Inkling: Thinking Machines Lab bringt 975B Open-Weights-Modell

Thinking Machines Lab hat kürzlich Inkling vorgestellt, das erste Modell des Unternehmens unter einer Open-Weights-Lizenz. Damit setzt das Team im Jahr 2026 einen Kontrapunkt zum Trend geschlossener Systeme und liefert eine Architektur, die auf Flexibilität und tiefe Anpassbarkeit statt auf reine Benchmark-Jagd setzt. Das Modell fungiert als multimodales Fundament, das Entwickler gezielt für industrielle Fachaufgaben zuschneiden können.

Technische Spezifikationen und Modellarchitektur

Inkling ist mit insgesamt 975 Milliarden Parametern (975B) ein Schwergewicht im Open-Source-Sektor. Dank einer Mixture-of-Experts-Architektur (MoE) werden pro Forward Pass nur 41 Milliarden Parameter (41B) aktiv, was den Hardware-Hunger bei der Inferenz im Zaum hält. Trainiert auf 45 Billionen (45T) Token, verarbeitet das System ein Kontextfenster von bis zu einer Million Token.

Die Multimodalität deckt Text, Bild, Audio und Video ab. Flankierend zum Hauptmodell erscheint eine Vorschau von Inkling-Small. Diese kompaktere Variante nutzt 12 Milliarden aktive Parameter (12B active) und ist für Szenarien gedacht, in denen geringe Latenz schwerer wiegt als maximale Kapazität.

Feature	Inkling (Main)	Inkling-Small (Preview)
Total Parameter	975 Mrd.	276 Mrd.
Aktive Parameter	41 Mrd.	12 Mrd.
Kontextfenster	1.000.000 Token	1.000.000 Token
Trainingsdaten	45T Token	45T Token

Strategische Ausrichtung und Customization

Thinking Machines Lab positioniert Inkling bewusst nicht als direkten Angreifer auf die Performance-Spitze proprietärer Allrounder. Der Fokus liegt darauf, eine verlässliche Basis für das Fine-Tuning bereitzustellen. Anstatt ein starres Werkzeug zu liefern, bietet das Labor ein Rohmaterial an, aus dem Unternehmen spezialisierte Lösungen für ihre eigenen Produkte formen.

In der Praxis verschiebt sich damit der Schwerpunkt: Firmen müssen ihre Workflows nicht länger mühsam um die Eigenheiten eines Drittanbieter-Modells herumbauen. Stattdessen lässt sich Inkling an spezifische Domänen und proprietäre Datensätze angleichen. Dieser Ansatz ebnet den Weg für eine vertikale Modell-Fabrikation, bei der die Kontrolle über die Gewichte beim Entwickler bleibt.

Integration mit der Tinker-Plattform

Ein zentraler Baustein des Releases ist die Verzahnung von Inkling mit Tinker, der hauseigenen Entwicklungsplattform. Diese Kombination bildet einen geschlossenen Kreislauf zur Modelloptimierung ab. In einer Demonstration verdeutlichte das Team die Effizienz: Inkling entwarf eigenständig einen Fine-Tuning-Job für sich selbst, um eine spezifische logische Einschränkung – das bewusste Vermeiden einzelner Zeichen – in der Ausgabe umzusetzen.

Der automatisierte Prozess deckt die wesentlichen Etappen ab:

• Identifikation der Zielvorgabe und Generierung der Trainingsdaten
• Durchführung des Fine-Tunings innerhalb der Plattform-Infrastruktur
• Automatisierte Evaluation (Eval) der Ergebnisse
• Direkter Wechsel auf die optimierten Modellgewichte

Durch diese Kette aus Datenaufbereitung, Training und Validierung verkürzt Thinking Machines Lab den Zyklus von der ersten Idee bis zur einsatzfähigen Spezial-KI. Weitere Details zum Release finden sich auf der offiziellen Website unter thinkingmachines.ai/news/introducing-inkling/.