Thinking Machines Lab lanzó Inkling, el primer modelo de la compañía fundada por Mira Murati (ex CTO de OpenAI): 975 mil millones de parámetros totales, 41 mil millones activos en arquitectura Mixture-of-Experts, licencia Apache 2.0, multimodal (texto, imagen, audio en entrada, texto en salida), hasta 1 millón de tokens de contexto. Como comentábamos el 17 de julio, el modelo ya había salido; ahora TechCrunch agrega los detalles sobre la ronda de financiación y la visión estratégica.

Por qué te importa. Thinking Machines recaudó $300 millones en fase pre-seed y llevó el modelo desde pretraining al lanzamiento en nueve meses (OpenAI tardó cinco años, Anthropic tres). La tesis detrás de Inkling: los modelos genéricos talla única vendidos como servicio cerrado rinden por debajo de modelos que las organizaciones adaptan por sí mismas. Inkling no compite en benchmarks generales — la compañía lo declara explícitamente — sino que apunta a ser el punto de partida para fine-tuning en Tinker, la plataforma de customización del modelo. Quien adapta es responsable de la seguridad de sus propias versiones (y se requiere talento ML serio). El caso Bridgewater es el argumento concreto: un modelo abierto entrenado en expertise financiera interna superó los modelos propietarios top en reasoning financiero costando una catorceava parte. Los números vienen de una evaluación interna, no independiente.

La destilación. Thinking Machines pre-entrenó Inkling desde cero en 45 trillones de tokens, pero usó otros modelos open-weight (incluyendo Kimi K2.5 de Moonshot AI) para generar parte de los datos de post-training antes de que el reinforcement learning a escala masiva tomara el relevo. Es una forma de destilación limitada al post-training, declarada en los materiales de lanzamiento.

En detalle

El contexto: nueve meses contra cinco años.

OpenAI tardó aproximadamente cinco años en llevar su tecnología al mercado y mostrar ingresos; Anthropic aproximadamente tres. Thinking Machines declara haberlo hecho en nueve meses: desde pretraining hasta lanzamiento público con ecosistema de soporte day-0 (vLLM, SGLang, Modal, Baseten, Databricks, Hugging Face, cuantificación comunitaria). La ronda pre-seed de $300 millones es inusual por dimensión y fase: típicamente un pre-seed es órdenes de magnitud más pequeño.

El modelo tiene 975B parámetros totales, 41B activos (Mixture-of-Experts), entrenado en 45 trillones de tokens (según lectores de los materiales de lanzamiento; una fuente dice 48T, la mayoría 45T). Soporta hasta 1M tokens de contexto en checkpoints open-weights, pero la API en Tinker ofrece 256K (con precios diferenciados para 64K y 256K). Solo salida de texto por ahora, pero entrada multimodal (texto, imagen, audio).

La tesis: customización supera generalidad.

Thinking Machines sostiene que la IA entrenada centralmente por un laboratorio y luego congelada rinde por debajo de la IA que las organizaciones moldean por sí mismas, porque mucha expertise es específica y vive en las personas que la poseen. Inkling está diseñado como foundation model para fine-tunear, no como chatbot general-purpose ya terminado. La compañía declara explícitamente que Inkling no es el modelo más fuerte disponible hoy, ni abierto ni cerrado. El objetivo es performance equilibrada y adaptabilidad.

El caso concreto citado es Bridgewater Associates (el hedge fund más grande del mundo, que no es inversor de Thinking Machines): tomaron un modelo open source existente y lo entrenaron más en expertise financiera interna. Resultado: 84,7% en tests de reasoning financiero, superando los modelos propietarios top, con costos de inferencia aproximadamente una catorceava parte de los modelos cerrados. Los números vienen de una evaluación conjunta Thinking Machines–Bridgewater, no de benchmarks independientes.

Los argumentos contra modelos cerrados.

El post publicado por Thinking Machines la semana anterior al lanzamiento preparó el terreno: la IA entrenada centralmente y luego fijada rinde por debajo porque no captura el conocimiento específico de las organizaciones. Otros están convergiendo en argumentos similares. Satya Nadella (CEO Microsoft, inversor multimillonario en OpenAI y Anthropic) escribió el domingo que las empresas que usan modelos propietarios pagan dos veces: una en suscripciones, una segunda cediendo el conocimiento empresarial incorporado en prompts y correcciones, que puede terminar en versiones futuras de los modelos. Clem Delangue (CEO Hugging Face) le dijo a TechCrunch la semana pasada que los modelos frontier seguirán siendo para experimentación y tareas de alto valor, mientras que la mayor parte del trabajo de producción en IA se desplazará a alternativas privadas u open source — exactamente el split sobre el que Thinking Machines está construyendo.

Destilación y transparencia.

Thinking Machines declara haber pre-entrenado Inkling desde cero, pero usó otros modelos open-weight (incluyendo Kimi K2.5 de Moonshot AI) para generar parte de los datos de post-training iniciales, antes de que el reinforcement learning a escala masiva se convirtiera en el método principal. Es una forma de destilación limitada al post-training y declarada en los materiales. No es destilación de modelos propietarios competidores (práctica que ha atraído escrutinio en la industria), sino de otros modelos abiertos.

Soporte del ecosistema y benchmarks.

Inkling salió con soporte inmediato en vLLM, SGLang, Modal, Baseten, Databricks, Hugging Face, y tooling comunitario para cuantificación (gracias a @danielhanchen). Comentaristas independientes lo etiquetaron como el modelo open-weight estadounidense más fuerte hasta ahora, pero generalmente por debajo de los mejores modelos open-weight chinos y los mejores modelos cerrados en algunos benchmarks. Artificial Analysis lo posiciona primero entre modelos open-weight estadounidenses en el Intelligence Index, pero por debajo de los top chinos.

Inkling soporta controllable reasoning effort (niveles numéricos de esfuerzo) y hasta 1M tokens de contexto en checkpoints. La compañía declara que en un benchmark de coding, Inkling usa un tercio de los tokens de Nvidia Nemotron 3 Ultra para alcanzar la misma performance.

Implicaciones para quienes construyen.

Si la tesis se sostiene, el modelo de negocio se desplaza: en lugar de pagar por acceso API a un modelo genérico cerrado, pagas una vez por compute y talento ML para entrenar un modelo abierto en tus datos, luego inferencia a costo marginal más bajo. Requiere sin embargo capacidad ML interna seria: fine-tuning no es configuración, y la responsabilidad de seguridad de las versiones customizadas recae en la organización. No todos tienen esos equipos.

Para los laboratorios cerrados, la presión aumenta: si Nadella (inversor multimillonario en OpenAI) dice públicamente que los modelos propietarios te hacen pagar dos veces, el mensaje a los CTO es claro. La contra-argumentación sigue siendo: los modelos cerrados funcionan de inmediato, sin asumir un equipo ML. La batalla es sobre qué fricción pesa más: pagar la suscripción o contratar a los ingenieros.