Inkling abre sus pesos: qué puede hacer de verdad quien descarga el modelo de Thinking Machines

El 15 de julio de 2026, Thinking Machines Lab publicó Inkling, su primer modelo con los pesos disponibles, y lo presentó como una base que otros pueden adaptar. La noticia parece fácil de resumir: la empresa de Mira Murati ha “abierto” su IA. Pero esa frase junta cuatro permisos y capacidades muy distintos. Uno puede descargar unos pesos; otra cosa es poder ejecutarlos; otra, modificarlos; y otra, redistribuir el resultado o usarlo en un producto.

La capacidad que deja este anuncio es aprender a separar esas cuatro preguntas. Sirve para Inkling y para el próximo modelo que se anuncie como abierto. Evita tanto el entusiasmo automático —“cualquiera tendrá el modelo en su ordenador”— como la conclusión opuesta —“si no cabe en mi portátil, no es abierto de verdad”. Ambas pierden información importante.

El primer peldaño: qué ha publicado Thinking Machines

En su anuncio original, Thinking Machines describe Inkling como un transformer de mezcla de expertos, o MoE: tiene 975.000 millones de parámetros en total, de los que activa 41.000 millones para cada token. Acepta texto, imágenes y audio como entrada y genera texto. La empresa también pone a disposición una vista previa de Inkling-Small y ofrece el modelo en Tinker, su plataforma de ajuste fino.

La frase decisiva es “pesos disponibles”. Los pesos son los valores numéricos aprendidos durante el entrenamiento que determinan cómo responde una red neuronal. Tenerlos permite conservar una copia, inspeccionar cómo se empaqueta el modelo, escoger la infraestructura donde se sirve y, dentro de las condiciones de la licencia, crear una versión ajustada para una tarea. No es lo mismo que recibir una clave de API: con una API, otra empresa conserva el modelo y decide la infraestructura, la versión y el precio; con los pesos, el desarrollador gana más control técnico.

Pero el comunicado no dice que Inkling sea el mejor modelo general disponible. Dice expresamente que no lo es. Su apuesta es otra combinación: modalidades de entrada, esfuerzo de razonamiento regulable y posibilidad de personalización. Esa cautela importa. “Abierto” describe principalmente cómo se distribuye el modelo; no es una certificación de que sea superior, seguro para cualquier uso o barato de operar.

El segundo peldaño: cuatro verbos que no conviene confundir

Descargar. La ficha técnica oficial confirma que los pesos están disponibles y que la licencia es Apache 2.0. Descargar significa que el archivo del modelo puede llegar a la infraestructura que controle el usuario. Es una diferencia importante para investigación, continuidad de un servicio y experimentos que no quieran depender de una sola API. No significa aún que el archivo se ejecute en el equipo desde el que se descargó.

Ejecutar. Aquí aparece el límite físico que suele desaparecer del titular. La misma ficha dice que el checkpoint BF16 necesita al menos 2 TB de memoria de vídeo agregada; propone, por ejemplo, ocho GPU NVIDIA B300 o dieciséis H200. El formato NVFP4, cuantizado, baja el requisito a al menos 600 GB agregados. Son configuraciones de servidor o clúster, no el ordenador doméstico habitual. Por tanto, “ejecutarlo localmente” puede significar ejecutarlo en la infraestructura propia de una universidad o empresa, no en un portátil sin conexión.

Esta precisión no reduce el valor de los pesos abiertos. Cambia quién puede aprovecharlos directamente. Un laboratorio con GPU, una compañía que ya opera inferencia o un proveedor de nube puede elegir cómo y dónde servir Inkling. Un equipo pequeño puede usar un proveedor compatible o una plataforma de ajuste. El acceso práctico es un continuo: no hay solo “lo tengo en mi PC” o “dependo por completo de una API”.

Modificar. Los pesos abiertos hacen posible el ajuste fino: entrenar una versión posterior con ejemplos y evaluaciones de un dominio concreto sin reconstruir el modelo desde cero. Thinking Machines vincula Inkling a Tinker y explica que busca facilitar esa personalización. Modificar no equivale a hacer al modelo infalible ni a cambiarlo con una instrucción escrita en un chat. Exige datos, objetivos de entrenamiento, pruebas de calidad y una forma de volver atrás si la versión especializada empeora respuestas que antes funcionaban.

El ejemplo útil no es “una IA para todo”, sino una tarea delimitada: un asistente que clasifique documentación interna, un sistema que ayude a revisar un tipo concreto de código o una interfaz que responda con el vocabulario de un equipo. Antes de ajustar un modelo, quien lo adopta debe poder responder: ¿qué comportamiento queremos cambiar?, ¿con qué casos comprobaremos que mejoró?, ¿qué información no debe entrar en el conjunto de entrenamiento? Abrir los pesos da la palanca; no resuelve esas decisiones.

Redistribuir y usar. Apache 2.0 es una licencia permisiva —permite uso comercial, modificación y redistribución sin pedir permiso—, pero conviene leer sus términos exactos y no solo la nota de prensa que la menciona. El texto de la licencia no concede permiso para usar el nombre, la marca o el logotipo de Thinking Machines al distribuir un derivado; exige conservar los avisos de copyright y señalar expresamente qué ficheros se modificaron; y entrega el software "tal cual", sin garantía de ningún tipo. Tiene además una cláusula que rara vez se lee: si quien usa el modelo demanda a Thinking Machines por infracción de patente relacionada con Inkling, pierde automáticamente la licencia de patente que la propia Apache 2.0 le concedió. Sobre eso, la licencia no deja margen de interpretación.

Encima de la licencia del software, Thinking Machines publica una política de uso aceptable que sí impone restricciones de contenido y de uso —desde no generar material que facilite armas de gran capacidad de daño hasta no suplantar personas reales o eludir las medidas de seguridad del propio modelo—, aplicable a los materiales del modelo y a las versiones modificadas. Apache 2.0 abre la puerta técnica y legal a redistribuir y modificar; la política de uso aceptable es la que de verdad limita para qué. Y ninguna de las dos exime del resto de normas: privacidad, seguridad, propiedad intelectual o regulación sectorial siguen aplicando igual que si el modelo no fuera abierto.

Lo que dicen los que no lo vendieron

Nada de lo anterior depende de creerle a Thinking Machines. Artificial Analysis, que mide todos los modelos con el mismo protocolo, sitúa a Inkling en 41 puntos de su Índice de Inteligencia —puesto 10 de 97, y muy por encima de la mediana de 25 entre modelos de peso abierto de tamaño comparable—. Es una cifra que el lector puede comparar directamente con la de cualquier otro modelo en la misma tabla, sin depender de qué benchmarks eligiera enseñar el propio laboratorio.

Sebastian Raschka, investigador independiente sin vínculo con ningún laboratorio de IA, comparó al día siguiente del lanzamiento las cifras publicadas de Inkling con las de GLM-5.2: Inkling gana en seguimiento de instrucciones (79,8% frente a 73,3% en IFBench) y precisión factual (43,9% frente a 38,1% en SimpleQA Verified), pero pierde en razonamiento experto sin herramientas (29,7% frente a 40,1% en Humanity's Last Exam), en corrección de código real (54,3% frente a 62,1% en SWE-Bench Pro) y, con una diferencia notable, en tareas agénticas de terminal (63,8% frente a 82,7% en Terminal-Bench 2.1). El propio Raschka avisa de no sobreinterpretar diferencias pequeñas con cifras recién publicadas, y describe a Inkling como "un buen todoterreno" pensado para ajuste especializado, no como un modelo diseñado para liderar tablas de clasificación.

El cuadro que resulta no es ni el titular de "el mejor modelo abierto" ni su contrario: es un modelo fuerte en algunas tareas, por detrás en otras, evaluado por alguien que no tiene ningún interés en que la cifra salga bien.

La prueba que evita un titular engañoso

Ante un futuro anuncio, basta con hacer cuatro preguntas en este orden. Primera: ¿qué se entrega exactamente, pesos, código, una API o solo una demo? Segunda: ¿en qué licencia y con qué política de uso? Tercera: ¿qué hardware y qué software hacen falta para ejecutar el checkpoint publicado? Cuarta: ¿qué vía real tendrá el lector o su organización: descargar, contratar inferencia, ajustar mediante una plataforma o desarrollar sobre una API?

Las respuestas pueden ser mezcladas. Inkling, por ejemplo, ofrece pesos y al mismo tiempo una vía de uso y ajuste en Tinker; la documentación de la plataforma enumera opciones de contexto de 64.000 y 256.000 tokens para el servicio. Eso no es una contradicción. Es la diferencia entre que una capacidad exista y que sea cómoda, económica o accesible para cada persona.

También conviene pedir evidencia de que la apertura es operativa: enlaces de descarga, ficha de modelo, licencia, formatos de checkpoint y compatibilidad con motores de inferencia. Un eslogan sobre “democratizar” no contesta esas preguntas. En el caso de Inkling, la empresa enumera formatos y requisitos de VRAM, y menciona compatibilidad con herramientas de inferencia; esos detalles permiten evaluar el alcance sin convertir una promesa comercial en un hecho universal.

Lo que cambia dentro de un año

El patrón permanecerá aunque cambien los nombres de los laboratorios. Cada vez habrá modelos abiertos más pequeños, más grandes, más cuantizados o con acceso híbrido. La palabra “abierto” seguirá siendo útil solo si va acompañada de un objeto: abierto qué, para quién, bajo qué reglas y con qué coste de ejecución.

Inkling sí amplía la capacidad de elección para quienes tienen infraestructura o pueden trabajar con proveedores: pueden estudiar, ajustar y desplegar un checkpoint en vez de limitarse a enviar solicitudes a una caja negra remota. Pero no promete que toda persona pueda manejar 975.000 millones de parámetros desde casa. Mantener ambas ideas a la vez es leer bien la noticia. La apertura no es un interruptor; es un conjunto de controles que conviene nombrar antes de celebrar o descartar un lanzamiento.

Fuentes: anuncio de Inkling, model card, política de uso, documentación de Tinker, licencia Apache 2.0, Artificial Analysis y Sebastian Raschka.