Thinking Machines Lab, la compañía fundada por Mira Murati tras su salida de OpenAI, ha lanzado Inkling, su primer modelo open-weights. Es una Mixture-of-Experts con 975 mil millones de parámetros totales y 41 mil millones activos, entrenada en 45 billones de tokens (texto, imágenes, audio, vídeo). Licencia Apache-2.0, disponible en Hugging Face y a través de la API de Tinker, la plataforma de training de la compañía.

No es un modelo frontier: Thinking Machines lo declara abiertamente. Es un base model robusto, pensado para fine-tuning en Tinker. Su tamaño la pone en competencia con los modelos abiertos chinos (GLM 5.2) y los open-weights estadounidenses como NVIDIA Nemotron y Gemma 4. El contexto nativo es 1 millón de tokens, extendido a 64K/256K en Tinker.

Por qué te afecta. Un modelo de estas dimensiones con licencia permisiva es una opción real para quien quiera self-hosting o fine-tuning sin depender de los grandes. La llegada de un nuevo actor con credenciales sólidas (Murati fue CTO de OpenAI) y enfoque declarado en Asia-Pacífico cambia el equilibrio. Sin embargo, la model card y la documentación sobre datos de training son muy escasas: dos párrafos genéricos, ningún detalle sobre las fuentes.

Si quieres probarlo. Inkling está disponible vía API en Tinker (se necesita clave) o descargable desde Hugging Face para self-hosting. La compañía también promete Inkling-Small (276B totales, 12B activos), pero los pesos saldrán solo después de completar los tests.

En detalle

El contexto.

Mira Murati dejó OpenAI en 2024, después de ser CTO durante el período crucial entre GPT-4 y GPT-5. Thinking Machines Lab es su nueva compañía, fundada con enfoque explícito en modelos abiertos y la región Asia-Pacífico. Inkling es el primer lanzamiento: una señal de posicionamiento en el mercado open-weights, donde los modelos chinos (GLM, Qwen, DeepSeek) han dominado la escena en los últimos meses.

Qué dice realmente la documentación.

La model card es breve: arquitectura MoE, 975B parámetros totales, 41B activos en cada inferencia, 45 billones de tokens de training (mezcla de texto, imágenes, audio, vídeo). Licencia Apache-2.0, por lo tanto usable comercialmente sin restricciones. Contexto 1M tokens nativos, extendido a 64K o 256K en Tinker.

La Training Data Documentation es aún más escasa: dos párrafos que solo dicen que los datos provienen de internet pública, repositorios accesibles y terceros. Ninguna lista de datasets, ningún porcentaje por modalidad, ningún detalle sobre filtros o curation. Para un modelo que se posiciona como base para fine-tuning empresarial, es documentación por debajo de los estándares de los labs estadounidenses (OpenAI, Anthropic, Google documentan mucho más).

Los números que faltan.

No hay benchmarks públicos en el comunicado. Thinking Machines dice que Inkling «no es el modelo más fuerte en absoluto», pero no proporciona comparaciones cuantitativas con Nemotron, Gemma 4 o GLM 5.2. Las primeras pruebas independientes de generación de SVG y visión multimodal muestran los límites: el SVG del pelícano en bicicleta es reconocible pero impreciso, y el modelo describió al pelícano como «una cigüeña o una gaviota». Ejemplos interesantes, pero anecdóticos.

Qué significa para quien desarrolla.

Un modelo de 975B parámetros con licencia permisiva es una novedad en el panorama estadounidense: Nemotron Ultra (3.1T) tiene una licencia más restrictiva, Gemma 4 llega a 27B. Inkling se posiciona como alternativa auto-hospedable a los modelos propietarios, con costos de inferencia manejables gracias a la arquitectura MoE (solo 41B activos). Para quien quiera fine-tuning en Tinker, el modelo está diseñado para eso: training eficiente, contexto largo, multimodal.

El enfoque Asia-Pacífico es explícito: Thinking Machines tiene servidores en esa región y apunta a un mercado donde los modelos chinos ya tienen una fuerte presencia. La competencia es directa.

Los límites declarados e implícitos.

Thinking Machines declara que Inkling no es frontier, y que sirve como base para customización. Los límites técnicos no están documentados: ninguna información sobre failure modes, sesgos conocidos o tareas donde el modelo rinde mal. La documentación sobre datos es tan genérica que no permite verificaciones independientes.

Inkling-Small (276B/12B) está prometido pero no lanzado aún: «los pesos saldrán una vez completados los tests». No hay timeline.

Hacia dónde va Thinking Machines.

El lanzamiento de Inkling señala una estrategia clara: modelos abiertos, plataforma de training propietaria (Tinker), enfoque en fine-tuning empresarial. Es el modelo de negocio opuesto a OpenAI (API cerrada, sin pesos) y similar al de Hugging Face o Replicate. La credibilidad del equipo (Murati, más otros ex-OpenAI aún no anunciados) atrae atención, pero el modelo debe juzgarse por los números, no por el pedigree.

Por ahora, Inkling es un contendiente interesante en el segmento open-weights, pero con documentación por debajo de los estándares y benchmarks ausentes. Quien lo evalúe tendrá que probarlo en sus propios casos de uso, no confiar en las credenciales.