Купон на скидку: 2026
Компания Thinking Machines Labs представила модель искусственного интеллекта Inkling — систему на основе смеси экспертов с общим количеством параметров 975 миллиардов. Для выполнения конкретной задачи модель задействует лишь часть из них — около 41 миллиарда параметров. Такая архитектура типична для очень больших моделей и позволяет добиться более высокой скорости и экономичности работы. Обучение проводилось на массиве данных объёмом 45 триллионов токенов, включая текст, изображения, аудио и видео, при этом модель способна проводить рассуждения нативно во всех четырёх модальностях. Однако текущие генеративные возможности Inkling ограничены текстовым выводом, включая код, стилизованные артефакты и структурированные данные. Это первое публичное подтверждение результатов работы Thinking Machines Labs после полутора лет создания ИИ-инфраструктуры, проходившего в основном вне поля общественного внимания.
Inkling позиционируется не как универсальный чемпион, а как сбалансированная и настраиваемая система. В брифинговых материалах компания прямо заявляет, что Inkling — «не самая мощная модель из доступных сегодня, ни среди закрытых, ни среди открытых». Её ключевая особенность — способность давать калиброванные ответы, отмечая неуверенность вместо попыток угадать, а также предоставление пользователям возможности менять уровень «мыслительных усилий» для обмена точности на скорость. По заявлениям компании, в одном из бенчмарков Inkling использует в три раза меньше токенов, чем новейшая модель с открытыми весами Nvidia Nemotron 3 Ultra, чтобы достичь такой же производительности в задачах кодинга. Основной расчёт стартапа состоит в том, что ИИ, который организации могут адаптировать под себя, превзойдёт универсальные модели, продаваемые крупнейшими лабораториями.
Целевая аудитория продукта — корпоративные клиенты, а сама модель преподносится не столько как готовое решение, сколько как отправная точка для тонкой настройки через платформу кастомизации Tinker. Это означает, что ответственность за безопасность создаваемых пользователями адаптаций, включая файн-тюнинг, требующий серьёзных специалистов по машинному обучению, ложится на самих заказчиков. Такой подход кардинально отличается от стратегии OpenAI, Anthropic и Google, которые делали ставку на создание универсальных чат-ботов (ChatGPT, Claude, Gemini), поверх которых затем добавлялись автономные агентные функции. Thinking Machines продвигает тезис: ИИ, централизованно обученный одной компанией и затем зафиксированный, проигрывает моделям, которые организации формируют самостоятельно, поскольку основная экспертиза принадлежит конкретным людям.
Аргумент в пользу владения и кастомизации собственных моделей получает всё большее распространение в индустрии. В воскресном блог-посте CEO Microsoft Сатья Наделла предупредил, что предприятия, использующие проприетарные ИИ-модели, фактически платят дважды: сначала — стоимость подписки, а затем — передавая бизнес-знания, встроенные в тысячи промптов и корректировок, которые впоследствии могут быть поглощены будущими версиями моделей. CEO Hugging Face Клем Деланг в беседе с TechCrunch также предсказал, что фронтир-модели всё чаще будут использоваться для экспериментов и высокоценных задач, тогда как основная производственная работа сместится на приватные или открытые альтернативы. Ярким подтверждением для Thinking Machines стал проект с Bridgewater Associates: исследователи дообучили открытую модель на финансовой экспертизе хедж-фонда, и результат показал 84,7% в тестах на финансовое мышление, превзойдя топовые проприетарные модели и обходясь в четырнадцать раз дешевле в эксплуатации, хотя оценка проводилась самими компаниями.
В Thinking Machines подчёркивают высокую скорость вывода продукта на рынок: если OpenAI потребовалось около пяти лет, а Anthropic — три года, то Thinking Machines утверждает, что справилась за девять месяцев. В отношении обучения Inkling компания сообщает, что предварительное обучение велось с нуля, однако для генерации части ранних пост-тренировочных данных до начала масштабного обучения с подкреплением использовались другие открытые модели, в том числе Kimi K2.5 от Moonshot AI. В следующей модели пост-тренинг обещают сделать полностью самодостаточным. Финансовые детали остаются скудными: у компании заключено стратегическое партнёрство с Nvidia, а обучение велось полностью на системах GB300 NVL72, но баланс расходов и доходов пока публично не раскрывается. Штат Thinking Machines составляет около 200 человек, а внутренняя корпоративная культура делает акцент на преемственность, а не на зависимость от отдельных личностей, даже если история компании прочно ассоциируется с именем её известного сооснователя.