Punti Chiave
- Debutto tecnico: Thinking Machines Lab rilascia Inkling, modello open-weight da 975 miliardi di parametri totali, con soli 41 miliardi attivi per inferenza grazie ad architettura MoE.
- Posizionamento competitivo: 41° posto nell'Artificial Analysis Intelligence Index, primo tra i modelli open-weight statunitensi, davanti a Nvidia Nemotron 3 Ultra.
- Efficienza operativa: Consumo di 25.000 token medi in output contro i 37.000-43.000 dei modelli concorrenti, con licenza Apache 2.0 priva di vincoli commerciali.
Ingresso sul mercato con parametri di scala inedita
Thinking Machines Lab, guidata dall'ex CTO di OpenAI Mira Murati, ha immesso sul mercato il 15 luglio 2026 Inkling, il modello open-weight con il conteggio di parametri più elevato mai prodotto in territorio statunitense. La cifra di 975 miliardi di parametri totali colloca il sistema in una fascia dimensionale che richiede infrastrutture di calcolo dedicate, ma il dato rilevante non risiede nella grandezza grezza bensì nell'efficienza di attivazione.
Architettura MoE: il rapporto tra scala e costo computazionale
Il trasformatore decoder-only di Inkling opera su 66 strati con un meccanismo di routing che seleziona 6 esperti su 256 per ogni token, integrati da 2 esperti condivisi sempre attivi. Il risultato operativo è che il sistema mobilita solo 41 miliardi di parametri attivi per richiesta, un rapporto di sparsità che abbatte il carico computazionale mantenendo la capacità rappresentativa della scala totale. La finestra di contesto raggiunge 1 milione di token, mentre la quantizzazione in NVFP4 permette l'esecuzione su otto acceleratori Nvidia B300 o sedici H200, specifica che fissa il costo hardware minimo per il deployment.
Ingestione multimodale, output monomodale
L'addestramento ha processato 45 trilioni di token tra testo, immagini, audio e video. Immagini e video vengono trattati tramite encoder gerarchico di patch, l'audio tramite codifica discreta di token, con proiezione di tutte le modalità in uno spazio nascosto condiviso elaborato dal decoder. Il vincolo architetturale impone che l'output resti esclusivamente testuale: codice, documenti strutturati, dati. La licenza Apache 2.0 rimuove ogni restrizione su download, esecuzione e personalizzazione, condizione che abilita l'adozione enterprise senza negoziazione di licenza.
Metriche di benchmark: dove il modello supera i concorrenti diretti
Il posizionamento al 41° posto nell'Artificial Analysis Intelligence Index rende Inkling il modello open-weight statunitense con il punteggio più alto, superando Nemotron 3 Ultra fermo a 38 punti. Su SWE-bench Verified il punteggio è 77,6% contro il 71,9% del concorrente Nvidia. Su VoiceBench segna 91,4%. Nell'indice GDPval-AA v2 l'Elo di 1238 supera sia Kimi K2.6 (1190) sia DeepSeek v4 Flash (1189), stabilendo un vantaggio quantificabile su due benchmark distinti di ragionamento applicato.
Efficienza dei token come metrica di costo operativo
Il consumo medio di 25.000 token in output per task dell'Intelligence Index si confronta con i 43.000 di GLM-5.2, i 38.000 di Kimi K2.6 e i 37.000 di DeepSeek v4 Pro. Su Terminal Bench 2.1 Inkling eguaglia Nemotron 3 Ultra impiegando circa un terzo dei token, un dato che incide direttamente sui costi di inferenza a scala di produzione. Il "controllable thinking effort" consente di regolare il compromesso velocità/accuratezza, mentre il meccanismo di segnalazione dell'incertezza riduce l'incidenza di output allucinati.
Debiti tecnici verso la ricerca esterna
Thinking Machines ha confermato che l'architettura di Inkling deriva da DeepSeek-V3, e che la fase di post-training ha impiegato dati generati da Kimi K2.5 di Moonshot AI. Il dato documenta la circolazione di metodologie tra laboratori indipendentemente dalla provenienza geografica, un fattore tecnico che l'azienda stessa dichiara apertamente nella documentazione di rilascio.
Proiezione: base di personalizzazione, non modello di vertice assoluto
La dichiarazione ufficiale di Thinking Machines circoscrive le ambizioni del rilascio: "Inkling non è il modello complessivamente più potente disponibile oggi, open o closed. È invece un'ottima base open-weight per la personalizzazione". Il posizionamento strategico non punta al primato assoluto in classifica, ma alla creazione di un'infrastruttura di base modulare e a licenza permissiva. L'impatto immediato sul mercato open-weight statunitense è la comparsa di uno standard tecnico con rapporto efficienza/prestazioni superiore a quello finora disponibile, condizione che ridefinisce il benchmark competitivo per i prossimi rilasci del settore.
