El modelo admite hasta un millón de tokens de contexto y se distribuye bajo licencia Apache 2.0. Su tamaño, sin embargo, limita la ejecución local a organizaciones con infraestructura de GPU considerable.
Thinking Machines Lab publicó Inkling, un modelo multimodal de pesos abiertos capaz de recibir texto, imágenes y audio y generar respuestas de texto. La compañía liberó el modelo el 15 de julio de 2026 bajo licencia Apache 2.0.
Inkling utiliza una arquitectura de mezcla de expertos, conocida como Mixture of Experts o MoE. Aunque contiene 975 mil millones de parámetros en total, activa 41 mil millones para procesar cada token.
Los pesos del modelo están disponibles en Hugging Face, tanto en formato BF16 como en una versión cuantizada NVFP4. Thinking Machines también ofrece acceso mediante su plataforma Tinker y a través de proveedores externos de inferencia. La versión cuantizada NVFP4 representa los pesos con una precisión numérica menor para reducir el consumo de memoria. Según Thinking Machines, esta variante requiere al menos 600 GB de memoria GPU agregada, frente a los 2 TB del checkpoint BF16.
Texto, imágenes y audio en un mismo modelo
Según la ficha técnica publicada por Thinking Machines, Inkling es un transformador autorregresivo de 66 capas. Cada token se dirige a seis de sus 256 expertos especializados, además de pasar por dos expertos compartidos.
El modelo acepta texto, imágenes y archivos de audio WAV, mientras que su salida es exclusivamente textual. Admite una ventana de contexto de hasta un millón de tokens cuando se ejecutan directamente sus pesos. En Tinker, las opciones disponibles al momento del lanzamiento son de 64.000 y 256.000 tokens.
Thinking Machines afirma haber preentrenado el modelo desde cero con 45 billones de tokens procedentes de texto, imágenes, audio y video. La empresa señala que los datos se obtuvieron de fuentes públicas, proveedores externos y contenido generado o ampliado sintéticamente, pero no publica una composición detallada del conjunto de entrenamiento.
Pesos abiertos, pero altas exigencias de hardware
La disponibilidad de los pesos no implica que Inkling pueda ejecutarse con facilidad en equipos convencionales. El repositorio del modelo BF16 ocupa aproximadamente 1,9 TB y, de acuerdo con Thinking Machines, requiere al menos 2 TB de memoria GPU agregada.
La configuración sugerida por la compañía contempla ocho GPU Nvidia B300 o 16 GPU H200. La versión cuantizada NVFP4 reduce el requisito a un mínimo de 600 GB de memoria, que podría cubrirse con cuatro B300 o con ocho H200, dependiendo del formato numérico utilizado.
Estas exigencias sitúan el despliegue directo principalmente en centros de datos, proveedores de infraestructura y organizaciones con recursos especializados. Para usuarios sin ese hardware, las alternativas son consumir el modelo mediante una API o utilizar servicios de terceros.
Resultados competitivos, con diferencias según la tarea
Thinking Machines presenta a Inkling como un modelo generalista y reconoce que no es el sistema de inteligencia artificial con mayor rendimiento global, ni entre los modelos abiertos ni frente a los cerrados.
En las pruebas publicadas por la empresa, Inkling obtiene resultados competitivos en razonamiento, programación con herramientas, seguimiento de instrucciones, análisis visual y procesamiento de audio. No obstante, buena parte de estas mediciones fue ejecutada con infraestructura, configuraciones o arneses internos, por lo que no debe interpretarse como una comparación completamente independiente.
La firma de evaluación Artificial Analysis asignó a Inkling 41 puntos en su índice de inteligencia y lo situó entre los modelos de pesos abiertos de mejor desempeño evaluados al momento del lanzamiento. La misma evaluación registró una velocidad cercana a 72 tokens por segundo mediante la API de Thinking Machines, aunque calificó su precio como elevado frente a modelos abiertos comparables.
Los resultados varían considerablemente entre pruebas. Inkling muestra fortalezas en determinadas tareas de agentes y seguimiento de instrucciones, pero queda por debajo de otros modelos en varios ejercicios de razonamiento, programación, factualidad y visión. Esto refuerza la necesidad de evaluarlo en cada aplicación concreta en lugar de extrapolar su desempeño desde una puntuación agregada.
Esfuerzo de razonamiento configurable
Una de las funciones destacadas por Thinking Machines es la posibilidad de controlar el esfuerzo de razonamiento. El desarrollador puede ajustar cuánto cómputo y cuántos tokens emplea el modelo, buscando un equilibrio entre calidad, latencia y costo.
La empresa sostiene que Inkling puede alcanzar determinados resultados usando menos tokens que algunos modelos abiertos comparables. Esta conclusión se basa en curvas de rendimiento elaboradas por la propia compañía y depende del nivel de esfuerzo, la configuración y el banco de pruebas utilizado.
Thinking Machines también muestra una demostración en la que Inkling prepara y ejecuta mediante Tinker un proceso de ajuste fino destinado a evitar el uso de una letra concreta. El ejemplo ilustra la integración entre el modelo y la plataforma de la empresa, pero corresponde a una demostración controlada y no demuestra que el sistema pueda mejorarse autónomamente para cualquier tarea.
Inkling-Small todavía es una versión preliminar
Junto con el modelo principal, Thinking Machines presentó Inkling-Small, una variante de 276 mil millones de parámetros totales y 12 mil millones activos.
La compañía afirma que esta versión obtiene resultados cercanos o superiores al modelo mayor en algunas pruebas, con menor costo y latencia. Sin embargo, Inkling-Small permanece en etapa de pruebas y sus pesos completos todavía no han sido publicados.
Limitaciones y seguridad
La ficha del modelo advierte que Inkling puede generar información incorrecta, incumplir instrucciones y perder rendimiento durante conversaciones prolongadas. También puede reproducir sesgos presentes en los datos de entrenamiento y funcionar de manera desigual entre idiomas, dialectos y áreas de conocimiento.
Thinking Machines afirma haber realizado evaluaciones internas y pruebas externas de seguridad. La identidad de todos los evaluadores y los detalles completos de esas pruebas no se presentan en el anuncio, por lo que sus conclusiones sobre seguridad deben atribuirse a la empresa.
La propia compañía recomienda añadir filtros, límites de uso, supervisión y mecanismos de monitoreo en las aplicaciones que utilicen Inkling. También desaconseja depender del modelo sin validación especializada y supervisión humana en ámbitos médicos, legales o críticos para la seguridad.
Ilustración: captura del sitio de Thinking Machines
📬 Newsletter gratuito
