El 15 de julio de 2026, Thinking Machines Lab presentó Inkling, su primer modelo de inteligencia artificial entrenado desde cero. A diferencia de los lanzamientos habituales que parten de pesos pre‑entrenados, Inkling se construyó mediante un proceso de pre‑entrenamiento completo, lo que lo convierte en una referencia para la comunidad de investigadores que buscan modelos reproducibles y modificables.
Inkling es una arquitectura Mixture‑of‑Experts (MoE) con 975 mil millones de parámetros en total, de los cuales 41 mil millones se activan de forma dinámica en cada paso de inferencia. El mecanismo de routing selecciona entre cientos de expertos especializados, lo que permite que solo la fracción de parámetros necesaria para cada token sea computada, reduciendo el consumo de GPU y la latencia. Esta arquitectura, combinada con la ventana de contexto de 1 M de tokens, abre la puerta a aplicaciones como resúmenes de libros enteros, análisis de transcripciones de largas conferencias o generación de contenido multimodal coherente a lo largo de tiempo extendido.
El modelo se distribuye bajo la licencia Apache 2.0, lo que garantiza que cualquier investigador o empresa pueda obtener, modificar y redistribuir los pesos sin restricciones legales. Esta apertura contrasta con la tendencia de los grandes laboratorios a mantener sus pesos bajo licencias más restrictivas, y posiciona a Inkling como una opción atractiva para startups, universidades y centros de investigación que buscan fomentar la innovación abierta.
Una de las características distintivas de Inkling es su mecanismo de ‘controllable thinking effort’, que permite al usuario ajustar la cantidad de razonamiento que el modelo realiza antes de generar una respuesta. Esta funcionalidad se implementa mediante la modulación de la profundidad de los pasos de inferencia en los expertos, lo que se traduce en una reducción o ampliación del uso de recursos computacionales según la complejidad de la tarea. En la práctica, esto significa que una pregunta sencilla puede resolverse con un bajo consumo de GPU, mientras que una consulta que requiere análisis multi‑paso y razonamiento simbólico puede incrementar la carga de trabajo sin comprometer la calidad del output.
Aunque Inkling no pretende ser el modelo más potente del mercado, su enfoque en flexibilidad y personalización lo sitúa como una base sólida para desarrolladores que desean adaptar el comportamiento del modelo a dominios específicos. A diferencia de los modelos cerrados que ofrecen APIs limitadas, Inkling permite fine‑tuning completo y la creación de versiones especializadas sin depender de la autorización del laboratorio original, lo que democratiza el acceso a capacidades avanzadas de razonamiento.
La disponibilidad de pesos bajo Apache 2.0, junto con la capacidad de controlar el esfuerzo de razonamiento, abre oportunidades para experimentos de investigación en áreas como razonamiento simbólico, generación de texto de larga forma y agentes conversacionales con menor coste operativo. Además, la comunidad de código abierto puede integrar Inkling en pipelines de IA existentes, acelerando la adopción de modelos multimodales en entornos empresariales y académicos, y potenciando la innovación en sectores como la educación, la salud y la creación de contenido digital.
En resumen, Inkling representa un paso significativo hacia la democratización de la inteligencia artificial de gran escala. Su combinación de tamaño, eficiencia y controladoridad lo convierte en una herramienta valiosa para quienes buscan explorar los límites del razonamiento en modelos multimodales, sin la necesidad de depender de infraestructuras propietarias o de los costos asociados a los modelos de última generación.
