Thinking Machines convierte su primer modelo en una apuesta por la personalización
Thinking Machines Lab ha lanzado Inkling, su primer modelo de IA desarrollado internamente, y el lanzamiento no trata tanto de liderar todos los rankings públicos como de ofrecer a los desarrolladores otro modelo base avanzado que puedan modificar. WIRED informó del lanzamiento el 15 de julio de 2026, y Thinking Machines publicó ese mismo día su anuncio técnico y la tarjeta del modelo.
La compañía describe Inkling como un transformer Mixture-of-Experts de pesos abiertos, con 975.000 millones de parámetros totales y 41.000 millones de parámetros activos por solicitud. El modelo admite una ventana de contexto de hasta 1 millón de tokens y fue preentrenado con texto, imágenes, audio y vídeo. Su modalidad de salida es texto, incluido código y respuestas estructuradas.
Esa combinación coloca a Inkling en una zona concreta del mercado de IA: la empresa no lo presenta como el modelo más potente disponible, abierto o cerrado, sino como un modelo fundacional multimodal amplio que puede adaptarse mediante fine-tuning.
Qué reciben realmente los desarrolladores
El lanzamiento práctico tiene tres vías de acceso. Thinking Machines afirma que Inkling está disponible para fine-tuning mediante Tinker, su servicio de personalización. La tarjeta del modelo indica que los pesos están disponibles a través de Hugging Face, y también remite a proveedores de inferencia de terceros para acceso vía API.
La afirmación de pesos abiertos importa porque permite a investigadores y empresas inspeccionar, alojar y ajustar directamente los pesos del modelo, sujeto a las condiciones de publicación. No significa que los datos de entrenamiento o todo el código fuente sean públicos. Esa distinción es importante para equipos que evalúan transparencia, cumplimiento normativo y reproducibilidad.
La tarjeta del modelo también deja claro que alojar directamente el checkpoint más grande no es una tarea para una estación de trabajo común. Thinking Machines dice que el checkpoint BF16 requiere un clúster de GPU con al menos 2 TB de VRAM agregada, mientras que un checkpoint cuantizado NVFP4 reduce el requisito a al menos 600 GB. La publicación de Hugging Face también enmarca el despliegue directo como una carga de gran infraestructura, aunque destaca soporte en motores de inferencia importantes como Transformers, SGLang y vLLM.
Para la mayoría de desarrolladores, la pregunta inmediata no es solo si Inkling se puede descargar. Es si Tinker, los proveedores de inferencia alojada o futuras variantes más pequeñas hacen que la personalización sea práctica sin comprar un gran clúster de GPU.
Por qué el lanzamiento es relevante
Thinking Machines está dirigida por Mira Murati, ex CTO de OpenAI, y ha atraído atención por su equipo y financiación. Pero Inkling es la primera gran prueba de la dirección de producto de la empresa: IA descentralizada y moldeada por el usuario, en lugar de una única experiencia cerrada de asistente.
La compañía dice que Inkling fue entrenado como modelo generalista en tareas de agente, razonamiento, programación, seguimiento de instrucciones, factualidad, visión y audio. También presentó Inkling-Small, un modelo más ligero con 12.000 millones de parámetros activos, aunque los materiales principales lo describen como una vista previa y no como el lanzamiento descargable principal.
Una de las demostraciones más interesantes del anuncio de la compañía es un flujo de autoajuste. Thinking Machines afirma que pidió a Inkling usar Tinker para crear datos, ejecutar un trabajo de fine-tuning, evaluar el resultado y cambiar a pesos actualizados para un comportamiento concreto. Es una demostración de producto, no una prueba independiente de mejora autónoma general, por lo que conviene leerla como ejemplo del flujo de personalización que la empresa quiere vender.
Qué conviene vigilar ahora
Inkling llega en un momento en el que los modelos de IA de pesos abiertos se están convirtiendo en una alternativa seria a los sistemas cerrados solo vía API para empresas que quieren más control sobre datos, coste y comportamiento del producto. La contrapartida es la complejidad operativa: ejecutar, proteger, evaluar y ajustar un modelo de esta escala exige infraestructura y experiencia.
Para quienes construyen con IA, la señal útil será la adopción, no las tablas de benchmarks del día de lanzamiento. Habrá que observar si los desarrolladores pueden ejecutar Inkling de forma fiable con pilas de inferencia comunes, si Tinker reduce la fricción del fine-tuning y si evaluadores independientes confirman las fortalezas y limitaciones del modelo en programación, multimodalidad y tareas de largo contexto.
El lanzamiento da a Thinking Machines un producto concreto alrededor de su mensaje de descentralización. La prueba más difícil empieza ahora: comprobar si equipos fuera del laboratorio pueden convertir esos pesos abiertos en sistemas útiles y mantenibles.