Inkling: el modelo open-weights de 975B parámetros que desafía a OpenAI y Anthropic

Mientras toda la atención estaba puesta en OpenAI, Anthropic y Google, un laboratorio fundado por ex-investigadores de OpenAI acaba de soltar una bomba: Thinking Machines Lab liberó Inkling, su primer modelo open-weights, y los números son tan brutales que ya acumula 1,000+ puntos en Hacker News.

975 mil millones de parámetros totales. 41 mil millones activos por token. 1 millón de tokens de contexto. Y lo más importante: los pesos están disponibles para que cualquiera los descargue, fine-tunee y use como quiera.

No es el modelo más fuerte del mundo, dice Thinking Machines con honestidad brutal. Pero es el primer modelo abierto que compite de verdad con los cerrados en multimodalidad, razonamiento y agencia. Y eso cambia las reglas del juego.

¿Qué hace a Inkling diferente?

Inkling no es un modelo más. Es un Mixture-of-Experts Transformer con 256 expertos enrutados, de los cuales 6 se activan por token más 2 expertos compartidos. Esto significa que aunque tiene 975B parámetros en total, solo usa 41B por inferencia — eficiencia que permite correrlo en hardware razonable.

Pero la verdadera innovación está en tres características que ningún otro modelo open-weights tiene hoy:

1. Razonamiento controlable. Puedes ajustar el "esfuerzo de pensamiento" de Inkling desde 0.2 hasta 0.99, balanceando velocidad versus profundidad. En Terminal Bench 2.1 — el benchmark de coding agente — Inkling alcanza el mismo rendimiento que Nemotron 3 Ultra gastando un tercio de los tokens.

2. Multimodalidad nativa. Inkling fue entrenado desde cero con texto, imágenes, audio y video. No es un modelo de texto con un parche de visión — es genuinamente multimodal. Procesa imágenes como parches de 40x40 píxeles y audio como espectrogramas dMel, todo sin codificadores externos.

3. Fine-tuning en Tinker. Thinking Machines Lab tiene su propia plataforma de fine-tuning llamada Tinker, y Inkling está disponible para fine-tunear desde el día 1. Incluso demostraron que Inkling puede fine-tunearse a sí mismo: le pidieron que se convierta en un modelo lipograma (que no use la letra "e"), y completó todo el ciclo — crear dataset, entrenar, evaluar y cambiar sus propios pesos — en 27 minutos.

¿Qué tan bueno es realmente?

Thinking Machines fue transparente: Inkling no es el mejor modelo del mundo en benchmarks puros. No va a ganarle a Claude Fable 5 o GPT-5.6 Sol en todas las pruebas. Pero su fortaleza está en ser un generalista balanceado que rinde bien en todos los dominios, en lugar de estar sobreoptimizado para un solo benchmark.

Los números que importan:

• 45 billones de tokens de pre-entrenamiento en texto, imágenes, audio y video
• 30 millones de rollouts de RL en post-entrenamiento, con mejora log-lineal en razonamiento
• Seguridad robusta: el mejor modelo open-weights en FORTRESS (benchmark de rechazo de requests dañinas)
• 98%+ en StrongREJECT (prueba de rechazo de requests inequívocamente dañinas)
• Sin censura política: Cognition evaluó a Inkling en su Propaganda and Censorship Eval y mostró fuerte resistencia a la censura

El contexto que importa

Thinking Machines Lab fue fundada por ex-investigadores de OpenAI que se fueron precisamente porque querían construir IA abierta. Su enfoque siempre ha sido "extender la voluntad y el juicio humano", no reemplazarlo. Y con Inkling, están poniendo dinero donde está su boca.

Esto llega en un momento crítico: mientras OpenAI y Anthropic cierran cada vez más sus modelos, y los reguladores de todo el mundo debaten qué hacer con la IA, Thinking Machines demuestra que se puede construir IA competitiva y mantenerla abierta.

Y lo más irónico: el modelo fue entrenado en NVIDIA GB300 NVL72 — los mismos chips que Nvidia vende a $30,000+ cada uno, pero los resultados son públicos y los pesos están disponibles para todos.

Inkling-Small: el hermano menor que corre en tu laptop

Junto con Inkling, Thinking Machines liberó un preview de Inkling-Small: 276B parámetros totales, solo 12B activos. Es tan eficiente que iguala o supera a Inkling grande en muchos benchmarks gracias a mejoras en datos y receta de entrenamiento. Ideal para coding, fine-tuning económico y generación de datos sintéticos.

Cuando liberen los pesos completos de Inkling-Small, podría ser el mejor modelo que puedas correr en tu propia máquina sin GPU.

¿Cómo probarlo?

Inkling ya está disponible para fine-tuning en Tinker (la plataforma de Thinking Machines), y pronto aparecerá en los líderes de OpenRouter, Hugging Face y Artificial Analysis. También puedes chatear con él en el Inkling Playground dentro de la consola de Tinker.

Si eres desarrollador, esto es más relevante de lo que parece: tener un modelo open-weights con 1M de contexto, razonamiento controlable y capacidades multimodales significa que puedes construir productos que antes requerían APIs caras de OpenAI o Anthropic, sin depender de terceros, sin pagar por token, y sin que tus datos salgan de tu infraestructura.

El veredicto

Inkling no va a matar a ChatGPT mañana. No va a hacer que Anthropic cierre. Pero es la prueba más sólida hasta ahora de que el futuro de la IA no tiene por qué ser cerrado. Thinking Machines Lab demostró que se puede construir un modelo de clase mundial y mantenerlo abierto, fine-tuneable y personalizable.

Y en un mundo donde OpenAI, Anthropic y Google compiten por ver quién pone el muro más alto, eso no es solo refrescante — es una declaración de guerra.

Comparte esto con alguien que todavía cree que los modelos abiertos no pueden competir con los cerrados. Porque Inkling acaba de demostrar que sí pueden.