Inkling: el nuevo modelo open-weights que quiere ser la base de la IA personalizada

Thinking Machines Lab, el laboratorio fundado por exempleados de OpenAI y Anthropic, ha lanzado esta semana Inkling, su primer modelo open-weights. Se trata de un modelo de mezcla de expertos (Mixture-of-Experts, MoE) con 975.000 millones de parámetros totales pero solo 41.000 millones activos por token, lo que permite ofrecer rendimiento de modelo grande con coste computacional de modelo pequeño.

La cifra más llamativa no es el número de parámetros, sino la ventana de contexto: un millón de tokens, la mayor jamás publicada en un modelo de código abierto. Para ponerlo en perspectiva: equivale a unas 750 páginas de texto, o una conversación de varias horas con un asistente que recuerda cada detalle.

Multimodalidad nativa desde el diseño

A diferencia de otros modelos que añaden visión o audio como capas adicionales, Inkling fue diseñado desde el inicio como multimodal. Las imágenes se codifican como parches de 40×40 píxeles procesados por un transformador de cuatro capas, y el audio se convierte en espectrogramas mel antes de entrar al modelo. Todo fluye por el mismo transformer, lo que elimina la necesidad de sistemas externos de transcripción o descripción de imágenes.

En los benchmarks de audio (VoiceBench, MMAU, AudioMC) e imagen (MMMU Pro, Charxiv RQ) se posiciona entre los mejores modelos open-weights, acercándose a soluciones propietarias como Gemini 3.1 Pro o GPT-5.6 Sol en了很多 tareas.

Thinking effort: el parámetro que cambia las reglas

Quizá la característica más práctica de Inkling es lo que llaman controllable thinking effort. El modelo permite ajustar cuánto 'piensa' antes de responder, lo que equivale a controlar el número de tokens de razonamiento generado en cada respuesta.

En los benchmarks de código agentico (Terminal Bench 2.1) y razonamiento avanzado (HLE), Inkling alcanza el mismo nivel de rendimiento que Nemotron 3 Ultra usando solo un tercio de los tokens. En términos prácticos: respuestas más rápidas, menor coste por query, y latencia suficiente para interfaces conversacionales interactivas donde cada milisegundo importa.

Fine-tuning accesible desde el primer día

Thinking Machines Lab no lanza Inkling solo como release. Lo acompaña de Tinker, su plataforma de personalización, donde cualquier desarrollador puede hacer fine-tuning del modelo sobre sus propios datos. Y para demostrarlo, el propio Inkling generó su propio fine-tuning: escribió el job, lo ejecutó y evaluó los resultados, todo desde la interfaz.

Esto plantea implicaciones interesantes. Un modelo capaz de mejorarse a sí mismo mediante fine-tuning automático abre la puerta a pipelines de optimización que no requieren intervención humana constante. No estamos ante un AGI, obviamente, pero sí ante un modelo que sabe lo que necesita para ser mejor en una tarea específica.

Posicionamiento en el ecosistema

En el ranking de Design Arena (evaluación ciega de aplicaciones web por evaluadores humanos), Inkling se sitúa en el quartile superior, al nivel de Claude Sonnet 5 y por encima de Grok 4.5 y GPT-5.6 Sol. No es el modelo más potente del mercado, pero tampoco pretende serlo. Su propuesta de valor es servir como base de código abierto para que empresas y desarrolladores construyan soluciones especializadas sin depender de APIs externas.

En forecasting (predicción de eventos), Inkling supera a todos los competidores con y sin búsqueda web activa, lo que sugiere que su entrenamiento en epistemics — calibración de incertidumbre y resistencia a la censura — es especialmente sólido.

Qué significa esto para la comunidad open-source

Con una ventana de contexto de 1M tokens, multimodalidad nativa y un mecanismo de thinking effort ajustable, Inkling填充a un hueco que faltaba en el ecosistema open-weights. Hasta ahora, los modelos abiertos sacrificaban una de esas tres características; Inkling ofrece las tres.

La pregunta ahora es si la comunidad será capaz de aprovecharlo. Hacer fine-tuning de un modelo de 41B parámetros activos sigue requiriendo infraestructura significativa. Pero el hecho de que Thinking Machines Lab haya apostado por abrir los pesos y ofrecer una plataforma de personalización integrada sugiere que el objetivo es precisamente bajar esa barrera.

Puedes probar Inkling en el Tinker Playground de Thinking Machines Lab o descargarlo desde su repositorio oficial.