Qué pasó
Thinking Machines Lab, la startup fundada por Mira Murati, ex-CTO de OpenAI, ha lanzado su primer modelo propio. Se llama Inkling y aterrizó un miércoles por la mañana.
Lo que entra por los ojos es el tamaño. Por dentro, Inkling usa una arquitectura de mixture-of-experts con 975B de parámetros en total. Para cada tarea, despierta solo unos 41B. Es un truco de diseño habitual para que los modelos gigantes sean más rápidos y baratos de ejecutar.
La compañía asegura que Inkling razona de forma nativa con texto, imagen, audio y vídeo. Lo que devuelve, de momento, es más modesto: solo texto, que incluye código, artefactos con estilo y datos estructurados. O sea, puede tragarse todo el buffet sensorial, pero contesta tecleando. La generación de imagen y sonido todavía no está en la carta.
El modelo llega además tras una larga temporada de trabajo de infraestructura a bajo perfil. Una vista previa de investigación de mayo mostró los "interaction models": IA diseñada para escuchar, hablar e incluso interrumpir, en lugar de quedarse esperando como un chatbot cualquiera. Inkling es la primera prueba pública de ese esfuerzo.
Por qué importa
Los modelos estrella de OpenAI, Anthropic y Google son cerrados. Inkling es open-weight, así que desarrolladores y empresas externas pueden descargarlo y modificarlo directamente. Es un trato muy distinto a alquilar una API y rezar para que las condiciones sigan siendo amables.
Que una startup con mucha financiación y una fundadora famosa apueste por los pesos abiertos le da a la comunidad una opción seria más en lo alto de la tabla de tamaños. Más opciones, más presión para todos los que cobran por token.
Las pegas, porque tenemos estándares. El tamaño, los datos de entrenamiento y el razonamiento multimodal salen de los propios materiales de lanzamiento de la empresa. No tenemos benchmarks independientes, así que lo de "qué tal es de bueno" se queda abierto hasta que la gente empiece a trastearlo.
Pesos abiertos significa que puedes inspeccionar y modificar el modelo en vez de limitarte a alquilarlo.
El mixture-of-experts también importa en la práctica. Servir un modelo que usa unos 41B de parámetros por tarea no tiene nada que ver con servir uno que usa los 975B cada vez.
Qué hacer con esto
- Mira los pesos.Si ejecutas modelos por tu cuenta, localiza el lanzamiento oficial y comprueba qué hardware exigen los 975B de parámetros antes de emocionarte.
- Pruébalo con tu trabajo.Pasa Inkling por tus prompts, tu código y tus documentos reales, porque lo que dice el fabricante no es tu carga de trabajo.
- Vigila los límites de salida.Razona sobre imágenes, audio y vídeo, pero solo responde en texto, así que diseña tus pipelines con eso en mente.
- Sigue los interaction models.La vista previa de mayo de una IA que sabe interrumpir da pistas de hacia dónde va Thinking Machines. No le quites el ojo.
Keep up, sapiens. Los robots open-weight acaban de recibir un compañero de piso enorme.


