Inkling sfida Openai con un modello open-weight da 975 miliardi di parametri

Thinking Machines Lab ha rilasciato Inkling, il suo primo modello open-weight con 975 miliardi di parametri, addestrato da zero in soli nove mesi. La scommessa di Mira Murati: le imprese vogliono modelli da personalizzare, non da affittare.

Inkling è un transformer Mixture-of-Experts: ha 975 miliardi di parametri totali, ma ne attiva solo 41 miliardi per ogni singola richiesta, il che abbassa drasticamente i costi computazionali mantenendo la profondità di un modello molto più grande. Supporta una finestra di contesto fino a 1 milione di token ed è stato preaddestrato su 45 trilioni di token di testo, immagini, audio e video. Gli output, al momento, sono limitati al testo — inclusi codice, artefatti formattati e dati strutturati.

Accanto al modello principale, la società ha presentato in anteprima Inkling-Small, una variante più leggera con 12 miliardi di parametri attivi, pensata per casi d’uso a bassa latenza. I pesi sono disponibili su Hugging Face e il modello è già attivo per il fine-tuning su Tinker, la piattaforma di personalizzazione della società. Databricks e Together AI offrono accesso via API dal giorno stesso del lancio.

Il team e i finanziamenti della startup

Thinking Machines è stata fondata nel febbraio 2025 da Murati insieme a John Schulman, cofondatore di OpenAI, e Lilian Weng, ex vicepresidente responsabile della sicurezza e della robotica. Prima ancora di rilasciare un singolo prodotto, la società aveva chiuso un seed round da 2 miliardi di dollari a una valutazione di 12 miliardi — il più grande della storia del venture capital secondo diverse fonti. Tra i finanziatori: Andreessen Horowitz, Nvidia, AMD, Cisco e Jane Street.

Nvidia è anche partner infrastrutturale: Inkling è stato addestrato su sistemi GB300 NVL72. La società ha inoltre siglato un accordo con Google Cloud da miliardi di dollari.

Open-weight: una scelta strategica

La scelta dell’open-weight non è neutrale. OpenAI e Anthropic tengono i loro modelli più potenti chiusi dietro API a pagamento. Thinking Machines punta su un’ipotesi diversa: le imprese preferiscono modelli che possono adattare, eseguire sulla propria infrastruttura e aggiornare senza cedere dati a terzi. La società cita come prova un progetto con il fondo hedge Bridgewater Associates, cliente di Tinker: un modello addestrato sul know-how finanziario interno ha ottenuto l’84,7% su test di ragionamento finanziario, superando modelli proprietari a costi inferiori — anche se si tratta di una valutazione interna, non indipendente.

Sul versante benchmark, Thinking Machines non pretende di avere il modello migliore in assoluto. Lo dice esplicitamente: Inkling non è il modello più forte disponibile oggi, né tra quelli aperti né tra quelli chiusi. L’obiettivo dichiarato è la versatilità e l’efficienza di token: su un benchmark di coding, il modello userebbe un terzo dei token di Nemotron 3 Ultra di Nvidia per raggiungere la stessa performance.

Critiche e nuovi sviluppi

C’è anche una questione di metodo che la comunità osserverà con attenzione. Il pre-training di Inkling è partito da zero, ma per la fase iniziale di post-training la società ha usato dati sintetici generati da modelli open-weight esistenti, tra cui Kimi K2.5 di Moonshot AI. Una pratica nota come distillazione parziale, che ha già attirato critiche nel settore. Il prossimo modello, promette Thinking Machines, userà un post-training interamente autonomo.

Durante l’addestramento è emerso anche un comportamento inatteso: il modello aveva eliminato spontaneamente le spiegazioni in linguaggio naturale durante il ragionamento complesso, considerandole un overhead inutile. Il team è intervenuto per ripristinarle, giudicando l’interpretabilità una priorità non negoziabile.

Un modello da testare

Il nodo vero resta la monetizzazione. Distribuire gratuitamente un modello da 975 miliardi di parametri, dopo aver raccolto 2 miliardi di dollari, è una scommessa ad alto rischio. Il ritorno dipenderà da quanto le imprese pagheranno per Tinker, per il supporto enterprise e per le integrazioni di piattaforma. Thinking Machines dice di aver fatto in nove mesi quello che Openai ha impiegato cinque anni e Anthropic tre a costruire. Se Inkling diventa davvero il punto di partenza preferito per il fine-tuning aziendale in Occidente — in un mercato dove i modelli cinesi open-weight dominano per qualità — la tesi reggerà. Altrimenti, il secondo modello dovrà essere una risposta molto più convincente.