Thinking Machines Lab hat mit Inkling sein erstes produktionsreifes KI-Modell veröffentlicht. Das Start-up der früheren OpenAI-CTO Mira Murati setzt dabei weniger auf maximale Benchmark-Leistung als auf Multimodalität, Anpassbarkeit und effizienten Tokenverbrauch.
Inkling ist ein Mixture-of-Experts-Modell mit 975 Milliarden Gesamtparametern, von denen 41 Milliarden aktiv sind. Es verarbeitet Text, Bilder und Audio, unterstützt bis zu eine Million Tokens Kontext und steht als Open-Weights-Modell auf HuggingFace bereit. Über die Tinker-Plattform lässt es sich zusätzlich für eigene Aufgaben anpassen.
Trainiert wurde Inkling laut Anbieter mit 45 Billionen Tokens aus öffentlichen und synthetischen Texten, Bildern, Audioaufnahmen und Videos. Für synthetische Daten kam unter anderem Kimi K2.5 zum Einsatz.
Artificial Analysis bewertet Inkling mit 41 Punkten im Intelligence Index. Damit ist es das stärkste Open-Weights-Modell eines US-Labors. Bei agentischen Aufgaben liegt es teilweise vor Kimi K2.6 und DeepSeek v4 Flash max.
Schwächen zeigt das Modell bei der Faktentreue. Im AA-Omniscience-Benchmark erreicht Inkling nur 40 Prozent Genauigkeit bei einer Halluzinationsrate von 63 Prozent. Für Anwendungen mit hohen Anforderungen an verlässliche Informationen ist das ein deutlicher Nachteil.
Positiv fällt die Token-Effizienz aus. Inkling benötigt im Durchschnitt 25.000 Output-Tokens pro Intelligence-Index-Aufgabe und damit weniger als mehrere chinesische Vergleichsmodelle. Über „continuous thinking effort“ lässt sich der Denkaufwand stufenlos steuern.
Mit Inkling-Small zeigt Thinking Machines Lab zudem eine kleinere Variante mit 276 Milliarden Parametern, die das große Modell in einzelnen Benchmarks sogar übertrifft.