Por Canuto  

Thinking Machines Lab presentó Inkling, su primer modelo de inteligencia artificial con pesos abiertos, y lo ofreció como una base personalizable para empresas que buscan alejarse de la IA de talla única.
***

  • Inkling cuenta con 975.000 millones de parámetros, aunque activa cerca de 41.000 millones para cada tarea mediante una arquitectura de mezcla de expertos.
  • El modelo fue entrenado con 45 billones de tokens de texto, imagen, audio y video, y permite ajustar la velocidad frente al esfuerzo de razonamiento.
  • Thinking Machines apuesta por monetizar su plataforma Tinker, mientras el modelo abierto enfrenta dudas sobre costos, destilación y sostenibilidad comercial.

 

Thinking Machines Lab presentó Inkling el 15 de julio de 2026 como su primer modelo de inteligencia artificial con pesos abiertos. La startup fue fundada por Mira Murati, exdirectora de tecnología de OpenAI, y había trabajado durante aproximadamente un año y medio con poca exposición pública.

Los pesos abiertos permiten que desarrolladores y empresas descarguen el modelo y modifiquen directamente sus componentes. Ese enfoque contrasta con el acceso controlado que ofrecen los principales laboratorios mediante productos como ChatGPT, Claude y Gemini.

La empresa no presenta Inkling como el modelo más potente disponible. Sus propios materiales señalan que no supera a todos los sistemas cerrados o abiertos, sino que busca ofrecer un rendimiento equilibrado para distintos usos, detalla TechCrunch.

La propuesta parte de una crítica a la denominada IA de talla única. Thinking Machines sostiene que una empresa puede obtener más valor cuando adapta el modelo a sus propios procesos, datos y conocimiento interno.

TechCrunch informó que la compañía concibe Inkling como un punto de partida, no como un producto terminado para cada necesidad. La personalización se realizaría mediante Tinker, su plataforma de entrenamiento y ajuste de modelos.

Arquitectura y capacidades técnicas

Inkling utiliza una arquitectura de mezcla de expertos con 975.000 millones de parámetros totales. Sin embargo, el sistema activa aproximadamente 41.000 millones para cada tarea, lo que puede reducir el costo y el tiempo de ejecución frente a un modelo que utilizara toda su capacidad continuamente.

La mezcla de expertos divide el trabajo entre distintos componentes especializados. En lugar de procesar cada consulta con todos los parámetros, el sistema selecciona los recursos que considera más adecuados para responderla.

Thinking Machines entrenó Inkling con 45 billones de tokens de texto, imagen, audio y video. La compañía afirma que el modelo puede razonar de forma nativa a través de esas tres modalidades, aunque la información divulgada no presenta una evaluación independiente de cada capacidad.

Una función destacada consiste en calibrar las respuestas y señalar la incertidumbre. La empresa busca que Inkling reconozca cuándo carece de suficiente confianza, en lugar de entregar una respuesta inventada con apariencia de certeza.

Los usuarios también pueden aumentar o reducir el llamado esfuerzo de pensamiento. Esa opción permite priorizar la velocidad en tareas sencillas o dedicar más recursos al razonamiento cuando el problema exige mayor profundidad.

Eficiencia, codificación y entrenamiento

En una prueba de codificación citada por la compañía, Inkling utilizó un tercio de los tokens que Nemotron 3 Ultra de Nvidia para alcanzar el mismo rendimiento. La comparación proviene de los materiales de Thinking Machines y no equivale a una certificación independiente.

El consumo de tokens influye en los costos de inferencia, especialmente cuando las empresas ejecutan millones de solicitudes. Una arquitectura más selectiva podría mejorar la economía operativa, aunque el resultado final también depende del hardware, la optimización y el volumen de uso.

Inkling fue entrenado completamente en sistemas NVL72 GB300 de Nvidia. Thinking Machines anunció en marzo una asociación estratégica con Nvidia para desplegar un gigavatio de capacidad computacional basada en la plataforma Vera Rubin.

La relación con Nvidia muestra la escala de infraestructura necesaria para competir en modelos avanzados. También abre preguntas sobre si el ahorro obtenido durante la ejecución puede compensar el gasto inicial de entrenamiento y la disponibilidad de capacidad computacional.

La compañía no ha explicado cómo equilibrará esos costos con sus ingresos. Según los reportes citados en la cobertura original, la generación de ingresos no habría sido su prioridad principal hasta ahora.

La personalización como argumento empresarial

Thinking Machines sostiene que los modelos entrenados centralmente pueden quedarse cortos porque no incorporan la experiencia específica de cada organización. Esa experiencia suele encontrarse en documentos internos, procedimientos, correcciones y decisiones acumuladas por los equipos.

La tesis de la empresa plantea que una IA adaptada a una compañía puede superar a un sistema generalista, incluso si el modelo base no lidera todas las pruebas públicas. El valor estaría en el conocimiento especializado que la organización consigue incorporar.

El director ejecutivo de Microsoft, Satya Nadella, formuló una advertencia relacionada en una publicación de blog. Según su argumento, las empresas pueden pagar dos veces por usar modelos propietarios: primero mediante suscripciones y después al entregar conocimiento comercial en sus indicaciones y correcciones.

Ese conocimiento podría contribuir a futuras versiones de los modelos, aunque las condiciones concretas dependen de cada proveedor y contrato. La preocupación refuerza el interés empresarial por mantener mayor control sobre los datos y los sistemas internos.

Un proyecto de Bridgewater Associates ofrece un ejemplo de esta estrategia. Investigadores de ambas organizaciones tomaron un modelo abierto y lo entrenaron con experiencia financiera propia, obteniendo 84,7% en pruebas de razonamiento financiero y un costo de ejecución cercano a una catorceava parte del de modelos propietarios líderes.

Los resultados de Bridgewater fueron publicados conjuntamente por las dos organizaciones y no cuentan con una evaluación independiente, según la información disponible. Aun así, ilustran el argumento de que la especialización puede importar más que el tamaño absoluto del modelo.

Competencia, destilación y modelo de ingresos

Thinking Machines afirma que llegó al mercado con rapidez. La empresa sostiene que tardó aproximadamente nueve meses en alcanzar este punto, frente a cerca de cinco años para OpenAI y tres años para Anthropic.

La comparación no mide exactamente las mismas etapas ni las mismas condiciones de mercado. Sin embargo, muestra la intención de la startup de presentar velocidad de ejecución como una ventaja frente a laboratorios con trayectorias más largas.

Inkling también despierta preguntas sobre el uso de salidas de otros modelos durante su desarrollo. Thinking Machines confirmó que empleó modelos de pesos abiertos, incluido Kimi K2.5 de Moonshot AI, para generar parte de los primeros datos posteriores al entrenamiento.

La empresa sostiene que preentrenó Inkling desde cero y que después el aprendizaje reforzado a gran escala asumió el control. También afirmó que su próximo modelo utilizará un proceso de postentrenamiento completamente autosuficiente.

La cuestión se relaciona con la destilación, una práctica bajo escrutinio en la industria. El proceso puede acelerar el desarrollo, pero genera debates sobre propiedad intelectual, transparencia y la procedencia de los datos utilizados para mejorar un sistema.

El modelo abierto tampoco obliga a los usuarios a pagar por ejecutarlo. Una vez que los pesos están disponibles, una empresa puede descargarlos y operar el sistema por su cuenta, a diferencia del acceso medido que venden OpenAI y Anthropic.

Por esa razón, Thinking Machines parece depender de Tinker para construir su negocio. La plataforma puede generar ingresos mediante entrenamiento, ajuste fino y una participación en el ecosistema de alojamiento creado alrededor de Inkling.

Financiamiento, personal y próximos desafíos

La estrategia financiera sigue siendo una de las principales incógnitas. El año pasado surgieron reportes sobre una ronda de USD $50.000 millones, pero varias publicaciones indicaron en enero que el proceso se había estancado.

Thinking Machines rechazó comentar públicamente su situación de financiamiento desde entonces. Nvidia, sin embargo, afirmó en marzo que realizó una inversión significativa en la startup al anunciar su asociación estratégica.

La compañía también enfrenta dudas sobre la escala de gasto que necesitará para competir con OpenAI y Anthropic. Su apuesta por la eficiencia podría cambiar la economía del negocio, pero todavía no demuestra que los costos de infraestructura sean sostenibles a largo plazo.

Otro elemento de la evolución interna es su plantilla. Thinking Machines cuenta ahora con aproximadamente 200 empleados, después de una ola de salidas ocurrida a comienzos de 2026.

Entre las personas que abandonaron la empresa estuvieron dos cofundadores, quienes se incorporaron a OpenAI en enero. El movimiento refleja la intensa competencia por talento especializado en modelos avanzados.

La startup asegura que su cultura favorece la continuidad y reduce la dependencia de figuras individuales. Esa postura resulta llamativa porque la identidad pública de Thinking Machines permanece estrechamente asociada con Murati.

Antes de Inkling, la empresa había mostrado una vista previa de investigación sobre modelos de interacción. Estos sistemas están diseñados para escuchar, hablar e incluso interrumpir, en lugar de esperar siempre una nueva instrucción como los chatbots tradicionales.

Inkling funciona como la primera prueba pública de una tesis más amplia. Thinking Machines quiere que las organizaciones pasen de consumir una IA centralizada a moldear modelos propios, con mayor control sobre el conocimiento, el costo y la forma de interacción.

El éxito de la estrategia dependerá de la adopción de Tinker, la calidad del soporte técnico y la capacidad de las empresas para administrar modelos de gran tamaño. También será importante comprobar si las ventajas anunciadas se mantienen en evaluaciones externas y cargas de trabajo reales.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados