Thinking Machines lanza Inkling, su modelo abierto de 975.000 millones

Thinking Machines Lab, la empresa fundada por la exdirectora tecnológica de OpenAI Mira Murati, ha presentado Inkling, su primer modelo propio de inteligencia artificial. Es un lanzamiento relevante por su escala y por su planteamiento: en vez de vender un asistente cerrado y generalista, la compañía quiere que las organizaciones descarguen el modelo, lo modifiquen y lo especialicen.

Inkling tiene 975.000 millones de parámetros totales, las unidades internas que un modelo ajusta durante el entrenamiento. Sin embargo, solo activa unos 41.000 millones para cada petición. Esta arquitectura, llamada mixture-of-experts o mezcla de expertos, divide el trabajo entre grupos especializados de parámetros y permite que un modelo muy grande no tenga que usar toda su capacidad en cada respuesta.

Un modelo abierto para adaptar, no un chatbot terminado

Los pesos de Inkling son abiertos: desarrolladores y empresas pueden descargarlos y ajustar el modelo directamente. No equivale a que todo el proceso sea abierto —los datos de entrenamiento y la infraestructura no lo son necesariamente—, pero sí da a los clientes un control mucho mayor que el acceso por API a modelos como ChatGPT, Claude o Gemini.

La compañía entrenó Inkling con 45 billones de tokens procedentes de texto, imágenes, audio y vídeo. Un token es una unidad de texto que el sistema procesa, similar a una palabra o fragmento de palabra. Aunque el entrenamiento es multimodal, sus respuestas se limitan por ahora al texto: puede generar código, datos estructurados y documentos con formato.

Thinking Machines sostiene que el modelo está diseñado para expresar incertidumbre en lugar de inventar una respuesta cuando no tiene base suficiente. También permite regular el esfuerzo de razonamiento: el usuario puede pedir una respuesta más rápida o asignar más cálculo a una tarea difícil. Es una función cada vez más habitual en modelos avanzados, pero especialmente útil si una empresa debe equilibrar coste, latencia y precisión en miles de consultas.

La empresa no presenta Inkling como el modelo más capaz del mercado. Su propio anuncio admite que no es el más potente, ni entre los sistemas abiertos ni entre los cerrados. El objetivo es distinto: ofrecer una base suficientemente competitiva para que una organización pueda llevarla a su terreno.

La personalización como producto central

Esa estrategia se apoya en Tinker, la plataforma de Thinking Machines para entrenar y afinar modelos. El ajuste fino consiste en continuar el entrenamiento de un modelo con ejemplos, documentación y criterios de una empresa. Un banco puede enseñarle su lenguaje interno y sus procesos de análisis; una compañía industrial, sus manuales técnicos y registros de mantenimiento.

La idea tiene una ventaja clara: buena parte del conocimiento útil de una organización no aparece en los datos públicos con los que se entrenan los grandes modelos. Está en procedimientos, decisiones previas, nomenclaturas propias y excepciones acumuladas durante años. Un chatbot generalista puede ayudar a redactar o resumir; un modelo especializado aspira a intervenir en tareas donde ese contexto marca la diferencia.

Pero abrir y personalizar un modelo no elimina los problemas. Requiere equipos con experiencia en aprendizaje automático, datos bien preparados y controles de seguridad propios. Si una compañía modifica el comportamiento del sistema, también asume buena parte de la responsabilidad de evaluar sus fallos, sesgos y posibles usos indebidos.

Eficiencia y una prueba en finanzas

Thinking Machines afirma que Inkling necesita un tercio de los tokens que utiliza Nemotron 3 Ultra de Nvidia para alcanzar el mismo rendimiento en una prueba de programación. La comparación apunta a uno de los grandes costes de la IA generativa: no basta con entrenar modelos; también hay que pagar por ejecutarlos cada vez que un usuario los consulta.

La compañía también ha citado un proyecto con Bridgewater Associates, el mayor fondo de cobertura del mundo. Ambas organizaciones ajustaron un modelo abierto existente con conocimiento financiero de Bridgewater y aseguran haber alcanzado un 84,7% en pruebas de razonamiento financiero, por encima de modelos propietarios punteros, con un coste operativo aproximado de una catorceava parte. Son resultados evaluados por las propias partes, no por un laboratorio independiente, por lo que sirven como indicio de la estrategia más que como una comparación definitiva del sector.

Inkling fue entrenado íntegramente en sistemas GB300 NVL72 de Nvidia. Thinking Machines anunció en marzo una alianza con Nvidia para desplegar un gigavatio de capacidad de computación Vera Rubin, una señal de que su propuesta de eficiencia no implica prescindir de infraestructura de gran escala.

El negocio no está en cobrar por cada consulta

Los modelos cerrados suelen convertir cada uso en ingresos: el cliente paga una suscripción o el acceso a una API. Un modelo de pesos abiertos cambia esa relación. Una vez descargado, puede ejecutarse en la infraestructura del cliente o en proveedores externos sin que su creador cobre por cada respuesta.

Por eso el negocio de Thinking Machines depende menos de Inkling como producto aislado que de Tinker, del entrenamiento, del ajuste fino y del alojamiento que se construya alrededor del modelo. La empresa está apostando a que muchas organizaciones no buscarán el modelo general más poderoso, sino uno que puedan controlar, adaptar y operar con costes previsibles.

La cuestión que Inkling pone sobre la mesa no es solo quién construye el mejor modelo. También es quién conserva el control sobre el conocimiento que hace útil a la IA dentro de una empresa. En ese terreno, los pesos abiertos ofrecen una alternativa concreta a la dependencia de unos pocos proveedores de modelos cerrados.