Thinking Machines Lab präsentiert Inkling: Ein neues multimodales KI-Modell

Inkling: Mira Muratis Thinking Machines Lab stellt sein erstes KI-Modell vor

Das von der ehemaligen OpenAI CTO Mira Murati gegründete Thinking Machines Lab hat sein erstes KI-Modell namens Inkling vorgestellt. Dieses multimodale Open-Weights-Modell mit 975 Milliarden Parametern ist darauf ausgelegt, Text, Bilder und Audio nativ zu verarbeiten. Die Veröffentlichung markiert einen bedeutenden Schritt für das Unternehmen in der Landschaft der künstlichen Intelligenz.

Technische Details und Leistungsmerkmale

Inkling ist ein Mixture-of-Experts-Transformer, bei dem von den insgesamt 975 Milliarden Parametern jederzeit etwa 41 Milliarden aktiv sind. Das Modell wurde auf 45 Billionen Token aus öffentlichen und synthetischen Daten trainiert, darunter Text, Bilder, Audioaufnahmen und Videos. Ein bemerkenswerter Aspekt ist die Verwendung des chinesischen KI-Modells Kimi K2.5 zur Generierung synthetischer Daten.

Das Modell unterstützt ein Kontextfenster von bis zu einer Million Token und ist als Open-Weights-Modell auf Hugging Face verfügbar. Thinking Machines bietet zudem über seine Plattform Tinker Zugang zum Modell, um dessen Anpassung an spezifische Aufgaben zu erleichtern.

Positionierung im Markt und Vergleich mit Wettbewerbern

Laut der Analyseplattform Artificial Analysis erreicht Inkling einen Wert von 41 im Artificial Analysis Intelligence Index. Dies positioniert es als das führende Open-Weights-Modell aus einem US-Labor, vor Wettbewerbern wie Nemotron 3 Ultra (38 Punkte) und Gemma 4 31B (29 Punkte).

Insbesondere bei agentenbasierten Aufgaben, die Wissensarbeit simulieren (GDPval-AA v2), übertrifft Inkling Modelle wie Kimi K2.6 und DeepSeek v4 Flash max. Auf dem Tau-3-Banking-Benchmark erreicht Inkling 24 Prozent, was ebenfalls über den Werten von Kimi K2.6 (21 Prozent) und DeepSeek v4 Flash max (23 Prozent) liegt.

Herausforderungen und Kostenstruktur

Trotz seiner Stärken in bestimmten Benchmarks weist Inkling Schwächen bei der faktischen Genauigkeit auf. Mit einer Halluzinationsrate von 63 Prozent und einer Genauigkeitsbewertung von lediglich 40 Prozent im AA Omniscience-Benchmark liegt es unter den führenden Open-Weights-Modellen. Diese Eigenschaft könnte die Einsatzmöglichkeiten in Anwendungen, die hohe faktische Präzision erfordern, einschränken.

Die Kostenstruktur für Inkling liegt bei 1,87 US-Dollar pro Million Input-Token und 4,68 US-Dollar pro Million Output-Token bei einem Kontextfenster von 64K. Diese Preise sind höher als bei einigen chinesischen Open-Source-Modellen, die vergleichbare oder bessere Leistungen bei Text- und Codeaufgaben bieten. Für Kontextfenster von bis zu 256.000 Token erhöhen sich die Kosten entsprechend.

Ein Vorteil von Inkling ist jedoch die Token-Effizienz. Das Modell benötigt im Durchschnitt 25.000 Output-Token pro Intelligence Index-Aufgabe, während vergleichbare Modelle wie GLM-5.2 max etwa 43.000 und Kimi K2.6 circa 38.000 Token verbrauchen.

Inkling-Small: Eine kompaktere Alternative

Parallel zur Veröffentlichung von Inkling hat Thinking Machines eine Vorschau auf Inkling-Small gegeben. Dieses kompaktere Modell verfügt über 276 Milliarden Parameter und 12 Milliarden aktive Parameter. Es zeigt in einigen Benchmarks ähnliche oder sogar bessere Ergebnisse als das größere Inkling-Modell. Beispielsweise erreicht Inkling-Small 88,3 Prozent auf GPQA Diamond (Inkling: 87,2 Prozent) und 46,6 Prozent auf dem HLE-Benchmark mit Tools (Inkling: 46,0 Prozent). Thinking Machines führt diese Ergebnisse auf Änderungen in den Vortrainingsdaten und im Trainingsprozess zurück und plant die vollständige Veröffentlichung der Gewichte nach Abschluss weiterer Tests.

Strategische Ausrichtung und Zukunftsaussichten

Thinking Machines positioniert Inkling als eine flexible Basis für individuelle Anpassungen, anstatt als das leistungsstärkste Modell auf dem Markt. Dieser Ansatz zielt darauf ab, Unternehmen eine anpassungsfähige Lösung für spezifische Anforderungen zu bieten, insbesondere im Hinblick auf die multimodale Verarbeitung und die Effizienz bei agentenbasierten Aufgaben. Die Möglichkeit, die "Denkanstrengung" kontinuierlich anzupassen, erlaubt es Nutzern, ein Gleichgewicht zwischen Kosten und Leistung zu finden.

Die Entwicklung von Inkling durch Thinking Machines Lab unterstreicht die Dynamik im Bereich der künstlichen Intelligenz und die anhaltende Konkurrenz zwischen verschiedenen Akteuren, insbesondere im Segment der Open-Source-Modelle.

Bibliographie

- The Decoder: "Ex-OpenAI CTO Murati's Thinking Machines drops Inkling, a 975B parameter model that leads US labs but trails China" - TechCrunch: "Thinking Machines amps up its bet against one-size-fits-all AI with its first open model, Inkling" - The Verge: "Mira Murati’s Thinking Machines Lab has debuted its first AI model." - VentureBeat: "Thinking Machines open sources first multimodal language model, Inkling, focused on low cost and 'resistance to censorship'" - WIRED: "Thinking Machines Lab Drops Its First Model" - Decrypt: "Mira Murati Drops Her First AI Model After Leaving OpenAI—And It's Fully Open Source" - TechTimes: "Inkling Ships: Murati's Lab Puts Largest US Open-Weight AI on Hugging Face" - Mezha: "Thinking Machines unveils Inkling, a 975 billion parameter open weight model to challenge closed AI systems" - Shipfeed: "Murati's 975B Inkling model leads US, trails China" - Singularity Moments: "Mira Murati's Thinking Machines enters the ring with Inkling"