Thinking Machines verkleint Inkling tot een kwart
Thinking Machines Lab, de startup van oud-OpenAI-topvrouw Mira Murati, heeft Inkling-Small uitgebracht. Het open-weights model is ongeveer een kwart van het formaat van het eerste model Inkling, dat twee weken eerder verscheen, maar blijft er in prestaties dicht bij. Dat meldt MarkTechPost.
Een kwart kleiner, één punt lager
Inkling-Small is een mixture-of-experts model met 276 miljard parameters, waarvan er 12 miljard actief zijn per token. Het oorspronkelijke Inkling telde 975 miljard parameters met 41 miljard actief. Op de Artificial Analysis Intelligence Index scoort de kleine versie 40, tegen 41 voor het grote model, schrijft VentureBeat. Het model verwerkt tekst, beeld en audio als invoer, produceert tekst en heeft een contextvenster tot een miljoen tokens.
Hoe het kleinere model bijblijft
De sprong in efficiëntie komt niet uit één ingreep. Thinking Machines gebruikte een betere mix aan pre-trainingsdata, paste het trainingsrecept aan en liet Inkling-Small leren van het grote Inkling via on-policy distillatie, met het grote model als leraar. Daarna volgden nog eens twee weken reinforcement learning op agentische programmeertaken, aldus de blog die het bedrijf op Hugging Face publiceerde. De volledige gewichten staan onder een Apache 2.0-licentie op Hugging Face, dus iedereen kan het model downloaden en aanpassen.
Fine-tunen als verdienmodel
De aanpak van Thinking Machines wijkt af van die van de grote labs. Het bedrijf zegt zelf dat Inkling niet het sterkste model op de markt is. De inzet is dat organisaties het model op hun eigen data bijstellen via Tinker, het commerciële platform van de startup. Klant Bridgewater Associates bouwde daarmee een model voor financiële analyse dat volgens Fortune propriëtaire systemen versloeg tegen ongeveer een veertiende van de draaikosten. Thinking Machines werd in februari 2025 opgericht en haalde in het eerste jaar 2 miljard dollar op bij een waardering van 12 miljard.
De release past in een bredere beweging. In korte tijd verschenen Qwen3.8-Max, Kimi K3 en een nieuw videomodel van MiniMax, allemaal met open gewichten. Steeds vaker sluiten open-weights modellen aan bij de top.
Wat betekent dit
Voor ontwikkelaars en bedrijven zonder budget voor eigen frontier-training verschuift de rekensom. Een model met 12 miljard actieve parameters draait op fors minder hardware dan een met 41 miljard, terwijl het kwaliteitsverschil klein blijft. Wie een model op eigen data wil zetten, krijgt er een goedkopere basis bij. De vraag is of Tinker genoeg betalende klanten trekt om het verdienmodel rond te krijgen, want de gewichten zelf zijn gratis.
