Mira Murati sorprende tutti: il suo primo modello AI ammette di non essere il migliore

Thinking Machines Lab, la società fondata dall'ex CTO di OpenAI Mira Murati, ha annunciato Inkling, il primo modello di intelligenza artificiale sviluppato internamente. La scelta strategica è chiara fin dal debutto: invece di rivendicare la leadership assoluta nelle classifiche prestazionali, la società propone un modello open-weight progettato per essere personalizzato dalle aziende e adattato a scenari applicativi specifici.

Inkling è un modello Mixture-of-Experts (MoE) con 975 miliardi di parametri complessivi, dei quali circa 41 miliardi vengono attivati durante ogni inferenza. Supporta una finestra di contesto fino a 1 milione di token ed è stato addestrato su 45 trilioni di token provenienti da testo, immagini, audio e video. Il modello è in grado di elaborare nativamente contenuti multimodali, anche se attualmente genera esclusivamente output testuali, inclusi codice e dati strutturati.

Thinking Machines sottolinea che Inkling "non è il modello più potente oggi disponibile, né tra quelli aperti né tra quelli proprietari". Secondo l'azienda, il valore del progetto risiede invece nell'equilibrio tra capacità generali, efficienza e facilità di personalizzazione attraverso la piattaforma proprietaria Tinker, che consente di effettuare il fine-tuning mantenendo la proprietà del modello risultante.

L'obiettivo dichiarato è permettere alle organizzazioni di costruire sistemi AI specializzati sfruttando le proprie conoscenze interne, anziché affidarsi esclusivamente a modelli generalisti chiusi. In questa visione, il modello di base rappresenta soltanto il punto di partenza, mentre il vero vantaggio competitivo deriva dall'adattamento ai dati e ai processi dell'azienda utilizzatrice.

Dal punto di vista tecnico, Inkling introduce un sistema di "controllable thinking effort", che permette agli sviluppatori di regolare dinamicamente il livello di ragionamento del modello, bilanciando accuratezza, latenza e costo computazionale. Secondo i benchmark pubblicati dall'azienda, su Terminal Bench 2.1 il modello raggiunge prestazioni paragonabili a Nemotron 3 Ultra di NVIDIA utilizzando circa un terzo dei token generati.

Thinking Machines descrive Inkling come un modello generalista capace di operare in numerosi ambiti, dal ragionamento matematico alla programmazione agentica, passando per comprensione visiva, elaborazione audio, ricerca fattuale e dialogo. Nei benchmark diffusi dall'azienda il modello mostra risultati competitivi rispetto ad altre soluzioni open-weight, pur restando generalmente dietro ai principali modelli proprietari nei test più complessi.

Tra le caratteristiche evidenziate figura anche l'architettura multimodale sviluppata senza encoder dedicati per immagini e audio. Le immagini vengono convertite in patch da 40x40 pixel, mentre l'audio è rappresentato tramite spettrogrammi dMel; entrambe le tipologie di dati vengono elaborate insieme ai token testuali all'interno del modello.

Inkling integra inoltre meccanismi pensati per migliorare l'affidabilità delle risposte. Il laboratorio ha dichiarato di aver lavorato sulla calibrazione della confidenza, sull'aderenza alle istruzioni e sulla riduzione delle allucinazioni attraverso una combinazione di reinforcement learning, verificatori automatici delle affermazioni e sistemi di valutazione esterni. Sul fronte della sicurezza, i benchmark pubblicati indicano prestazioni elevate nei test FORTRESS e StrongREJECT, progettati per verificare la capacità del modello di rifiutare richieste dannose senza compromettere quelle legittime.

Contestualmente è stata presentata anche Inkling-Small, versione più compatta basata su 276 miliardi di parametri complessivi e 12 miliardi attivi. Pur offrendo prestazioni leggermente inferiori in alcuni benchmark, il modello punta a ridurre costi e latenza, risultando adatto a carichi di lavoro come coding, valutazione automatica tramite LLM e generazione di dati sintetici.

Secondo Thinking Machines, Inkling è stato sviluppato in circa nove mesi utilizzando sistemi NVIDIA GB300 NVL72. Per la fase iniziale dell'addestramento è stata impiegata anche una limitata attività di distillazione sfruttando modelli open-weight già esistenti, tra cui Kimi K2.5, mentre il laboratorio afferma che i futuri modelli saranno addestrati integralmente con pipeline proprietarie.

Il modello è già disponibile sulla piattaforma Tinker con finestre di contesto da 64.000 e 256.000 token, oltre che tramite numerosi partner dell'ecosistema AI, tra cui Hugging Face, Together AI, Databricks, Fireworks, Baseten e Modal. I pesi completi sono distribuiti anche in formato NVFP4 ottimizzato per i sistemi NVIDIA Blackwell.