Мира Мурати, бывший технический директор OpenAI, наконец-то вышла из тени со своим стартапом Thinking Machines Lab. Ее дебютный проект — мультимодальная модель Inkling с открытыми весами. С общим объемом в 975 млрд параметров Inkling претендует на звание самого мощного open-weights решения, созданного в Штатах. Мурати явно метит в пустующую нишу между закрытыми гигантами вроде GPT-4o и наступающими на пятки китайскими разработками. Однако за впечатляющими цифрами скрывается опасный парадокс: при выдающейся способности имитировать рабочие процессы, модель хронически врет.
Архитектура и ставка на автономных агентов
С технической точки зрения Inkling представляет собой классическую архитектуру Mixture-of-Experts (MoE) на базе трансформера. Из почти триллиона параметров в каждый момент времени активны лишь 41 млрд, что должно было обеспечить приемлемую скорость работы при гигантском контекстном окне в миллион токенов. По данным платформы Artificial Analysis, Inkling набрала 41 балл в Intelligence Index, обойдя другие американские открытые модели, такие как Nemotron 3 Ultra и Gemma 4. Разработчики сознательно «затачивали» систему под агентские задачи — симуляцию сложных цепочек интеллектуального труда, где нейронка не просто отвечает на вопрос, а управляет инструментами.
«Inkling — не самая сильная универсальная модель на рынке», — честно признают в Thinking Machines Lab, предлагая использовать её лишь как фундамент для кастомизации на собственной платформе Tinker.
В тестах GDPval-AA v2, ориентированных именно на агентскую логику, Inkling показала рейтинг Эло 1238. Для бизнеса, который пытается строить автономных помощников, способных выполнять многошаговые инструкции, это выглядит как крепкая американская альтернатива. По сути, Мурати предлагает инструмент для тех, кто готов дообучать модель под узкие задачи, не желая отдавать данные в облака Альтмана или Антропик.
Галлюцинации и «китайский след» в экономике
Радость от агентских талантов Inkling меркнет на фоне ее катастрофической фактологической точности. Эксперты Artificial Analysis фиксируют уровень галлюцинаций в 63%. Это не просто погрешность, а приговор для корпоративного сектора, где цена ошибки в документах или коде слишком высока. На этом поле Inkling всухую проигрывает лидерам китайского open-source — DeepSeek и Kimi, которые при меньших затратах на инференс выдают куда более стабильный результат. Экономика Inkling пока выглядит сомнительно: огромный вес модели требует колоссальных мощностей, которые не окупаются точностью ответов.
Пикантности ситуации добавляет происхождение данных. Thinking Machines Lab скормила модели 45 триллионов токенов, но призналась в использовании китайской Kimi K2.5 для генерации синтетического обучающего сета. Более того, команда Мурати открыто заявила, что часть публичных данных могла быть защищена авторским правом. Это выглядит как отчаянная попытка догнать уходящий поезд: использовать чужие наработки и закрывать глаза на юридические риски ради того, чтобы американские открытые веса окончательно не превратились в догоняющих. Пока Inkling кажется скорее смелым экспериментом, чем готовым бизнес-решением, и 63% выдуманных фактов — слишком высокая цена за «агентскую» логику.