. OpenAI потребовалось около пяти лет, а Anthropic — около трех; Thinking Machines заявляет, что достигла сопоставимого рубежа всего за девять месяцев.

Чтобы обеспечить такую скорость, компания сделала ставку на аппаратное обеспечение. После партнерства с Nvidia в марте обучение Inkling проходило полностью на системах Nvidia GB300 NVL72. Компания использовала методы дистилляции — задействуя модели с открытыми весами, такие как Kimi K2.5 от Moonshot AI, для ранних этапов пост-обучения, — но обещает, что в будущем все процессы пост-обучения будут проводиться исключительно внутри компании.

Основные выводы

  • Преимущество открытых весов: Разработчики могут скачивать и модифицировать MoE-модель с 975 млрд параметров, не отдавая контроль закрытым экосистемам.
  • Приоритет эффективности: Активация всего 41 млрд параметров на задачу и сокращение использования токенов позволяют модели обеспечивать рассуждения высшего уровня при значительно меньших операционных затратах.
  • Ставка на кастомизацию: Thinking Machines отходит от концепции универсальных чат-ботов в пользу Tinker — платформы, которая превращает базовые модели в специализированные активы для каждой организации.