ประเด็นสำคัญ
- การเปิดตัวทางเทคนิค: Thinking Machines Lab เปิดตัว Inkling โมเดล open-weight ที่มีพารามิเตอร์รวมทั้งสิ้น 975 พันล้านพารามิเตอร์ โดยใช้พารามิเตอร์ที่ทำงานจริงเพียง 41 พันล้าน ต่อการประมวลผลหนึ่งครั้ง ด้วยสถาปัตยกรรม MoE
- ตำแหน่งในการแข่งขัน: อยู่ในอันดับที่ 41 ของ Artificial Analysis Intelligence Index เป็นอันดับหนึ่งในกลุ่มโมเดล open-weight ของสหรัฐอเมริกา แซงหน้า Nvidia Nemotron 3 Ultra
- ประสิทธิภาพในการทำงาน: ใช้โทเคนเฉลี่ย 25,000 โทเคน ในการประมวลผลผลลัพธ์ เทียบกับ 37,000-43,000 โทเคนของโมเดลคู่แข่ง พร้อมสัญญาอนุญาต Apache 2.0 ที่ไม่มีข้อจำกัดด้านการใช้งานเชิงพาณิชย์
การเข้าสู่ตลาดด้วยขนาดพารามิเตอร์ที่ไม่เคยมีมาก่อน
Thinking Machines Lab ซึ่งนำโดย Mira Murati อดีต CTO ของ OpenAI ได้เปิดตัว Inkling เมื่อวันที่ 15 กรกฎาคม 2026 โมเดล open-weight ที่มีจำนวนพารามิเตอร์สูงที่สุดที่เคยผลิตขึ้นในดินแดนสหรัฐอเมริกา ตัวเลข 975 พันล้านพารามิเตอร์รวม จัดให้ระบบนี้อยู่ในระดับขนาดที่ต้องใช้โครงสร้างพื้นฐานด้านการประมวลผลเฉพาะทาง แต่ประเด็นสำคัญไม่ได้อยู่ที่ขนาดดิบ หากอยู่ที่ประสิทธิภาพของการเปิดใช้งาน
สถาปัตยกรรม MoE: ความสัมพันธ์ระหว่างขนาดและต้นทุนการประมวลผล
ทรานส์ฟอร์เมอร์แบบ decoder-only ของ Inkling ทำงานผ่าน 66 ชั้น ด้วยกลไก routing ที่คัดเลือก 6 เอ็กซ์เปิร์ตจาก 256 สำหรับแต่ละโทเคน ควบคู่กับเอ็กซ์เปิร์ตร่วม 2 ตัวที่ทำงานตลอดเวลา ผลลัพธ์เชิงปฏิบัติการคือระบบเปิดใช้งานเพียง 41 พันล้านพารามิเตอร์ ต่อคำขอหนึ่งครั้ง อัตราส่วนความเบาบางนี้ลดภาระการประมวลผลลง ในขณะที่ยังคงศักยภาพการแทนข้อมูลของขนาดรวมทั้งหมด หน้าต่างบริบทเข้าถึง 1 ล้านโทเคน ในขณะที่การควอนไทซ์แบบ NVFP4 ช่วยให้สามารถรันบนตัวเร่งความเร็ว Nvidia B300 จำนวน 8 ตัว หรือ H200 จำนวน 16 ตัว ซึ่งเป็นข้อกำหนดที่กำหนดความต้องการฮาร์ดแวร์ขั้นต่ำสำหรับการใช้งาน
การรับข้อมูลหลากรูปแบบ ผลลัพธ์รูปแบบเดียว
การฝึกฝนโมเดลได้ประมวลผลข้อมูล 45 ล้านล้านโทเคน ทั้งข้อความ ภาพ เสียง และวิดีโอ ภาพและวิดีโอถูกจัดการผ่านตัวเข้ารหัสแพตช์แบบลำดับชั้น ส่วนเสียงใช้การเข้ารหัสโทเคนแบบดิสครีต โดยทุกรูปแบบข้อมูลถูกฉายลงในพื้นที่ซ่อนร่วมที่ตัวถอดรหัสประมวลผล ข้อจำกัดทางสถาปัตยกรรมกำหนดให้ผลลัพธ์คงอยู่ในรูปแบบข้อความเท่านั้น ได้แก่ โค้ด เอกสารที่มีโครงสร้าง และข้อมูล สัญญาอนุญาต Apache 2.0 ยกเลิกข้อจำกัดทั้งหมดในการดาวน์โหลด การรัน และการปรับแต่ง เงื่อนไขนี้เอื้อต่อการนำไปใช้ในระดับองค์กรโดยไม่ต้องเจรจาเรื่องสัญญาอนุญาต
ตัวชี้วัดผลการทดสอบ: จุดที่โมเดลนี้เหนือกว่าคู่แข่งโดยตรง
ตำแหน่งที่ 41 ใน Artificial Analysis Intelligence Index ทำให้ Inkling เป็นโมเดล open-weight ของสหรัฐอเมริกาที่มีคะแนนสูงสุด แซงหน้า Nemotron 3 Ultra ที่หยุดอยู่ที่ 38 คะแนน ใน SWE-bench Verified คะแนนอยู่ที่ 77.6% เทียบกับ 71.9% ของคู่แข่ง Nvidia ใน VoiceBench ทำคะแนนได้ 91.4% ในดัชนี GDPval-AA v2 คะแนน Elo ที่ 1238 แซงหน้าทั้ง Kimi K2.6 (1190) และ DeepSeek v4 Flash (1189) สร้างความได้เปรียบที่วัดผลได้ในสองการทดสอบด้านการใช้เหตุผลเชิงประยุกต์ที่แตกต่างกัน
ประสิทธิภาพของโทเคนในฐานะตัวชี้วัดต้นทุนการดำเนินงาน
การใช้โทเคนเฉลี่ย 25,000 โทเคนในผลลัพธ์ ต่อภารกิจของ Intelligence Index เมื่อเทียบกับ 43,000 โทเคนของ GLM-5.2, 38,000 โทเคนของ Kimi K2.6 และ 37,000 โทเคนของ DeepSeek v4 Pro ใน Terminal Bench 2.1 Inkling ทำคะแนนเทียบเท่า Nemotron 3 Ultra โดยใช้โทเคนเพียงประมาณหนึ่งในสาม ข้อมูลนี้ส่งผลโดยตรงต่อต้นทุนการประมวลผลในระดับการผลิตขนาดใหญ่ ระบบ "controllable thinking effort" ช่วยให้ปรับสมดุลระหว่างความเร็วและความแม่นยำได้ ในขณะที่กลไกการส่งสัญญาณความไม่แน่นอนช่วยลดอัตราการเกิดผลลัพธ์ที่ผิดพลาดจากความเข้าใจผิด
หนี้ทางเทคนิคต่อการวิจัยจากภายนอก
Thinking Machines ยืนยันว่าสถาปัตยกรรมของ Inkling มีที่มาจาก DeepSeek-V3 และขั้นตอน post-training ได้ใช้ข้อมูลที่สร้างขึ้นจาก Kimi K2.5 ของ Moonshot AI ข้อมูลนี้แสดงให้เห็นการแลกเปลี่ยนวิธีการระหว่างห้องปฏิบัติการต่างๆ โดยไม่คำนึงถึงแหล่งกำเนิดทางภูมิศาสตร์ ซึ่งเป็นข้อเท็จจริงทางเทคนิคที่บริษัทเองเปิดเผยอย่างชัดแจ้งในเอกสารประกอบการเปิดตัว
ทิศทางในอนาคต: พื้นฐานสำหรับการปรับแต่ง ไม่ใช่โมเดลสูงสุดโดยรวม
คำแถลงอย่างเป็นทางการของ Thinking Machines จำกัดขอบเขตความมุ่งหวังของการเปิดตัวครั้งนี้ไว้ว่า "Inkling ไม่ใช่โมเดลที่ทรงพลังที่สุดโดยรวมที่มีอยู่ในปัจจุบัน ทั้งแบบเปิดหรือปิด แต่เป็นพื้นฐาน open-weight ที่ยอดเยี่ยมสำหรับการปรับแต่ง" ทิศทางเชิงกลยุทธ์นี้ไม่ได้มุ่งเป้าไปที่การครองอันดับสูงสุดโดยสมบูรณ์ แต่มุ่งสร้างโครงสร้างพื้นฐานแบบโมดูลาร์ที่มีสัญญาอนุญาตแบบเปิดกว้าง ผลกระทบโดยตรงต่อตลาด open-weight ของสหรัฐอเมริกาคือการปรากฏของมาตรฐานทางเทคนิคใหม่ที่มีอัตราส่วนประสิทธิภาพต่อสมรรถนะเหนือกว่าที่เคยมีมา ซึ่งเป็นเงื่อนไขที่กำหนดมาตรฐานการแข่งขันใหม่สำหรับการเปิดตัวครั้งต่อไปในอุตสาหกรรมนี้
