Thinking Machines, лаборатория ИИ, основанная бывшим техническим директором OpenAI Мирой Мурати, выпустила вторую модель под названием Inkling Small, смещая внимание с сырого масштаба на эффективность. Согласно материалу The Decoder, новая модель использует гораздо меньше активных параметров, чем предыдущая модель компании Inkling, при этом почти достигает её результатов по широкому набору бенчмарков и превосходит её в некоторых тестах на программирование и рассуждение.

Такое позиционирование важно, потому что оно напрямую отвечает на болезненную точку нынешнего рынка моделей: многим разработчикам и корпоративным покупателям нужна высокая производительность рассуждений без оплаты затрат на инференс, задержек и сложности развертывания, которые часто сопровождают более крупные frontier-системы. Если Thinking Machines сможет показать, что более маленькая открытая модель остаётся конкурентоспособной в значимых задачах, это усилит аргумент в пользу доработанных, предметно-ориентированных внедрений вместо гонки по принципу «один размер подходит всем» к всё более крупным моделям.

Меньшая модель с амбициями почти паритета

Главная новость проста. Thinking Machines представила Inkling Small как модель рассуждений с открытыми весами, и The Decoder сообщает, что по ключевым показателям параметров она меньше Inkling более чем в три раза. Согласно отслеживанию бенчмарков от Artificial Analysis, Inkling Small набирает 40 баллов в Intelligence Index компании, тогда как Inkling — 41.

В том же сообщении говорится, что у модели 276 миллиардов параметров всего и 12 миллиардов активных параметров. Это различие важно. В современном дизайне моделей, особенно в разреженных или mixture-подобных системах, число активных параметров может быть лучшим приближением к runtime-затратам, чем просто общее число параметров, потому что оно отражает, какая часть сети реально задействуется для конкретного токена. Хотя доступные исходные материалы не раскрывают архитектуру Inkling Small, разрыв между общими и активными параметрами позволяет предположить, что Thinking Machines делает акцент на эффективности не только в маркетинге модели, но и в том, как, вероятно, управляется инференс.

VentureBeat в отдельном сообщении представил запуск аналогичным образом, описав Inkling Small как open source AI-модель, которая приближается к производительности предшественника при примерно четверти размера. Поскольку полный текст этого сообщения не был доступен в исходных материалах, более подробные технические и бенчмарк-описания здесь в основном опираются на материал The Decoder и цитируемые там сторонние бенчмарки.

Где Inkling Small выглядит сильнее

По данным The Decoder, Inkling Small обходит своего более крупного собрата в нескольких оценках, ориентированных на рассуждение и кодирование. Среди приведённых примеров — Humanity's Last Exam, где Inkling Small набрал 32% против 30% у Inkling, и GPQA Diamond, где он показал 89% против 87%.

Это не пустяковые победы. Humanity's Last Exam используется как сложный бенчмарк для проверки более продвинутых способностей к рассуждению, а GPQA Diamond часто упоминается в обсуждениях вопросов и ответов на высоком научном и экспертном уровне. Такие результаты указывают на то, что Thinking Machines, возможно, настроила Inkling Small так, чтобы он хорошо работал на компактных и трудных задачах рассуждения, а не просто сохранял широкий базовый уровень возможностей.

В то же время сообщается, что модель уступает более крупному Inkling в задачах на основе агентов и в фактических знаниях. Этот компромисс важен. Для команд, создающих ассистентов программирования, внутренних исследовательских копилотов или узкие рабочие процессы рассуждения, более высокая производительность на токен может быть ценнее, чем более широкая база знаний. Но для универсальных агентов, которым нужно извлекать факты, использовать инструменты на более длинных горизонтах или надёжно работать во множестве корпоративных задач, эти недостатки всё ещё могут иметь значение.

Другой аспект производительности — эффективность вывода. The Decoder сообщает, что Inkling Small в среднем выдаёт 24K выходных токенов на задачу, по сравнению с 45K у Deepseek V4 Flash и 78K у GPT-5.4 mini. Если это сравнение сохраняется в сопоставимых условиях, оно указывает на практическое преимущество: модель, достигающая результата с меньшим числом сгенерированных токенов, может снизить стоимость и уменьшить видимую пользователю задержку. Однако, как и в случае со многими сравнениями эффективности на основе бенчмарков, важны точный набор задач и схема оценки, и покупателям не следует придавать слишком большое значение одной-единственной цифре токенной эффективности без независимого тестирования.

Релиз с открытыми весами и упаковка продукта

Примечательна и сама упаковка модели Thinking Machines. The Decoder сообщает, что Inkling Small поддерживает текст, изображения и голосовые вводы, что делает его мультимодальным, а не позиционирует как текстовый только движок рассуждений. Кроме того, у него окно контекста на 256K токенов, что ставит его в диапазон, ожидаемый для анализа больших документов, работы с кодовыми базами и продолжительных диалоговых сессий.

По доступу модель распространяется под Apache 2.0, а веса доступны на Hugging Face. Такой выбор лицензии значим для коммерческого внедрения. Apache 2.0 обычно считается удобной для бизнеса, поскольку она допускает широкое использование, модификацию и распространение без части юридической неопределённости, которая может сопровождать более ограничительные общественные лицензии.

Как сообщает The Decoder, Thinking Machines также делает Inkling Small доступной через Tinker Playground, где пользователи могут дообучать модель прямо в браузере. Это соответствует продуктовой стратегии, ориентированной не столько на продажу одного канонического endpoint'а модели, сколько на превращение базовой модели в настраиваемую отправную точку. Компания, как описано в материале, позиционирует свои модели как основу, которую пользователи могут адаптировать под свои данные.

Это сообщение находит отклик на рынке, который всё больше интересуется владением и специализацией. Многие продуктовые команды теперь хотят контролировать задержку, топологию развёртывания, поведение безопасности и адаптацию к домену. Модель с открытыми весами, распространяемая через Hugging Face и дополненная лёгкими инструментами настройки, даёт Thinking Machines более понятный путь к этому сегменту покупателей, чем закрытое предложение только через API.

Что подтверждают доказательства — и что нет

Доказательная база вокруг запуска Inkling Small многообещающая, но пока относительно скромная. Самый подробный источник в этой группе — The Decoder, который, в свою очередь, относит основную рамку производительности к Artificial Analysis. Это значит, что ключевое утверждение — близкие к Inkling возможности при гораздо меньшем активном размере — основано на стороннем мониторинге бенчмарков, а не на полноценной технической статье, включённой в предоставленные материалы.

Некоторые утверждения прямолинейны и, вероятно, легко проверяются напрямую, включая лицензию Apache 2.0, наличие весов на Hugging Face, контекстное окно 256K и доступность через Tinker Playground. Другие требуют большей осторожности. Баллы бенчмарков вроде Intelligence Index, Humanity's Last Exam и GPQA Diamond зависят от протоколов оценки, выбора промптов и версий модели. Утверждение, что ни одна открытая модель равного или меньшего размера не набирает больше, исходит от Artificial Analysis, как цитирует The Decoder, а не из независимо воспроизведённого аудита рынка в предоставленных здесь материалах.

Также в исходных материалах нет подробных данных о развёртывании. У нас пока нет прямых цифр по пропускной способности, реальной стоимости обслуживания, использованию в компаниях, стабильности дообучения или безопасности под атакующими тестами. Так что, хотя Inkling Small на бумаге выглядит убедительно как эффективный релиз с открытыми весами, покупателям следует воспринимать текущую картину как основанную на бенчмарках, а не как доказанную на практике.

Почему этот запуск важен для разработчиков и компаний

Для AI-разработчиков самый сильный сигнал этого релиза заключается не просто в том, что Thinking Machines выпустила ещё одну модель. Важно то, что компания предлагает иную цель оптимизации. На рынке, который всё ещё определяется анонсами флагманских моделей, Inkling Small показывает, что есть место для продуктовой стратегии, построенной вокруг полезного рассуждения при меньшем активном размере, меньшем потреблении токенов и более простой кастомизации.

Это может найти отклик в нескольких сценариях. Ассистент программирования, которому нужны быстрые итеративные подсказки, может выиграть от токенной эффективности больше, чем от максимально широких мировых знаний. Внутренние корпоративные AI-системы, построенные на проприетарных документах, могут предпочесть модель, которую можно дообучить на данных компании и развернуть по разрешительной лицензии. Команды, работающие с мультимодальными входами, могут увидеть ценность в одной модели, способной обрабатывать текст, изображения и речь без перехода по умолчанию на более крупный проприетарный стек.

Конкурентный аспект тоже очевиден. Сравнивая эффективность выходных токенов с Deepseek V4 Flash и GPT-5.4 mini, запуск входит в переполненный средний сегмент моделей, конкурирующих по соотношению цена/производительность, а не только по абсолютному лидерству в бенчмарках. Именно там на практике решается значительная часть корпоративных AI-бюджетов. Вопрос уже не столько «какая модель самая умная?», сколько «что достаточно хорошо, достаточно управляемо и достаточно доступно, чтобы вывести в продакшн?»

Для Thinking Machines этот релиз помогает определить её идентичность. Вместо того чтобы пытаться просто задавить крупнейших закрытых поставщиков моделей одной лишь зрелищностью, компания, похоже, делает ставку на то, что открытое развёртывание, эффективное рассуждение и гибкость дообучения смогут обеспечить ей устойчивую позицию.

Что отслеживать дальше

Следующие сигналы, за которыми стоит наблюдать, будут скорее практическими, чем рекламными. Во-первых, независимое тестирование Inkling Small в задачах ассистента программирования, надёжности агентов и фактической обоснованности покажет, превращается ли история с бенчмарками в реальное продакшн-использование.

Во-вторых, стоит посмотреть, даст ли релиз на Hugging Face заметный общественный отклик: производные чекпойнты, рецепты настройки, интеграции с фреймворками и воспроизводимые отчёты о задержке. Запуски с открытыми весами важнее, когда они привлекают экосистему, а не только скачивания.

В-третьих, стоит отслеживать роль Tinker Playground. Если браузерное дообучение снижает барьер для специализации, Thinking Machines может получить распространение среди небольших команд без тяжёлой ML-инфраструктуры.

Наконец, любые будущие технические раскрытия от Thinking Machines будут важны. Более подробная информация об архитектуре, методах обучения, поведении безопасности и экономике инференса помогла бы компаниям понять, является ли Inkling Small главным образом эффективной по бенчмаркам моделью или действительно рабочей альтернативой более крупным проприетарным системам.

Взгляд Creati.ai

Inkling Small вписывается в более широкий сдвиг в корпоративных закупках AI: оптимизация смещается от сырого престижа модели к математике развертывания. Модель, которая немного хуже в таблице лидеров, но существенно лучше по использованию токенов, гибкости настройки и лицензированию, может оказаться более важным продуктом.

Открытый вопрос в том, сможет ли Thinking Machines превратить эту гипотезу в распространение. Inkling Small даёт компании убедительную точку входа на рынок открытых весов, особенно через Apache 2.0, Hugging Face и Tinker Playground. Но чтобы прорваться, одного лишь близкого к Inkling результата в бенчмарках будет недостаточно. Нужны доказательства того, что команды смогут надёжно строить на его основе настоящие корпоративные AI-системы и AI-агентов с лучшей стоимостью, контролем и скоростью, чем у закрытых альтернатив.