Thinking Machines не запустила отдельный новый флагман, а показала превью Inkling-Small — облегчённой версии своей модели Inkling. У неё 276 млрд параметров против 975 млрд у старшей модели и 12 млрд активных параметров на токен против 41 млрд, то есть ставка здесь не на рекорд, а на более разумный баланс между качеством, задержкой и стоимостью запуска.
Для разработчиков это важнее самого числа параметров: если модель держит близкий уровень на части тестов, но требует меньше ресурсов, её проще встроить в продукты, где считают и деньги, и время ответа.
Inkling-Small пока существует в статусе превью
В исходном анонсе Thinking Machines от 15 июля 2026 года Inkling-Small описана именно как preview, а не как полноценный отдельный релиз с готовыми весами. Компания пишет, что ещё заканчивает тестирование и выпустит полные веса позже.
Это важная правка по смыслу: формулировка «запустила» в исходном тексте вводит читателя в заблуждение. Корректнее сказать «показала» или «представила». Ещё один нюанс: в открытых материалах компания подробно раскрывает контекстное окно и тарифы для большой Inkling, но не даёт таких же чётких коммерческих параметров именно для Inkling-Small.
По ряду тестов младшая версия почти догоняет старшую
По данным самой Thinking Machines, Inkling-Small в ряде бенчмарков идёт вровень с полной Inkling или даже обходит её. Например, на HLE with tools у младшей версии 46,6% против 46,0%, на GPQA Diamond — 88,3% против 87,2%, на MCP-Atlas — 74,9% против 74,1%, на IFBench — 83,4% против 79,8%.
Но картина не идеальная. На AIME 2026 Inkling-Small набирает 95,1% против 97,1% у старшей модели, на Terminal Bench 2.1 — 52,7% против 63,8%, на SimpleQA Verified разрыв ещё заметнее: 20,9% против 43,9%. Иными словами, уменьшение модели не прошло бесплатно: где-то экономия почти незаметна, а где-то просадка уже ощутимая.
Ещё одна важная деталь: обе модели работают с текстом, изображениями и аудио на входе, но генерируют текст на выходе. В исходной версии статьи это было описано расплывчато, будто речь идёт о полноценной мультимодальной генерации во все стороны. Это не так.
Ставка на рынок open-weights, а не на ноутбуки
Thinking Machines продвигает Inkling как open-weights-модель для дообучения и кастомизации, а не как «карманный» ИИ для локального запуска. Даже Inkling-Small остаётся очень крупной Mixture-of-Experts-моделью, поэтому новость скорее про удешевление серверного развёртывания, чем про запуск на рабочем ноутбуке.
На этом фоне компания идёт в тот же сегмент, где уже конкурируют другие открытые и полуоткрытые модели вроде Nemotron, GLM и Kimi. Разница в том, что Thinking Machines делает акцент не на абсолютное первое место в рейтингах, а на модель как базу для дообучения под свои данные и задачи.
Значение для рынка
Для русскоязычных команд это сигнал простой: рынок open-weights-моделей продолжает дробиться на более практичные варианты, где важен не максимальный балл в таблице, а цена владения. Для стартапов и интеграторов это шанс получить сильную мультимодальную базу под свои сценарии. Для корпораций — повод сравнивать не только качество ответов, но и стоимость инференса, требования к инфраструктуре и риски при внедрении.
Следующий шаг очевиден: после выхода полных весов Inkling-Small рынок сможет проверить, насколько хорошо эти цифры из анонса переживут реальную эксплуатацию.
Источники: официальный анонс Thinking Machines — https://thinkingmachines.ai/news/introducing-inkling/ ; разбор Wired — https://www.wired.com/story/thinking-machines-lab-releases-its-first-model-inkling/ ; независимые метрики Artificial Analysis по старшей Inkling — https://artificialanalysis.ai/articles/thinking-machines-has-released-inkling-the-new-leading-u-s-open-weights-model