W tym tygodniu w świecie AI dzieje się tyle, że łatwo przegapić rzecz, która za rok może się okazać najważniejsza z nich wszystkich. 15 lipca Thinking Machines Lab, startup Miry Murati, byłej CTO OpenAI, wypuścił swój pierwszy model: Inkling. Na papierze to kolejny duży Mixture-of-Experts - 975 miliardów parametrów, milion tokenów kontekstu, licencja Apache 2.0. Ale im dłużej czytałem materiały wokół tej premiery, tym mocniej docierało do mnie, że Inkling nie konkuruje z GPT ani Claude na benchmarki. On konkuruje z samym pomysłem, że wszyscy mamy używać tego samego modelu. I robi to w momencie, w którym firma sama przyznaje, że jej model nie jest najlepszy na rynku - co w dzisiejszym marketingu AI jest wyznaniem niemal rewolucyjnym.
Inkling w liczbach: największy amerykański open-weight
Najpierw fakty, bo są solidne. Inkling to Mixture-of-Experts o 975 miliardach parametrów łącznie, z których na pojedyncze zadanie pracuje około 41 miliardów. Model był trenowany na 45 bilionach tokenów obejmujących tekst, obraz, audio i wideo - rozumowanie jest natywnie multimodalne, choć na wyjściu Inkling generuje na razie wyłącznie tekst (w tym kod, artefakty i dane strukturalne). Do tego:
- Okno kontekstu do 1 miliona tokenów - poziom, który jeszcze rok temu był luksusem zamkniętych modeli, a w tym tygodniu stał się standardem premier (podobnie zrobił Kimi K3).
- Licencja Apache 2.0 i wagi na Hugging Face od dnia premiery - bez zapisów, bez obietnic "wkrótce". To czyni Inkling największym open-weight zbudowanym w USA.
- Kalibrowane odpowiedzi: model sygnalizuje niepewność zamiast zgadywać z pełnym przekonaniem, plus suwak "thinking effort" do balansowania szybkości i jakości.
- Deklarowana efektywność: przy zadaniach kodowania Inkling ma zużywać trzykrotnie mniej tokenów niż Nemotron 3 Ultra Nvidii przy porównywalnych wynikach.
Ciekawostka z kuchni treningowej: Thinking Machines przyznaje, że do generowania części wczesnych danych post-treningowych użyto innych modeli open-weight, w tym Kimi K2.5 od Moonshot AI. Otwarte modele zaczynają więc wychowywać kolejne otwarte modele - to już nie jest ekosystem, w którym każdy trenuje od zera w izolacji.
Dziewięć miesięcy i 200 osób: tempo, które zawstydza gigantów
Rzecz, która zrobiła na mnie największe wrażenie, to nie parametry, tylko metryka organizacyjna. Thinking Machines zbudowało Inkling od zera w około 9 miesięcy, zespołem liczącym około 200 osób. Dla porównania: OpenAI potrzebowało na swój pierwszy flagowy model około pięciu lat, Anthropic około trzech. Oczywiście to porównanie jest trochę nieuczciwe - dzisiejsi budowniczy stoją na ramionach całej dekady badań i gotowych architektur - ale pokazuje, jak bardzo spadła bariera wejścia do gry o modele frontier, jeśli ma się kapitał i właściwych ludzi.
Ciekawa jest też droga, jaką firma przeszła do tej premiery. Thinking Machines przez półtora roku budowało infrastrukturę praktycznie bez publicznych produktów - jedynym sygnałem był majowy research preview tak zwanych modeli interakcyjnych, projektowanych pod dialog, a nie pod benchmarki. Przez ten czas firma była regularnie wyśmiewana jako "najdroższy stealth startup świata". Inkling jest odpowiedzią na te żarty i to odpowiedzią przemyślaną: zamiast gonić czołówkę na jej boisku, firma wybrała boisko, na którym wielcy gracze nie chcą grać - pełną otwartość wag.
Słowo "kapitał" jest tu kluczowe, bo w tle premiery jest mniej różowa historia. Głośna runda finansowania, która miała wycenić firmę na 50 miliardów dolarów, utknęła na początku roku, a firma miała od tego czasu odmawiać kolejnych rozmów z inwestorami. Inkling to więc także pierwszy publiczny dowód po półtora roku budowania w ciszy, że za tymi wycenami stoi realny produkt. Infrastrukturalnie firma związała się z Nvidią: gigawat mocy na nadchodzących systemach Vera Rubin i trening na GB300 NVL72.
Model za darmo, biznes na dostrajaniu: zakład Murati
I tu dochodzimy do sedna, czyli do modelu biznesowego, który odróżnia Thinking Machines od praktycznie wszystkich dużych labów. Inkling jest darmowy. Firma nie sprzedaje dostępu do modelu - sprzedaje Tinker, platformę do fine-tuningu, na której organizacje dostrajają Inkling do własnych zadań i danych. Centralny zakład brzmi: AI, które organizacja może zaadaptować pod siebie, pokona uniwersalne modele sprzedawane wszystkim po równo.
Firmowym dowodem ma być współpraca z funduszem Bridgewater Associates: dostrojona wersja Inklinga osiągnęła 84,7% w testach rozumowania finansowego, bijąc topowe modele zamknięte przy koszcie działania około czternastokrotnie niższym. Uczciwie trzeba dodać: to ewaluacja wewnętrzna, nie niezależna, więc traktuję ją jako tezę do sprawdzenia, nie jako wynik. Ale kierunek myślenia jest zrozumiały: w wąskiej, dobrze zdefiniowanej domenie średni model dostrojony na właściwych danych regularnie ogrywa wielkiego generalistę - a różnica w kosztach potrafi być brutalna.
To zresztą spójne z tym, co obserwuję na rynku od miesięcy i o czym pisałem przy okazji analizy, jak chińskie modele open-weight przejmują ruch w amerykańskich API: coraz większa część rynku nie pyta "który model jest najmądrzejszy", tylko "który jest wystarczająco dobry przy moim budżecie i moich ograniczeniach". Inkling instytucjonalizuje to pytanie jako strategię firmy wycenianej w dziesiątkach miliardów.
Kalibracja zamiast pewności siebie: najciekawsza cecha w praktyce
Jest jedna cecha Inklinga, o której media piszą najmniej, a która według mnie najbardziej wpłynie na codzienną pracę: kalibrowane odpowiedzi. Model został wytrenowany tak, żeby sygnalizować niepewność, zamiast brnąć w pewną siebie halucynację. Każdy, kto spędził godzinę na debugowaniu kodu wygenerowanego przez model, który "był pewien", wie, ile to jest warte. W połączeniu z suwakiem thinking effort dostajemy coś w rodzaju ręcznej skrzyni biegów: proste zadania jedziemy na niskim wysiłku, szybko i tanio, a przy trudnych podkręcamy rozumowanie kosztem czasu. Zamknięte modele też to oferują, ale w otwartym modelu z wagami do pobrania możemy z tym eksperymentować bez licznika API tykającego w tle.
Warto też docenić wybór licencji. Apache 2.0 to najbardziej liberalna opcja w obiegu: użycie komercyjne bez progów przychodowych, bez klauzul o nazwie produktu, bez niespodzianek w stylu licencji społecznościowych, jakie znamy z niektórych dużych modeli. Dla działu prawnego przeciętnej firmy różnica między "Apache 2.0" a "custom community license" to często różnica między wdrożeniem a wielomiesięczną analizą. Jeśli Thinking Machines chce być domyślną bazą do fine-tuningu w korporacjach, ta licencja to nie szczegół, tylko fundament strategii.
Gdzie widzę haczyki
Żeby nie było zbyt laurkowo, trzy rzeczy, które trzymam na liście wątpliwości:
- Brak porządnej tabeli benchmarków ogólnych. Firma otwarcie mówi, że Inkling nie jest najsilniejszym modelem na rynku, ale poza porównaniem efektywności tokenowej z Nemotronem i wewnętrznym wynikiem Bridgewater twardych, niezależnych liczb na start jest mało. Prawdziwa weryfikacja przyjdzie, gdy społeczność przepuści wagi przez standardowe testy.
- Ekonomia rozdawania wag. Model za darmo i przychody wyłącznie z platformy fine-tuningu to piękna teoria, ale nikt jeszcze nie udowodnił, że da się z tego sfinansować treningi kolejnych generacji za miliardy dolarów - zwłaszcza gdy runda finansowania stoi w miejscu.
- Konkurencja nie śpi. W tym samym tygodniu wyszedł Kimi K3 z obietnicą wag do 27 lipca - pisałem o nim szerzej w osobnym wpisie. Tytuł "największego open-weight" może być liczony w dniach, a bitwa o bycie domyślną bazą do fine-tuningu dopiero się zaczyna.
Co bym z tym zrobił jako programista
Praktycznie patrząc, Inkling jest dziś ciekawy w trzech scenariuszach. Po pierwsze, jeśli macie wąską domenę i dane - wewnętrzną dokumentację, specyficzny język branżowy, własne API - to jest dokładnie ten profil, pod który zaprojektowano Tinkera, i warto zrobić pilotaż zanim konkurencja zrobi go pierwsza. Po drugie, jeśli potrzebujecie audytowalności: Apache 2.0 i wagi do pobrania oznaczają, że model można zbadać, uruchomić we własnej infrastrukturze i nie martwić się, że dostawca zmieni cennik albo wyłączy endpoint. Po trzecie, jeśli budujecie na długim kontekście - milion tokenów w otwartym modelu to nadal rzadkość. Natomiast jako codzienny model do agentowego kodowania w edytorze na razie zostałbym przy sprawdzonych koniach roboczych - do czasu, aż zobaczymy niezależne wyniki.
Jedno zastrzeżenie sprzętowe: "otwarte wagi" nie znaczy "uruchomisz na laptopie". Przy 975 miliardach parametrów łącznie mówimy o modelu, który nawet w rzadkiej architekturze MoE wymaga infrastruktury klasy serwerowej z setkami gigabajtów pamięci. Realistyczny scenariusz dla większości zespołów to hosting u zewnętrznych dostawców GPU albo dostrajanie przez Tinkera - dokładnie tak, jak wygląda to dziś z największymi modelami chińskimi. Otwartość wag daje wybór dostawcy i audytowalność, nie darmową inferencję na własnym biurku. Na drugim biegunie tej samej historii jest zresztą tegotygodniowa premiera Bonsai 27B, modelu skompresowanego do rozmiaru mieszczącego się w telefonie - ale o tym piszę osobno.
Podsumowanie: premiera ważniejsza niż jej benchmarki
Moje wnioski po premierze Inklinga:
- To nie jest wyścig na punkty. Thinking Machines świadomie nie gra w grę "kto ma najwyższy wynik", tylko zakłada nową kategorię: model jako darmowy fundament, biznes na adaptacji. Jeśli ten zakład wypali, zmieni się sposób, w jaki firmy kupują AI.
- 975 miliardów parametrów pod Apache 2.0 to nowy punkt odniesienia dla amerykańskiego ekosystemu open-weight, który dotąd oddawał to pole Chinom.
- Tempo budowy robi wrażenie: 9 miesięcy i 200 osób do modelu tej skali. Bariera wejścia spada, a to oznacza więcej graczy i więcej presji cenowej.
- Sceptycyzm zostaje: wewnętrzne ewaluacje to nie dowody, a ekonomia "model za darmo" czeka na weryfikację rachunkiem za następny trening.
Będę obserwował, co społeczność wyciśnie z wag w najbliższych tygodniach - i czy Bridgewater okaże się początkiem trendu, czy ładnie opakowanym studium przypadku. Źródła: TechCrunch, VentureBeat.