Das Start-up von Ex-OpenAI-CTO Mira Murati bringt mit Inkling ein Open-Weights-Modell mit 975 Milliarden Parametern heraus. Es soll besonders effizient denken und bei agentischen Aufgaben überzeugen, ist aber insgesamt etwas schwächer als die besten offenen China-Modelle.
Thinking Machines Lab hat sein erstes produktionsreifes Sprachmodell veröffentlicht. Inkling ist ein Mixture-of-Experts-Transformer mit 975 Milliarden Gesamtparametern, von denen 41 Milliarden aktiv sind. Es ist das erste Modell des Start-ups von Mira Murati, der ehemaligen CTO von OpenAI, die maßgeblich an der Entwicklung von ChatGPT beteiligt war.
Fine-Tuning als Geschäftsmodell
Das Modell verarbeitet, im Unterschied zu vielen anderen offenen KI-Modellen, nativ Text-, Bild- und Audio-Eingaben und unterstützt ein Kontextfenster von bis zu einer Million Tokens. Die Gewichte sind auf HuggingFace frei verfügbar. Zusätzlich bietet das Unternehmen Zugang über seine Tinker-Plattform, die dafür entwickelt wurde, KI-Modelle möglichst einfach auf eigene Aufgaben anzupassen.
Thinking Machines Lab positioniert Inkling entsprechend bewusst als vielseitige Grundlage für Anpassungen: "Inkling ist nicht das insgesamt stärkste heute verfügbare Modell, weder offen noch geschlossen", heißt es in der Ankündigung. Die Kombination aus multimodalen Fähigkeiten, effizienter Denkleistung und Verfügbarkeit für Fine-Tuning soll den Unterschied machen.
Laut Thinking Machines wurde das Modell mit 45 Billionen Token aus öffentlich verfügbaren und synthetischen Texten, Bildern, Audioaufnahmen und Videos vortrainiert. Dazu zählen auch öffentlich verfügbare Daten, die "womöglich" urheberrechtlich geschützt sind. Zur Erzeugung der synthetischen Daten kam unter anderem das chinesische KI-Modell Kimi K2.5 zum Einsatz, das auch als Grundlage für Cursors Coding-Modell diente. Weitere technische Angaben stehen in der Modellkarte.
Stärkstes US-Open-Weights-Modell, aber schwächer als die beste China-Konkurrenz
Laut der Analyseplattform Artificial Analysis debütiert Inkling mit einem Wert von 41 auf dem Artificial Analysis Intelligence Index und ist damit das führende Open-Weights-Modell aus einem US-Labor. Es liegt drei Punkte über dem bisherigen Spitzenreiter Nemotron 3 Ultra (38) und deutlich vor Gemma 4 31B (29) und gpt-oss-120b (24).
Inkling debütiert auf Platz 41 des Artificial Analysis Intelligence Index und ist damit das führende US-Open-Weights-Modell. | Bild: Artificial AnalysisAuf dem agentischen Benchmark GDPval-AA v2, der Aufgaben aus der Wissensarbeit nachbildet, erreicht Inkling einen Elo-Wert von 1238, höher als Kimi K2.6 (1190) und DeepSeek v4 Flash max (1189). Beim Tau-3-Banking-Benchmark kommt es auf 24 Prozent und liegt damit über Kimi K2.6 (21 Prozent) und knapp über DeepSeek v4 Flash max (23 Prozent).
Bei agentischen Aufgaben übertrifft Inkling sowohl Kimi K2.6 als auch DeepSeek v4 Flash max. | Bild: Artificial AnalysisBei der Faktentreue zeigt Inkling allerdings deutliche Schwächen. Laut Artificial Analysis erreicht das Modell auf dem AA-Omniscience-Benchmark nur einen Wert von +2 und liegt damit unter führenden Open-Weights-Modellen, wenn auch über anderen US-Modellen wie Nemotron 3 Ultra (-1). Die Genauigkeit beträgt lediglich 40 Prozent, die Halluzinationsrate liegt bei 63 Prozent. Für Anwendungen, die hohe Faktentreue erfordern, dürfte das ein Hindernis darstellen.
Inkling benötigt mit durchschnittlich 25.000 Output-Tokens pro Aufgabe deutlich weniger als vergleichbare Open-Weights-Modelle. | Bild: Artificial AnalysisEin positives Merkmal ist die Token-Effizienz. Laut Artificial Analysis benötigt Inkling durchschnittlich 25.000 Output-Tokens pro Intelligence-Index-Aufgabe. Zum Vergleich: GLM-5.2 max verbraucht 43.000, Kimi K2.6 rund 38.000 und DeepSeek v4 Pro max etwa 37.000 Tokens für dieselben Aufgaben.
Thinking Machines betont, dass Inkling über eine stufenlos steuerbare Denkintensität ("continuous thinking effort") verfügt. Nutzer können damit ihren bevorzugten Punkt auf der Kosten-Leistungs-Kurve wählen und bei gleicher Ergebnisqualität deutlich weniger Tokens verbrauchen.
Die reinen Token-Preise liegen bei 1,87 Dollar pro Million Input-Tokens und 4,68 Dollar pro Million Output-Tokens bei einem 64K-Kontextfenster, also etwas über dem Preisniveau offener China-Modelle wie GLM-5.2 oder DeepSeek v4, die bei Text und Code eine ähnliche oder bessere Leistung bieten. Bei bis zu 256.000 Token steigen die Preise auf 3,74 Dollar für Eingaben, 0,748 Dollar für zwischengespeicherte Eingaben und 9,36 Dollar für Ausgaben.
Kleineres Inkling-Small übertrifft das große Modell teilweise
Neben Inkling zeigt Thinking Machines eine Vorschau auf Inkling-Small, ein kompakteres Modell mit 276 Milliarden Gesamtparametern und 12 Milliarden aktiven Parametern. Das kleinere Modell erreicht auf zahlreichen Benchmarks überraschend ähnliche oder sogar bessere Ergebnisse als sein größerer Verwandter.
Auf GPQA Diamond kommt Inkling-Small auf 88,3 Prozent gegenüber 87,2 Prozent, beim HLE-Benchmark mit Tools liegt es mit 46,6 Prozent leicht vor Inkling (46,0 Prozent). Thinking Machines führt die Ergebnisse auf Verbesserungen bei den Pre-Training-Daten und dem Trainingsrezept zurück. Die vollständigen Gewichte sollen nach Abschluss der Tests veröffentlicht werden.
KI-News ohne Hype – von Menschen kuratiert
Mit dem THE‑DECODER‑Abo liest du werbefrei und wirst Teil unserer Community: Diskutiere im Kommentarsystem, erhalte unseren wöchentlichen KI‑Newsletter, 6× im Jahr den "KI Radar"‑Frontier‑Newsletter mit den neuesten Entwicklungen aus der Spitze der KI‑Forschung, bis zu 25 % Rabatt auf KI Pro‑Events und Zugriff auf das komplette Archiv der letzten zehn Jahre.
