Thinking Machines, el laboratorio de IA de Mira Murati (la ex directora técnica de OpenAI), publicó el 15 de julio de 2026 su primer modelo: Inkling, un modelo de pesos abiertos con 975.000 millones de parámetros. Según su anuncio, la apuesta no es batir récords de rendimiento, sino dar una base abierta y multimodal que cualquier empresa pueda coger y afinar a su medida. Es el primer producto de un laboratorio que llevaba más de un año trabajando en secreto.
Qué es Inkling
- Es un modelo Mixture-of-Experts (MoE): tiene 975.000 millones de parámetros en total, pero solo activa 41.000 millones por cada token que procesa. Eso lo hace mucho más barato de ejecutar de lo que sugiere su tamaño.
- Trabaja con una ventana de contexto de 1 millón de tokens, así que digiere documentos enormes de una sola pasada.
- Es multimodal de nacimiento: se entrenó con 45 billones de tokens de texto, imagen, audio y vídeo, no solo texto.
- Los pesos completos están en Hugging Face, y hay APIs listas en TogetherAI, Fireworks, Modal, Databricks y Baseten, con un 50% de descuento de arranque.
Por qué el diseño MoE cambia la cuenta
Un modelo denso de casi un billón de parámetros sería carísimo de mover. El truco de Inkling es que enruta cada token a un puñado de "expertos" especializados: 6 activos de entre 256 enrutados, más 2 compartidos, por cada capa. El resto de la red se queda dormido. Así consigues la capacidad de un modelo gigante pagando el cómputo de uno mediano (41.000 millones activos, no 975.000). Suma a eso una atención que mezcla ventana deslizante y global en proporción 5:1 y tienes un modelo pensado para correr largo y barato.
El otro detalle interesante es lo que Murati llama "esfuerzo de pensamiento controlable". Puedes subir o bajar cuánto razona el modelo antes de responder. Los benchmarks que enseñan están medidos a esfuerzo 0,99, casi el máximo: 97,1% en AIME 2026 (matemáticas de competición), 87,2% en GPQA Diamond, 77,6% en SWE-Bench Verified (código real) y 91,4% en VoiceBench. No lidera todas las tablas, pero se planta cerca de los cerrados grandes siendo abierto.
La jugada estratégica
Thinking Machines no vende Inkling como "el más listo". Lo vende como la mejor base para que te lo lleves a casa y lo entrenes con tus datos. Por eso lanza a la vez Tinker, su plataforma de fine-tuning, y una versión pequeña, Inkling-Small (276.000 millones totales, 12.000 activos), en preview para quien no quiera mover el modelo grande. Es la tesis contraria a la de OpenAI o Anthropic, que guardan sus mejores modelos detrás de una API cerrada. Aquí la promesa es control: los pesos son tuyos.
Con Inkling, el club de los modelos abiertos serios (donde ya pesa DeepSeek desde China) suma un jugador con pedigrí de frontera y dinero detrás. Que el primer movimiento público de Murati fuera de OpenAI sea un modelo abierto, y no otro producto cerrado, es una declaración de intenciones.
Por qué importa
Para una empresa que ya usa IA en sus procesos, un modelo abierto de este nivel es una opción real, no un juguete de investigación. Puedes descargar los pesos, afinarlos con tus documentos y correrlos en tu propia infraestructura sin mandar tus datos a la API de nadie. Para sectores con datos sensibles (salud, legal, finanzas) eso es la diferencia entre poder usar IA de frontera o no tocarla. Y el diseño MoE, que activa una fracción del modelo por consulta, mete un modelo casi de billón de parámetros dentro de un presupuesto de cómputo que una empresa mediana puede permitirse. La pregunta ya no es si hay alternativa abierta a los modelos cerrados. Es cuánto tardas en probar la tuya.
Relacionado
