Стартап Thinking Machines Lab, основанный бывшим CTO OpenAI Мирой Мурати, выпустил модель Inkling — свою первую публичную ИИ-разработку с открытыми весами. Для рынка это не просто очередной релиз: компания предлагает корпоративным клиентам не универсального чат-бота по подписке, а заготовку, которую можно доучивать под свои данные, процессы и отраслевую экспертизу.
Как пишет TechCrunch, Inkling построена по схеме mixture-of-experts: всего у нее 975 млрд параметров, но на одну задачу активируется примерно 41 млрд. Это уже знакомый компромисс между масштабом и ценой инференса: модель остается очень большой, но не обязана каждый раз тащить весь объем вычислений. Thinking Machines утверждает, что обучала Inkling на 45 трлн токенов, включая текст, изображения, аудио и видео, а сама система умеет рассуждать на всех четырех типах данных. На выходе, впрочем, пока только текст: код, структурированные данные и оформленные текстовые артефакты.
Для самой компании это первый внятный публичный маркер после полутора лет работы почти без лишнего шума. Ранее Thinking Machines уже показывала исследовательский превью-проект interaction models — голосовых ИИ-систем, которые не просто ждут конца реплики пользователя, а умеют слушать, говорить и перебивать в естественном диалоге. Но именно модель Inkling стала первым продуктом, по которому можно оценивать не только амбиции команды Мурати, но и ее стратегию: компания спорит с самой популярной сегодня моделью рынка, где один крупный вендор централизованно тренирует ИИ и затем продает его как готовый универсальный сервис.
Thinking Machines открыто признает, что Inkling не претендует на титул сильнейшей модели на рынке — ни среди закрытых, ни среди открытых систем. Это важная оговорка. Компания продает не магию «лучше всех», а прагматичный тезис: для бизнеса важнее не рекорд в абстрактном бенчмарке, а возможность быстро получить достаточно сильную модель, которую потом можно заточить под себя через собственную платформу Tinker. Отсюда и акцент на «калиброванных» ответах, где модель должна отмечать неуверенность, а не уверенно галлюцинировать, и на регулировке thinking effort — пользователь может менять глубину рассуждений в обмен на скорость.
Ставка против универсальных чат-ботов
По сути, Thinking Machines идет против базовой логики OpenAI, Anthropic и Google. Те строили ChatGPT, Claude и Gemini как универсальные продукты для максимально широкой аудитории, а уже потом наращивали поверх них агентные и автономные функции. Thinking Machines, наоборот, исходит из того, что корпоративное знание слишком локально, чтобы его можно было качественно упаковать в одну модель для всех. Аргумент звучит не академически, а вполне по-рыночному: если экспертиза сидит внутри конкретной команды, то и лучшая модель для этой команды должна формироваться с ее участием, а не только силами внешней лаборатории.
Эта позиция удачно попадает в нарастающий тренд недоверия к полностью закрытым моделям. В воскресенье, за несколько дней до релиза Inkling, CEO Microsoft Сатья Наделла в своем блоге фактически описал проблему, знакомую многим корпоративным заказчикам: за проприетарный ИИ бизнес платит дважды — сначала деньгами за доступ, потом собственным знанием, которое утекает в виде промптов, исправлений и рабочих паттернов. Похожую мысль недавно озвучивал и CEO Hugging Face Клем Делангю: фронтир-модели останутся для экспериментов и дорогих высокоценных задач, а основная производственная нагрузка со временем уйдет в частные или открытые альтернативы. Thinking Machines как раз строит бизнес на этом расколе.
Самый убедительный пример в пользу такого подхода компания приводит из проекта с Bridgewater Associates, крупнейшим хедж-фондом мира. Исследователи Bridgewater и Thinking Machines взяли существующую открытую модель и дополнительно обучили ее на внутренней финансовой экспертизе фонда. По их собственной оценке, система набрала 84,7% в тестах на финансовое рассуждение, обогнав топовые закрытые модели, при этом стоила в эксплуатации примерно в 14 раз дешевле. Здесь важна оговорка: оценка не независимая, ее делали сами участники проекта. Но даже с этой скидкой месседж понятен: если у компании есть уникальные данные и сильная ML-команда, специализированная модель может оказаться выгоднее и точнее, чем подписка на «лучший ИИ для всех».
Где деньги и где риски
У этой схемы, конечно, есть цена входа. Thinking Machines подает Inkling скорее как стартовую платформу, чем как готовый продукт из коробки. А значит, ответственность за безопасность, дообучение и прикладное качество частично уходит клиенту. Для крупных компаний это может быть приемлемо. Для всех остальных это переводится проще: если у вас нет команды, которая умеет fine-tuning, оценку моделей и ML-эксплуатацию, открытые веса сами по себе бизнес-проблему не решают. Зато для сильных инженерных организаций предложение выглядит логично: забрать веса, развернуть у себя, доучить на доменной экспертизе, снизить зависимость от API-вендора и контролировать экономику инференса.
Thinking Machines старается подкрепить этот тезис и разговором об эффективности. На одном из бенчмарков компания утверждает, что Inkling тратит примерно треть от числа токенов, необходимых Nvidia Nemotron 3 Ultra, чтобы показать сопоставимый результат в задачах на программирование. Если оценка корректна, это хороший аргумент для тех, кто считает не только качество, но и цену за каждую сессию, особенно в продакшене. Параллельно компания признает и спорные места. В индустрии сейчас чувствительна тема дистилляции — обучения новых систем на выходах чужих моделей. Thinking Machines утверждает, что предобучала Inkling с нуля, но для части ранних post-training данных использовала другие открытые модели, включая Kimi K2.5 от Moonshot AI. Следующее поколение, по обещанию компании, уже будет полностью опираться на собственный post-training-контур.
С экономикой у Thinking Machines пока больше вопросов, чем ответов. В марте компания объявила о партнерстве с Nvidia для развертывания вычислительных мощностей Vera Rubin на уровне одного гигаватта, а саму Inkling, по ее словам, тренировала целиком на системах Nvidia GB300 NVL72. Это звучит как очень дорогой маршрут. При этом стартап не раскрывает, как именно собирается покрывать такие затраты, и, по данным TechCrunch, выручка до сих пор не была главным приоритетом. В прошлом ноябре на рынке обсуждали раунд на $50 млрд, но к январю его сбор, как сообщалось, застопорился; с тех пор компания публично не раскрывает картину по финансированию. Логика бизнеса у Thinking Machines в любом случае отличается от OpenAI и Anthropic: если веса модели открыты, никто не обязан платить компании за сам доступ к инференсу. Значит, зарабатывать ей придется на Tinker, дообучении, training-сервисах и доле в экосистеме хостинга вокруг своих моделей.
Внутри самой компании ситуация, похоже, стала стабильнее. Сейчас в Thinking Machines около 200 сотрудников — больше, чем после волны уходов в начале года, когда в январе двое сооснователей перешли в OpenAI. Но и здесь стартап пытается играть не в культ персоналий, а в устойчивую инженерную организацию. Вопрос в другом: действительно ли рынок готов массово покупать не «еще один чат-бот», а конструктор корпоративного ИИ, который нужно доводить собственными руками. Если готов, модель Inkling может оказаться не самым сильным релизом года, но одним из самых показательных.