Мира Мурати, экс-CTO OpenAI, наконец-то показала, чем занималась последние полтора года. Её первая модель Inkling — это массивный «американец» с открытыми весами на 975 млрд параметров и контекстным окном в 1 млн токенов. Но если заглянуть под капот, обнаруживается ироничная деталь: фундамент сильнейшей открытой модели США заложен на китайских данных Kimi K2.5 от Moonshot AI. Технологический изоляционизм в очередной раз разбился о прагматику.
В индустрии наступает момент истины: у качественных данных нет прописки. Пока политики в Вашингтоне чертят линии на песке, Thinking Machines Lab спокойно берет китайский «интеллект» для этапа обучения с учителем (SFT). Это не просто казус, а признание: создать топовый продукт сегодня без синтетического симбиоза невозможно. Разработчики честно признают использование Kimi, уточняя, что основной рывок был сделан позже, на этапе обучения с подкреплением (RL). Однако сам факт того, что американская гордость замешана на коде конкурента, выглядит как изящная насмешка над идеей закрытых цифровых границ.
Технологическая честность вместо гонки цифр
Архитектура Inkling построена по принципу смеси экспертов (MoE), подозрительно напоминая дизайн DeepSeek-V3: 256 роутируемых экспертов и два общих. На каждый токен активируются 41 млрд параметров. Вместо привычных энкодеров команда выбрала единый трансформер для всех модальностей. Изображения нарезаются патчами, аудио подается через спектрограммы, и всё это переваривается общими весами.
«Inkling — не самая производительная модель из доступных сегодня, ни закрытая, ни открытая» — признают в Thinking Machines, смещая фокус с бенчмарков на эпистемику и калибровку уверенности.
Вместо того чтобы штурмовать вершины лидербордов любой ценой, модель учили осознавать границы своих знаний. В ходе RL-обучения Inkling натаскивали на вопросах с известными исходами, поощряя точность прогнозов. На тесте ForecastBench модель показала результаты уровня Gemini 3.1 Pro и Grok 4.3. Для бизнеса это важнее абстрактных баллов: модель, которая умеет сомневаться, реже галлюцинирует в критических процессах.
Экономика «усилия мышления»
Главная практическая фишка Inkling — регулируемое «усилие мышления». В отличие от конкурентов с их жесткими пресетами, здесь вы сами выставляете ползунок интенсивности рассуждений от 0.2 до 0.99. Это прямой ответ на запрос бизнеса об оптимизации затрат. На кодинг-бенчмарке Terminal Bench 2.1 модель сравнялась по качеству с Nemotron 3 Ultra от Nvidia, но потратила в три раза меньше токенов. Зачем платить за глубокие раздумья там, где достаточно базовой логики?
В процессе RL-обучения модель сама начала оптимизировать внутренний монолог. Подобно стенографистке, она выбрасывает артикли и связки, переходя на телеграфный стиль без потери качества. Это подтверждает гипотезу: ИИ стремится к собственной лингвистической эффективности, если его заставляют экономить ресурсы. Платформа Tinker для кастомизации и вовсе выглядит как предвестник конца классической разработки: в демо Inkling сама написала код для своего дообучения, сгенерировала данные и обновила собственные веса.
Синтетика как новый стандарт
Несмотря на то что Inkling уступает топовым китайским моделям вроде Kimi K2.6 в чистой мощности, среди открытых систем США она сейчас выглядит фаворитом, обходя Nemotron 3 Ultra. Позиция в десятке Design Arena рядом с Claude Opus 4.6 подтверждает: эпоха, когда открытое ПО считалось «бедным родственником», закончена. Но зависимость от чужой синтетики создает риски. Если весь рынок начнет обучаться друг на друге, мы получим интеллектуальное вырождение, где ошибки одной модели будут бесконечно тиражироваться в весах других.
Стратегия Мурати понятна: занять нишу мощных открытых моделей, которую фактически освободила Meta. Имея за спиной инвестиции Nvidia и сделку с Google Cloud, Thinking Machines строит мир, где модель — лишь ядро, а основная ценность — в возможности владеть собственным «интеллектуальным станком». Скачайте веса Inkling с Hugging Face и убедитесь сами: её устойчивость к цензуре и честная калибровка позволяют внедрять AI без страха получить корпоративный скандал на ровном месте.