El Thinking Machines Lab de Mira Murati ha entrado oficialmente en la contienda con Inkling, un modelo de pesos abiertos (open-weight) diseñado para desafiar el dominio de los gigantes de la IA centralizados y de "talla única". Al apostar por la capacidad de personalización en lugar de la potencia bruta de propósito general, la startup afirma que el futuro de la IA empresarial reside en una inteligencia especializada y optimizada localmente.
La arquitectura de Inkling: eficiencia a través de MoE
Inkling es un sistema de Mezcla de Expertos (Mixture-of-Experts) con un total masivo de 975 mil millones de parámetros. Sin embargo, solo activa unos 41 mil millones de parámetros para cualquier tarea individual, reduciendo la latencia y el coste al tiempo que preserva un razonamiento de alto nivel. El modelo aprendió de 45 billones de tokens de texto, imagen, audio y vídeo, lo que le otorga capacidades multimodales nativas. La empresa afirma que Inkling iguala al Nemotron 3 Ultra de Nvidia en pruebas de referencia (benchmarks) de programación utilizando solo un tercio de los tokens, una clara señal de eficiencia en el entrenamiento.
Un giro estratégico hacia la personalización empresarial
A diferencia de los productos estrella de OpenAI, Anthropic o Google, que funcionan principalmente como chatbots de propósito general, Inkling se comercializa como una base para las organizaciones. Thinking Machines presenta el modelo como un punto de partida, instando a las empresas a realizar un ajuste fino (fine-tuning) con datos propios a través de su plataforma “Tinker”.
Este movimiento aborda la trampa del "doble pago" de la industria. El CEO de Microsoft, Satya Nadella, advirtió que las empresas pagan dos veces: una por la suscripción y otra al alimentar con lógica de negocio única un modelo que, en última instancia, enriquece el conjunto de entrenamiento del proveedor. Al ofrecer un modelo de pesos abiertos, Thinking Machines permite que las empresas mantengan esa inteligencia de forma interna.
Infraestructura de alto nivel y desarrollo rápido
Thinking Machines llegó al mercado a toda velocidad. OpenAI tardó aproximadamente cinco años y Anthropic unos tres; Thinking Machines afirma haber alcanzado un hito comparable en solo nueve meses.
Para impulsar esa velocidad, la firma se apoyó en el hardware. Tras una asociación con Nvidia en marzo, Inkling se entrenó íntegramente en los sistemas GB300 NVL72 de Nvidia. La empresa utilizó técnicas de destilación —aprovechando modelos de pesos abiertos como Kimi K2.5 de Moonshot AI para las fases iniciales de post-entrenamiento— pero se compromete a realizar el futuro post-entrenamiento de forma totalmente interna.
Conclusiones clave
- Ventaja de los pesos abiertos: Los desarrolladores pueden descargar y modificar el modelo MoE de 975 mil millones de parámetros, manteniendo el control fuera de los ecosistemas cerrados.
- Diseño centrado en la eficiencia: El hecho de activar solo 41 mil millones de parámetros por tarea y reducir el uso de tokens permite que el modelo ofrezca un razonamiento de primer nivel a una fracción del coste operativo.
- La apuesta por la personalización: Thinking Machines pasa de los chatbots genéricos a “Tinker”, una plataforma que convierte los modelos fundacionales en activos especializados para cada organización.