В мире искусственного интеллекта, где гонка вооружений между закрытыми и открытыми моделями достигает нового накала, появление новых игроков с открытыми весами всегда вызывает особый интерес. 16 июля 2026 года лаборатория Thinking Machines Lab, основанная Мирой Мурати, сделала важный шаг, опубликовав свою первую модель с открытыми весами под названием Inkling. Это не просто еще одна нейросеть; это попытка создать надежный базовый инструмент для разработчиков, которые хотят строить свои собственные решения на базе передовых технологий, сохраняя при этом контроль над данными и процессом дообучения.
Inkling позиционируется как мультимодальная модель архитектуры Mixture-of-Experts (MoE), которая сочетает в себе впечатляющие вычислительные мощности с эффективностью. С общим количеством параметров в 975 миллиардов, из которых активными в каждый момент времени являются 41 миллиард, модель демонстрирует высокую плотность знаний и скорость отклика. Лицензия Apache 2.0 делает её особенно привлекательной для коммерческого использования, открывая двери для корпоративного сектора, который ранее мог опасаться юридических рисков, связанных с более строгими лицензиями.
01Архитектура и технические характеристики
Ключевой особенностью Inkling является архитектура Mixture-of-Experts (MoE). В отличие от традиционных плотных моделей, где все параметры участвуют в обработке каждого токена, MoE-модели используют механизм маршрутизации, который активирует только подмножество «экспертов» (нейронных слоев) для каждой конкретной задачи. Это позволяет модели иметь огромное общее количество параметров, что часто коррелирует с качеством понимания языка и логических рассуждений, но при этом сохранять низкие задержки и энергозатраты за счет использования малого числа активных параметров.
В случае с Inkling соотношение составляет 975B общих параметров к 41B активных. Это означает, что модель способна обращаться к обширной базе знаний, но вычислительная нагрузка на каждый запрос сопоставима с моделями среднего размера. Такой подход является современным стандартом для создания высокопроизводительных систем, способных работать в реальном времени. Для сравнения, многие предыдущие открытые модели либо были слишком большими для эффективного развертывания, либо слишком маленькими для конкурентоспособности в сложных задачах.
Мультимодальность Inkling также заслуживает внимания. Модель обучена на 45 триллионах токенов, включающих не только текст, но и изображения, аудио и видео. Это позволяет ей не только генерировать текстовые ответы, но и понимать визуальный контент, а также, как показывает практика, генерировать графические элементы. Способность работать с несколькими типами данных делает Inkling универсальным инструментом для создания приложений, требующих комплексного анализа информации.
02Данные для обучения: прозрачность и ограничения
Одним из самых обсуждаемых аспектов современных ИИ-моделей является состав данных, на которых они обучаются. В случае с Inkling документация по данным для обучения (Training Data Documentation) выглядит скромнее, чем обычно можно ожидать от крупных американских лабораторий. Авторы модели честно признают, что их сервисы разрабатывались с использованием контента из общественного достояния, а также контента, который может быть защищен авторским правом. Данные были получены из открытых источников интернета, общедоступных репозиториев, а также от третьих лиц.
Такая формулировка, хотя и может показаться расплывчатой, отражает реальность сбора данных в масштабах интернета. Полная прозрачность каждого источника в наборе из 45 триллионов токенов практически невозможна. Однако честность в отношении использования данных, защищенных авторским правом, является шагом вперед по сравнению с некоторыми конкурентами, которые скрывают этот факт. Для разработчиков это означает необходимость проведения собственного аудита данных при дообучении модели под специфические задачи, особенно в регулируемых отраслях.
03Экосистема и лицензирование
Лицензия Apache 2.0 является золотым стандартом для открытого программного обеспечения в корпоративной среде. Она разрешает свободное использование, модификацию и распространение кода и моделей, включая коммерческое использование, при условии сохранения уведомлений об авторских правах и лицензии. Это отличает Inkling от многих других открытых моделей, которые могут иметь ограничения на использование в конкурентных продуктах или требовать сложных соглашений.
Появление Inkling усиливает американский сектор открытых весов, добавляя его в ряды таких известных проектов, как NVIDIA Nemotron и Google Gemma 4. Это создает здоровую конкуренцию и дает разработчикам больше выбора. Раньше выбор между американскими и китайскими открытыми моделями часто сводился к компромиссам в качестве или доступности. Теперь у Inkling есть шансы конкурировать с лучшими образцами, особенно в части мультимодальности и эффективности.
Кроме того, Thinking Machines Lab планирует выпустить версию Inkling-Small, которая будет иметь 276 миллиардов общих параметров и 12 миллиардов активных. Эта модель все еще находится в стадии тестирования, и ее веса будут опубликованы после завершения работ. Наличие более легкой версии позволит развертывать модель на более скромном оборудовании, что критически важно для edge-вычислений и мобильных приложений.
04Практическое применение: генерация SVG
Чтобы оценить возможности Inkling, автор оригинального поста провел простой, но показательный эксперимент: попросил модель сгенерировать SVG-изображение пеликана, едущего на велосипеде. Этот запрос требует от модели не только понимания семантики (кто такой пеликан, что такое велосипед), но и знания структуры языка разметки SVG, а также способности визуализировать абстрактные концепции в коде.
Запрос был отправлен через API Thinking Machines с использованием стандартной команды curl. Модель успешно сгенерировала код SVG, который можно было рендерить в браузере. Однако истинная сила мультимодальной модели раскрывается, когда она может анализировать собственные творения. Для этого автор отправил сгенерированное изображение обратно в модель в формате JPEG, закодированном в base64, и попросил описать его.
curl https://tinker.thinkingmachines.dev/services/tinker-prod/oai/api/v1/chat/completions \
-H "Authorization: Bearer $TINKER_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "thinkingmachines/Inkling",
"messages": [
{
"role": "user",
"content": [
{
"type": "image_url",
"image_url": {
"url": "data:image/jpeg;base64,$BASE_64_JPEG"
}
},
{
"type": "text",
"text": "Describe this image in detail"
}
]
}
],
"stream": false
}'Результат описания оказался интересным. Модель описала изображение как «веселую, плоскую векторную иллюстрацию», где белая птица, похожая на аиста или чайку, едет на велосипеде. Она детально описала оранжевый клюв, черные крылья, оранжевые педали и зеленый фон. Однако модель ошиблась в идентификации птицы, назвав её аистом или чайкой, а не пеликаном. Это типичный пример того, как современные модели могут справляться с визуальными деталями, но иногда путаются в биологической классификации или специфических признаках, если они не были ярко выражены в генерации.
05Платформа Tinker для дообучения
Одним из главных преимуществ Inkling является интеграция с платформой Tinker. Thinking Machines Lab позиционирует Inkling не как конечный продукт, а как базу для тонкой настройки (fine-tuning). Платформа Tinker предоставляет инструменты для разработчиков, чтобы они могли адаптировать модель под свои конкретные нужды, используя собственные данные. Это критически важно для бизнеса, которому требуется специфический тон голоса, знание предметной области или соблюдение корпоративных стандартов.
Возможность дообучения на платформе Tinker снижает порог входа для использования мощных MoE-моделей. Обычно дообучение таких больших моделей требует значительных вычислительных ресурсов и экспертизы. Интеграция с платформой позволяет сосредоточиться на качестве данных и настройке гиперпараметров, оставляя инфраструктурные вопросы на плечи провайдера.
06Сравнение с конкурентами
Inkling вступает на рынок, где уже есть сильные игроки. NVIDIA Nemotron и Google Gemma 4 также предлагают открытые модели с лицензиями, разрешающими коммерческое использование. Однако Inkling выделяется своим акцентом на мультимодальность и эффективную архитектуру MoE. В то время как некоторые конкуренты могут предлагать более сильные текстовые модели, Inkling предлагает сбалансированный набор функций, который может быть более выгодным для приложений, требующих работы с изображениями и видео.
Китайские модели, такие как Qwen и Llama-подобные проекты, также являются сильными конкурентами в сегменте открытых весов. Inkling демонстрирует, что американские лаборатории могут конкурировать с ними по качеству и эффективности, что важно для сохранения технологического суверенитета и разнообразия в экосистеме ИИ.
07Что это значит на практике
Для разработчиков и компаний Inkling представляет собой возможность получить доступ к мощной мультимодальной модели с гибкой лицензией. Это позволяет создавать приложения, которые могут не только общаться, но и видеть, слушать и генерировать графический контент. Возможность дообучения через платформу Tinker делает модель пригодной для специализированных задач, от обслуживания клиентов до анализа документов.
Однако важно помнить, что Inkling — это базовая модель. Она не является «волшебной таблеткой» для всех задач. Для достижения наилучших результатов потребуется работа с данными, настройка промптов и, возможно, дообучение. Ошибки в идентификации объектов, как в случае с пеликаном, напоминают о необходимости человеческого контроля и валидации результатов.
В долгосрочной перспективе появление Inkling способствует демократизации доступа к передовым технологиям ИИ. Открытые веса позволяют сообществу исследователей и разработчиков изучать, улучшать и адаптировать модели, что в конечном итоге приводит к развитию всей отрасли. Если вы планируете внедрять ИИ в свои продукты, Inkling стоит рассмотреть как один из вариантов наряду с другими открытыми моделями, особенно если вам нужна мультимодальность и гибкость лицензирования.
В заключение, Inkling — это значимое дополнение к ландшафту открытых ИИ-моделей. Она предлагает баланс между мощностью, эффективностью и доступностью, что делает её привлекательной для широкого круга пользователей. Отслеживайте развитие модели и её экосистемы, так как она может стать ключевым компонентом в будущих ИИ-решениях.
Источник: Simon Willison ↗