Murati abre con Inkling una nueva competencia

Inkling puede descargarse, modificarse y ejecutarse sin pedir permiso a Thinking Machines Lab. Eso no significa que vaya a funcionar en una computadora de escritorio. Su versión completa necesita un conjunto de procesadores con al menos dos terabytes de memoria gráfica agregada; incluso la variante comprimida requiere unos seiscientos gigabytes. La primera creación generalista de Mira Murati cabe jurídicamente dentro de una licencia abierta, pero su tamaño todavía la mantiene lejos de la mayoría de los usuarios individuales.

La contradicción no es un defecto incidental. Define el lugar desde el cual Thinking Machines intenta entrar en una competencia dominada por OpenAI, Anthropic y Google DeepMind. La empresa no afirma haber construido el sistema más potente del mercado. Reconoce que varios rivales cerrados obtienen mejores resultados generales. Su propuesta es otra: entregar los parámetros entrenados para que organizaciones con datos, capacidad técnica e infraestructura puedan adaptar el modelo a una tarea propia en lugar de enviar su información a una plataforma central que no controlan.

Murati conoce desde adentro el modelo que ahora cuestiona. Fue directora de tecnología de OpenAI y una de las figuras centrales en el desarrollo y despliegue de ChatGPT. Fundó Thinking Machines en 2025, reunió investigadores procedentes de varios laboratorios de frontera y obtuvo alrededor de 2.000 millones de dólares en una ronda inicial que valoró la compañía en 12.000 millones antes de que ofreciera un producto consolidado. Inkling es la primera prueba pública de si ese capital puede traducirse en una posición técnica distinta, no simplemente en otro proveedor de acceso por suscripción.

Un modelo enorme que no despierta entero

Inkling es un transformador multimodal de 66 capas con una arquitectura de mezcla de expertos. En lugar de activar todos sus parámetros ante cada palabra, imagen o fragmento de audio, un enrutador selecciona seis especialistas entre 256 disponibles y los combina con otros dos que permanecen siempre activos. El sistema conserva así una capacidad total cercana al billón anglosajón de parámetros, pero utiliza 41.000 millones en cada paso. La proporción activa ronda el 4,2 por ciento.

La técnica reduce el cálculo necesario durante la inferencia, pero no convierte al modelo en pequeño. Todos los expertos deben estar almacenados y disponibles para que el enrutador pueda convocarlos. Thinking Machines distribuye un punto de control BF16 que necesita al menos dos terabytes de memoria gráfica y propone configuraciones con ocho Nvidia B300 o dieciséis H200. La edición NVFP4 comprime los pesos y baja el requisito a unos seiscientos gigabytes, todavía muy por encima de una estación de trabajo habitual.

El diseño sigue de cerca la mezcla de expertos de DeepSeek-V3: 256 especialistas enrutados, dos compartidos y seis seleccionados para cada token. En atención, alterna cinco capas de ventana deslizante por cada capa global. Las primeras se concentran en fragmentos cercanos y reducen el costo; las segundas conectan información distante dentro del contexto. Thinking Machines también reemplazó el mecanismo posicional RoPE, habitual en modelos modernos, por atención relativa, y agregó convoluciones cortas para capturar relaciones locales.

La atención relativa incorpora la distancia entre elementos directamente en el cálculo que decide qué partes del contexto deben relacionarse. Thinking Machines la eligió por su comportamiento en secuencias extensas. Imagen técnica: Hugging Face y Thinking Machines Lab.

La convolución corta procesa el elemento actual junto con sus vecinos inmediatos. El recurso descarga parte del trabajo local que, de otro modo, recaería sobre la atención y los expertos. Imagen técnica: Hugging Face y Thinking Machines Lab.

El sistema recibe texto, imágenes y audio y genera texto. La documentación menciona video dentro del conjunto de preentrenamiento, y la implementación conserva una dimensión temporal para secuencias visuales, pero el modelo publicado no presenta el video como modalidad oficial de entrada ni reporta una evaluación de rendimiento listo para usar en ese formato. Esa diferencia importa: haber aprendido de un tipo de dato no equivale a ofrecer una interfaz terminada y medida para procesarlo.

La ventana máxima llega a un millón de tokens en la versión desplegada por terceros. Tinker, la plataforma de ajuste de la compañía, ofrece por ahora configuraciones de 64.000 y 256.000. Una ventana extensa permite reunir repositorios, documentos o conversaciones largas en una sola sesión, aunque el tamaño anunciado no garantiza que cada detalle sea recordado con igual precisión. El rendimiento depende de la distribución de la información, el método de recuperación y la tarea concreta.

El preentrenamiento utilizó 45 billones de tokens de texto, imágenes, audio y video. El resumen exigido por la regulación europea describe una mezcla de material disponible públicamente, contenido adquirido mediante acuerdos y datos sintéticos o generados. Informa más de mil millones de imágenes, más de un millón de horas de audio y una cantidad también superior al millón de horas de video. No publica la lista completa de conjuntos, sus proporciones ni una receta capaz de reproducir el entrenamiento desde cero.

Después de esa etapa, el laboratorio aplicó ajuste supervisado con una porción de datos sintéticos producidos por modelos de pesos abiertos, entre ellos Kimi K2.5, y dedicó la mayor parte del cómputo posterior al aprendizaje por refuerzo. Thinking Machines informa más de treinta millones de ejecuciones, distribuidas en entornos de matemática, programación, uso de herramientas, audio, imagen, conversación y seguridad. El esfuerzo de razonamiento fue entrenado como una variable regulable: el desarrollador puede intercambiar velocidad y costo por una respuesta más elaborada.

El resultado evita una confusión frecuente entre cantidad total de parámetros y superioridad automática. Inkling es gigantesco en almacenamiento, moderado en activación y deliberadamente generalista. En pruebas publicadas por la compañía obtiene 77,6 por ciento en SWE-Bench Verified, 63,8 en Terminal Bench 2.1, 74,1 en MCP Atlas y 79,8 en IFBench. Los modelos cerrados de Anthropic y OpenAI mantienen ventajas claras en varias evaluaciones de razonamiento y trabajo autónomo. Thinking Machines no lo oculta: su argumento comercial no depende de ganar cada tabla.

La apertura busca un negocio distinto

La expresión “modelo abierto” reúne prácticas muy diferentes. Inkling publica sus pesos bajo Apache 2.0, una licencia permisiva que habilita uso, modificación y distribución, incluso dentro de productos comerciales. También ofrece archivos en Hugging Face y compatibilidad inicial con Transformers, SGLang, vLLM, llama.cpp, Unsloth y otros entornos. Un operador puede conservar los datos dentro de su propia infraestructura, modificar los parámetros y contratar inferencia a un tercero sin quedar atado a la API original.

Eso no convierte al proyecto en una reproducción completamente abierta de la investigación. El público recibe los parámetros terminados, la configuración, una descripción arquitectónica y un resumen general del contenido de entrenamiento. No obtiene el corpus completo, todas las decisiones de filtrado, cada dato del posentrenamiento ni el proceso industrial que permitiría reconstruir Inkling. La denominación precisa es pesos abiertos. “Código abierto”, usada en sentido amplio por parte de la industria, puede sugerir un grado de transparencia y reproducibilidad que aquí no existe.

La estrategia llega en un momento particular para el ecosistema estadounidense. Meta había ocupado el lugar de gran proveedor occidental de modelos abiertos con Llama, pero después del rendimiento discutido de Llama 4 reorientó sus sistemas más avanzados hacia productos propietarios y una política híbrida. Mientras OpenAI y Anthropic consolidaban sus plataformas cerradas, empresas occidentales comenzaron a utilizar Qwen de Alibaba, GLM de Z.ai, DeepSeek y otros desarrollos chinos para tareas donde importaban más el precio y la posibilidad de adaptación que el máximo rendimiento general.

Inkling pretende ofrecer una alternativa creada en Estados Unidos, aunque su genealogía técnica muestra que la competencia ya es transnacional. La mezcla de expertos sigue a DeepSeek-V3 y el arranque del posentrenamiento utilizó respuestas de Kimi K2.5, desarrollado por Moonshot AI. El objetivo no consiste en aislarse de los modelos chinos, sino en absorber avances publicados dentro del ecosistema abierto y devolver un nuevo conjunto de pesos que otros puedan modificar.

La disponibilidad también modifica el riesgo. Un proveedor cerrado puede aplicar filtros en sus servidores, limitar cuentas, observar patrones de abuso y actualizar el modelo sin distribuir sus parámetros. Quien descarga Inkling puede alterar o retirar esas defensas. Thinking Machines evaluó conocimiento biológico y químico, asistencia en ciberataques, manipulación, dependencia emocional, engaño estratégico y sabotaje. Su conclusión fue que el lanzamiento no proporciona una mejora peligrosa sustancial respecto de lo que ya existe entre modelos de pesos abiertos.

La tarjeta técnica reconoce, sin embargo, una tendencia ocasional a responder solicitudes dañinas cuando aparecen como juego de roles o mediante formulaciones indirectas. El laboratorio recomienda combinar las negativas internas con clasificadores externos, límites de uso, monitoreo y revisión humana. La recomendación es relevante porque, una vez descargados los pesos, Thinking Machines ya no controla el despliegue. La seguridad pasa de ser una propiedad administrada por un único proveedor a una responsabilidad distribuida entre desarrolladores, empresas de infraestructura y usuarios finales.

El laboratorio acompaña el lanzamiento con Inkling-Small, una variante de 276.000 millones de parámetros totales y 12.000 millones activos. La empresa la presenta como anticipo de una familia con distintos compromisos entre latencia y desempeño. En varias pruebas iguala o supera a su hermano mayor, resultado que Thinking Machines atribuye a mejoras introducidas después en los datos y la receta de preentrenamiento. La observación vuelve a debilitar la lectura puramente cuantitativa: un sistema menor puede rendir mejor si aprende con una selección y un proceso más eficaces.

El argumento intelectual apareció cinco días antes del modelo. En un manifiesto titulado “The Future Worth Building Is Human”, la compañía comparó la concentración actual con la planificación central. Retomó a Friedrich Hayek para sostener que el conocimiento productivo es tácito, local, cambiante y difícil de reunir en una inteligencia general entrenada lejos del trabajo. Una cocina, un fondo de inversión o una fábrica no solo poseen documentos; acumulan criterios que sus integrantes aplican sin poder convertirlos por completo en instrucciones escritas.

La consecuencia comercial de esa tesis es directa. Si el conocimiento decisivo vive dentro de cada organización, el modelo general no necesita contenerlo todo. Debe ser suficientemente capaz para aprenderlo mediante ajuste. Thinking Machines vende precisamente la infraestructura que permite hacerlo. La descentralización defendida por la compañía no elimina al intermediario: cambia su función. En vez de cobrar solo por respuestas producidas por un modelo fijo, ofrece Tinker para entrenar variantes sin que el cliente administre el conjunto de procesadores subyacente.

La ventaja se juega en la adaptación

Tinker había aparecido antes que Inkling. La plataforma permite ejecutar ajustes supervisados y aprendizaje por refuerzo desde una computadora común, mientras Thinking Machines gestiona el trabajo pesado en sus servidores. El desarrollador conserva el control sobre datos, objetivos y evaluaciones, pero no necesita montar un clúster ni diseñar toda la distribución del entrenamiento. Inkling llega como el modelo propio sobre el que esa herramienta puede demostrar una integración más profunda.

La empresa mostró el circuito pidiéndole al modelo que se modificara a sí mismo. Inkling escribió un trabajo de ajuste para aprender a responder sin utilizar una letra determinada, creó datos sintéticos, definió una evaluación, lanzó el entrenamiento en Tinker y cargó los nuevos pesos. El ejercicio terminó en unos veintisiete minutos. No constituye una mejora autónoma general: una persona fijó el objetivo y la plataforma proporcionó el mecanismo. Sí ilustra que el ajuste puede convertirse en una tarea operada por el propio agente en lugar de un proyecto manual separado.

El antecedente empresarial más convincente no utilizó Inkling. Bridgewater Associates trabajó con Thinking Machines sobre Qwen3-235B, el modelo de Alibaba, para clasificar documentos financieros según criterios de inversores experimentados. Las tareas incluían reconocer artículos relevantes, identificar señales sobre tasas de interés, separar análisis específico de material repetitivo y detectar dónde comenzaba el contenido rutinario en informes y correos.

Los modelos generales rondaban el cincuenta por ciento de precisión con instrucciones básicas. Especialistas de Bridgewater mejoraron los prompts y llevaron el mejor resultado al 78,2 por ciento, todavía por debajo del umbral interno de confianza. El equipo entonces limpió etiquetas, incorporó revisiones de expertos y ajustó Qwen mediante Tinker. El sistema final alcanzó una media de 84,7 por ciento, redujo los errores un 29,8 por ciento frente al mejor competidor evaluado y disminuyó 13,8 veces el costo de inferencia por tarea.

El caso no prueba que cualquier ajuste supere a los grandes laboratorios. Bridgewater disponía de una tarea estrecha, criterios relativamente estables, expertos capaces de corregir etiquetas y un conjunto de evaluación propio. Esas condiciones son costosas. Cuando la empresa recurrió a anotadores sin experiencia, muchas respuestas resultaron equivocadas y el modelo entrenado con ellas siguió funcionando mal. La personalización no extrae conocimiento de datos mediocres; amplifica la calidad del juicio incorporado al proceso.

Tampoco demuestra que Inkling vaya a reproducir el resultado. Su valor para Thinking Machines consiste en validar el mercado que el nuevo modelo quiere ocupar. Una empresa puede preferir un sistema general algo menos capaz si conserva sus pesos, lo ajusta con información privada y reduce el costo recurrente. La comparación relevante deja de ser Inkling contra la mejor respuesta de Claude o GPT en una prueba pública. Pasa a ser una variante de Inkling entrenada para una organización contra un servicio general que no conoce sus criterios internos.

La promesa de descentralización convive con una concentración material extraordinaria. Inkling fue entrenado en sistemas Nvidia GB300 NVL72. En marzo, Thinking Machines y Nvidia anunciaron una alianza para desplegar al menos un gigavatio de equipos Vera Rubin a partir de 2027, además de una inversión del fabricante de procesadores en la startup. Esa potencia se acerca a la demanda eléctrica de una gran instalación industrial y confirma que Murati no renunció a la escala de frontera.

La empresa propone distribuir el control de los modelos mientras concentra el entrenamiento inicial en infraestructura que solo un grupo reducido puede financiar. No hay una incoherencia técnica: fabricar un modelo base y permitir que otros lo adapten son etapas distintas. Sí existe una frontera económica. Los pesos pueden circular libremente, pero su creación depende de miles de millones de dólares, acuerdos energéticos, centros de cómputo y una relación privilegiada con Nvidia. La apertura se produce después de una fase profundamente centralizada.

Ese diseño puede ser suficiente para alterar el mercado. Una universidad, una empresa mediana o un laboratorio independiente no necesitan reproducir los 45 billones de tokens si pueden partir del modelo terminado y ajustar una porción de sus parámetros. Proveedores de nube e inferencia pueden ofrecerlo sin pagar una tarifa exclusiva por cada respuesta. Competidores pueden estudiar sus decisiones arquitectónicas, cuantizarlo y construir herramientas compatibles. El efecto de los pesos abiertos no consiste en que cada persona opere Inkling en casa, sino en ampliar la cantidad de organizaciones capaces de convertirlo en otra cosa.

La prueba decisiva llegará fuera de las tablas del fabricante. Inkling deberá demostrar que mantiene su rendimiento en despliegues extensos, que el contexto de un millón de tokens resulta útil, que su ajuste no destruye capacidades generales y que los costos totales justifican abandonar una API cerrada. También deberá atraer una comunidad capaz de corregir errores, optimizar la inferencia y publicar variantes. Un archivo descargable no crea por sí solo un ecosistema.

Murati no presentó el modelo más fuerte y convirtió esa limitación en una estrategia. Thinking Machines apuesta a que el próximo tramo de la competencia no se decidirá únicamente por quién produce la respuesta general más brillante, sino por quién permite incorporar mejor el conocimiento que nunca llegará a internet. Inkling ofrece una forma concreta de probar esa idea: enorme, costoso, técnicamente abierto y diseñado para dejar de ser el mismo modelo después de cada organización.