Inkling — это система смеси экспертов (mixture-of-experts) с общим числом параметров 975 миллиардов, хотя для любой конкретной задачи она использует лишь малую часть — около 41 миллиарда, что является распространённым подходом для ускорения и удешевления работы очень больших моделей. Модель была обучена на 45 триллионах токенов текста, изображений, аудио и видео и, по утверждению компании, нативно рассуждает во всех трёх модальностях.

Это первый публичный результат компании после полутора лет работы над ИИ-инфраструктурой, в основном скрытой от посторонних глаз. Часть этой работы уже была замечена в майском исследовательском превью «интерактивных моделей» — ИИ, способного слушать и говорить (и даже перебивать) вместо того, чтобы останавливаться и ждать, как в обычных чат-ботах. Это также проверка ключевой ставки Thinking Machines: ИИ, который организации могут адаптировать под себя, превзойдёт универсальные модели, которые сейчас продают крупнейшие лаборатории.

Это интересная модель, которая выдаёт взвешенные ответы, в том числе указывая на неопределённость, а не гадая, и позволяет пользователям регулировать «усилие мышления» вверх или вниз, когда нужно выбрать скорость. По словам компании, на одном тесте Inkling использует в три раза меньше токенов, чем Nvidia Nemotron 3 Ultra, чтобы достичь той же производительности в кодировании. Стоит отметить, что Thinking Machines не утверждает, что Inkling — лучшая в своём классе. В её материалах прямо сказано, что Inkling «не самая сильная модель, доступная сегодня, закрытая или открытая». Вместо этого, очевидно, делается ставка на сбалансированную производительность.

Конечно, это поднимает большой вопрос: на кого рассчитан этот продукт? Помимо очевидного — это определённо корпоративный продукт. Сейчас Thinking Machines позиционирует его не столько как готовую работу, сколько как отправную точку, которую организации могут донастроить через Tinker — платформу для кастомизации моделей. (OpenAI, Anthropic и Google использовали совершенно иной подход с ChatGPT, Claude и Gemini соответственно: они создавались как универсальные чат-боты общего назначения, поверх которых уже добавлялись агентные и автономные функции.)

Публикация, выпущенная Thinking Machines на прошлой неделе, явно служила фоном для этого релиза. ИИ, обученный централизованно одной компанией и затем застывший в неизменном виде, по мнению компании, уступает ИИ, который организации формируют сами, поскольку значительная часть экспертизы привязана к её носителям. Более широкая идея: централизованные лаборатории продают всем один и тот же продукт, многократно улучшаемый самой лабораторией, в то время как предприятия, готовые владеть и кастомизировать собственные модели, могут извлечь из них гораздо больше ценности.

Этот аргумент набирает обороты. В воскресном посте в блоге генеральный директор Microsoft Сатья Наделла — чья компания инвестировала миллиарды как в OpenAI, так и в Anthropic — предупредил, что предприятия, использующие проприетарные ИИ-модели, фактически платят дважды: один раз в виде подписки, а второй — отдавая бизнес-знания, заложенные в их тысячах промптов и исправлений, которые могут быть поглощены будущими версиями моделей.

Генеральный директор Hugging Face Клем Деланг сделал аналогичный прогноз в беседе с TechCrunch на прошлой неделе. По его словам, фронтирные модели всё чаще будут резервироваться для экспериментов и задач высокой ценности, в то время как основная часть производственной работы с ИИ перейдёт на частные или открытые альтернативы — именно тот раздел, вокруг которого строится Thinking Machines.

Наиболее яркое подтверждение этому аргументу поступило недавно из проекта с Bridgewater Associates, крупнейшим хедж-фондом в мире (который, к слову, не является инвестором Thinking Machines). Исследователи обеих компаний взяли существующую модель с открытым исходным кодом и дообучили её на собственных финансовых данных Bridgewater. Результат набрал 84,7% в тестах на финансовые рассуждения, превзойдя лучшие проприетарные ИИ-модели, при этом стоимость работы была примерно в четырнадцать раз ниже. Правда, эти результаты, опубликованные совместно в конце июня, основаны на собственной оценке двух компаний, а не независимой.

Thinking Machines также подчеркнула, как быстро она добилась этого: OpenAI потребовалось около пяти лет, а Anthropic — около трёх, чтобы вывести технологию на рынок и показать выручку; Thinking Machines утверждает, что сделала то же самое примерно за девять месяцев.

Некоторые зададутся вопросом, не обучалась ли Inkling на выходах моделей конкурентов — эта практика, известная как дистилляция, привлекла внимание всей отрасли. Краткий ответ, согласно материалам компании: частично. Thinking Machines обучила Inkling с нуля, но, как утверждается, использовала другие модели с открытыми весами, включая Kimi K2.5 от Moonshot AI, чтобы сгенерировать часть ранних данных для пост-тренировки, пока не началось масштабное обучение с подкреплением. Компания настаивает, что следующая модель будет использовать полностью автономную пост-тренировку.

Что касается затрат, Thinking Machines ведёт себя более сдержанно. В марте компания заключила стратегическое партнёрство с Nvidia для развёртывания гигаватта вычислительных мощностей Vera Rubin, и утверждает, что сама Inkling была обучена исключительно на системах Nvidia GB300 NVL72. Однако компания не сообщила, как планирует балансировать это с выручкой, которая, по общему мнению, до сих пор не была основным приоритетом. (Сообщалось, что в ноябре прошлого года готовился раунд финансирования на 50 миллиардов долларов, который, по данным нескольких изданий, к январю застопорился; с тех пор компания отказывается говорить о своей финансовой ситуации, хотя Nvidia заявила, что сделала «значительные инвестиции» в Thinking Machines, когда компании объявили о том партнёрстве в марте.)

Связанный вопрос: достигнут ли когда-нибудь расходы Thinking Machines уровня OpenAI или Anthropic, или же её эффективный подход означает иную экономику? Иными словами, ставка компании может быть не в том, что она в итоге будет тратить столько же, сколько более крупные конкуренты, а в том, что ей это вообще не понадобится — потому что, как только веса становятся публичными, ничто не обязывает тех, кто их скачивает, платить Thinking Machines за их запуск, в отличие от поминутного доступа, который продают OpenAI и Anthropic. Именно Tinker, а не сама модель, должен приносить доход компании — через обучение, тонкую настройку и, теперь, долю экосистемы хостинга, построенной вокруг неё.

Численность сотрудников, по крайней мере, выглядит более стабильной. Сейчас в Thinking Machines работает около 200 человек, что больше, чем сообщалось после волны увольнений в начале этого года, по словам источника, близкого к компании, который описывает текучесть кадров как соответствующую общеотраслевой картине.

Что касается громких переходов талантливых сотрудников, Thinking Machine Labs не заинтересована в той же игре, добавляет этот источник, утверждая, что компания предпочитает преемственность, а не зависимость от какой-либо одной личности. Это логично — потерять людей не так болезненно, если их не возводят на пьедестал. Это также примечательное требование для компании, учитывая, насколько её собственная история всё ещё связана с именем её ныне знаменитой соосновательницы, планировала она это или нет.

Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.