Thinking Machines Lab прошла путь от основания до выпуска первой фронтирной модели примерно за девять месяцев — для сравнения, OpenAI понадобилось около пяти лет, а Anthropic — около трёх. Команда из примерно 200 сотрудников обучала Inkling исключительно на системах Nvidia GB300 NVL72: партнёрство с Nvidia было объявлено ещё в марте 2026 года.
Inkling — модель со смесью экспертов (mixture-of-experts): из 975 млрд суммарных параметров на каждую задачу активируется лишь около 41 млрд. Модель принимает на вход текст, изображения, аудио и видео, а на выходе генерирует текст, включая код и структурированные данные. Обучающий корпус составил 45 трлн токенов в нескольких модальностях. Любопытная деталь: для генерации данных пост-обучения команда частично использовала другие открытые модели, в том числе Kimi K2.5 от китайской Moonshot AI, — открытая экосистема буквально обучает сама себя.
Компания прямо признаёт: Inkling — «не самая сильная модель из доступных сегодня, открытых или закрытых». Ставка сделана на другое — на экономику и кастомизацию. По данным TechCrunch, при равном качестве генерации кода Inkling расходует на треть меньше токенов, чем Nemotron 3 Ultra от Nvidia.
Самый показательный результат — партнёрство с хедж-фондом Bridgewater Associates: на внутренних тестах финансовых рассуждений дообученная Inkling набрала 84,7% и обошла проприетарные модели, при этом её эксплуатация обходится примерно в 14 раз дешевле. Это точное попадание в главный тренд 2026 года: клиенты всё чаще выбирают не максимальную мощность, а оптимальную экономику инференса — достаточно вспомнить недавний переход стартапа Lindy с Claude на DeepSeek.
Веса Inkling открыты: модель можно скачать, модифицировать и разворачивать на собственной инфраструктуре. Зарабатывать Thinking Machines планирует не на API-доступе, а на платформе Tinker — экосистеме обучения, дообучения и хостинга кастомных версий модели под задачи конкретных компаний. Это прямой вызов бизнес-модели OpenAI и Anthropic, которые продают доступ к закрытым моделям по подписке и токенам.
Финансовый фон релиза не безоблачен: по данным на январь 2026 года, переговоры о раунде на $50 млрд застопорились, и компании нужен был убедительный продукт. Inkling — именно такая демонстрация: стартап показал, что способен обучать фронтирные модели с нуля и находить платящих корпоративных клиентов уровня Bridgewater.
Для российских компаний открытые веса — ключевой канал доступа к передовым ИИ-технологиям: модели уровня Llama, Qwen и DeepSeek уже сегодня работают в локальных контурах российских банков и промышленных предприятий, где требования 152-ФЗ и КИИ исключают использование зарубежных облачных API. Inkling добавляет в этот арсенал модель нового класса — почти триллион параметров с эффективной MoE-архитектурой, которую можно дообучать на собственных данных.
Кейс Bridgewater особенно показателен для российского финансового сектора: дообученная открытая модель обошла закрытые флагманы в узкой предметной области при кратно меньших издержках. Это тот же сценарий, который российские интеграторы продают корпоративным заказчикам — специализация побеждает универсальность. Одновременно растёт и конкурентное давление на отечественные GigaChat и YandexGPT: планка качества открытых альтернатив поднимается каждые несколько недель, и «суверенность» перестаёт быть единственным аргументом в тендерах.
Есть и практический нюанс: запуск модели с 41 млрд активных параметров требует серьёзной GPU-инфраструктуры, которая в России остаётся дефицитом. Поэтому наиболее вероятный сценарий использования Inkling в российском контуре — дистилляция и квантование под доступное железо либо аренда мощностей у отечественных облачных провайдеров, которые уже разворачивают кластеры под открытые модели такого класса. В любом случае сам факт появления ещё одного игрока с триллионным масштабом и открытыми весами расширяет пространство манёвра для всех, кто строит ИИ-продукты вне экосистем OpenAI и Google.