La startup di AI Thinking Machines annuncia il nuovo modello di frontiera Inkling, mettendo a disposizione di tutti i 975 mld di parametri che ne regolano il funzionamento

Cos’è successo

Thinking Machines Lab, la startup fondata dall'ex CTO di OpenAI Mira Murati, ha pubblicato Inkling, il primo foundation model sviluppato internamente. Il modello è open weight, quindi con pesi che si possono scaricare e modificare (con licenza Apache 2.0, quindi il codice completo e il dettaglio dei dati di addestramento non sono pubblici). Pre-addestrato su 45.000 miliardi di token, e un milione di token come finestra di contesto, Inkling accetta nativamente come input testo, immagini e audio, pur mantenendo output solo testuali.

Dei 975 miliardi di parametri complessivi, l’architettura Mixture-of-Experts (piuttosto standard nell’industria) ne seleziona attivamente circa 41 per ciascun token, così ogni da abilitare soltanto una frazione della capacità totale per ogni risposta. Thinking Machines riconosce apertamente che altri sistemi (soprattutto chiusi, quindi principalmente quelli di Anthropic e OpenAI) la superano in diversi test, ma l’obiettivo di Inkling è di fungere come base generalista da specializzare.

Perché conta

I 2 miliardi di dollari raccolti a una valutazione da 12 miliardi precedevano qualunque modello del lab, basandosi interamente sul peso del “vast” — Inkling è il primo risultato con cui misurare quella promessa. Anche aprirne i pesi, al netto del posizionamento ideologico, serve anche a portare aziende e sviluppatori proprio verso Tinker, il servizio di fine-tuning del lab che gestisce l'infrastruttura necessaria a specializzare il modello con le conoscenze specifiche del cliente.

• Il fondo d’investimento Bridgewater ha già messo alla prova questa impostazione usando Tinker per specializzare sulla finanza Qwen3-235B, un modello aperto di Alibaba; e, secondo una valutazione condotta insieme a Thinking Machines, in alcuni compiti la versione specializzata ha superato GPT-5 e Claude a circa un quattordicesimo del costo;
• La provenienza della base rende l'esperimento interessante perché dimostra come Tinker possa generare ricavi sul modello di un altro lab, ma la promessa con Inkling è quella di rendere l’integrazione (e quindi l’efficientamento) ancora maggiore;
• Nel mercato open-weight statunitense — svuotato in parte dalla ritirata di Meta sulla famiglia Llama — la società indipendente di benchmark Artificial Analysis colloca Inkling davanti agli altri modelli americani, benché diversi rivali cinesi siano ancora superiori in alcuni test. E c'è parecchia Cina dentro Inkling stesso: l'architettura riprende in larga misura DeepSeek-V3, mentre la fase iniziale di post-training pare abbia utilizzato dati sintetici generati anche da Kimi K2.5.

Adesso

• La necessità di 2 terabyte di memoria GPU per la versione originale e circa 600 gigabyte per quella compressa tengono Inkling fuori dalla portata di quasi tutti gli operatori senza un'infrastruttura dedicata — la maggioranza delle aziende passerà dunque da Tinker o dai provider che già lo offrono via API. Per convincerle a pagare, quindi, la personalizzazione dovrà risultare più semplice e conveniente del trasferimento dei pesi su un'altra infrastruttura;
• Gli interaction model presentati a maggio dividono il lavoro tra un sistema che resta in conversazione con l'utente — seguendo in tempo reale ciò che vede e ascolta — e un modello di fondo, al quale vengono affidati il ragionamento più lungo e l'uso degli strumenti; ora, per questo secondo ruolo, c’è anche Inkling;
• Un'azienda, quindi, potrà usare Tinker per specializzare il modello sui propri dati e processi: ciò vuol dire che, mentre l'interfaccia continua a seguire la conversazione, Inkling lavora dietro le quinte con il contesto del cliente. Il progetto, inizialmente mostrato a maggio, ha ora il proprio foundation model, aperto nei pesi ma costruito per essere personalizzato sulla piattaforma del laboratorio.