Thinking Machines Lab, la compagnia fondata da Mira Murati dopo l’uscita da OpenAI, ha rilasciato Inkling, il suo primo modello open-weights. È un Mixture-of-Experts con 975 miliardi di parametri totali e 41 miliardi attivi, addestrato su 45 trilioni di token (testo, immagini, audio, video). Licenza Apache-2.0, disponibile su Hugging Face e tramite l’API di Tinker, la piattaforma di training della compagnia.

Non è un modello frontier: Thinking Machines lo dichiara apertamente. È un base model forte, pensato per il fine-tuning su Tinker. Le dimensioni lo mettono in competizione con i modelli aperti cinesi (GLM 5.2) e con gli open-weights USA come NVIDIA Nemotron e Gemma 4. Il contesto nativo è 1 milione di token, esteso a 64K/256K su Tinker.

Perché ti riguarda. Un modello di queste dimensioni con licenza permissiva è un’opzione concreta per chi vuole self-hosting o fine-tuning senza dipendere dai big. L’arrivo di un nuovo attore con credenziali forti (Murati era CTO di OpenAI) e focus dichiarato su Asia-Pacific cambia gli equilibri. La model card e la documentazione sui dati di training sono però molto scarne: due paragrafi generici, nessun dettaglio sulle fonti.

Se vuoi provarci. Inkling è disponibile via API su Tinker (chiave necessaria) o scaricabile da Hugging Face per self-hosting. La compagnia promette anche Inkling-Small (276B totali, 12B attivi), ma i pesi usciranno solo dopo test completati.

Nel dettaglio

Il contesto.

Mira Murati ha lasciato OpenAI nel 2024, dopo essere stata CTO durante il periodo cruciale fra GPT-4 e GPT-5. Thinking Machines Lab è la sua nuova compagnia, fondata con focus dichiarato su modelli aperti e sull’area Asia-Pacific. Inkling è il primo rilascio: un segnale di posizionamento nel mercato open-weights, dove i modelli cinesi (GLM, Qwen, DeepSeek) hanno dominato la scena negli ultimi mesi.

Cosa dice davvero la documentazione.

La model card è breve: architettura MoE, 975B parametri totali, 41B attivi a ogni inferenza, 45 trilioni di token di training (mix di testo, immagini, audio, video). Licenza Apache-2.0, quindi usabile commercialmente senza restrizioni. Contesto 1M token nativi, esteso a 64K o 256K su Tinker.

La Training Data Documentation è ancora più scarna: due paragrafi che dicono solo che i dati vengono dall’internet pubblico, da repository accessibili e da terze parti. Nessuna lista di dataset, nessuna percentuale per modalità, nessun dettaglio su filtri o curation. Per un modello che si posiziona come base per fine-tuning enterprise, è una documentazione sotto gli standard dei lab USA (OpenAI, Anthropic, Google documentano molto di più).

I numeri che mancano.

Non ci sono benchmark pubblici nel comunicato. Thinking Machines dice che Inkling «non è il modello più forte in assoluto», ma non fornisce confronti quantitativi con Nemotron, Gemma 4 o GLM 5.2. I primi test indipendenti su generazione di SVG e visione multimodale mostrano i limiti: l’SVG del pellicano in bicicletta è riconoscibile ma impreciso, e il modello ha descritto il pellicano come «uno stork o un gabbiano». Esempi interessanti, ma aneddotici.

Cosa significa per chi sviluppa.

Un modello di 975B parametri con licenza permissiva è una novità nel panorama USA: Nemotron Ultra (3.1T) ha una licenza più restrittiva, Gemma 4 arriva a 27B. Inkling si posiziona come alternativa self-hostable ai modelli proprietari, con costi di inferenza gestibili grazie all’architettura MoE (solo 41B attivi). Per chi vuole fine-tuning su Tinker, il modello è progettato per quello: training efficiente, context lungo, multimodale.

Il focus Asia-Pacific è esplicito: Thinking Machines ha server in quella regione e punta a un mercato dove i modelli cinesi hanno già una forte presenza. La competizione è diretta.

I limiti dichiarati e quelli impliciti.

Thinking Machines dichiara che Inkling non è frontier, e che serve come base per customizzazione. I limiti tecnici non sono documentati: nessuna informazione su failure modes, biases noti, o task dove il modello va male. La documentazione sui dati è così generica da non permettere verifiche indipendenti.

Inkling-Small (276B/12B) è promesso ma non ancora rilasciato: «i pesi usciranno una volta completati i test». Non c’è una timeline.

Dove sta andando Thinking Machines.

Il rilascio di Inkling segnala una strategia chiara: modelli aperti, training platform proprietario (Tinker), focus su fine-tuning enterprise. È il modello di business opposto a OpenAI (API chiusa, niente pesi) e simile a quello di Hugging Face o Replicate. La credibilità del team (Murati, più altri ex OpenAI non ancora annunciati) attira attenzione, ma il modello va giudicato sui numeri, non sul pedigree.

Per ora, Inkling è un contendente interessante nel segmento open-weights, ma con documentazione sotto gli standard e benchmark assenti. Chi lo valuta dovrà testarlo sui propri casi d’uso, non fidarsi delle credenziali.