Thinking Machines lança Inkling, MoE 975B, pesos abertos

Introdução

Inkling, o novo modelo multimodal de pesos abertos da Thinking Machines, foi lançado em 15 de julho de 2026 com 975 bilhões de parâmetros totais e 41 bilhões ativos por token, combinando texto, imagem e áudio em um único decodificador. O objetivo declarado é tornar a personalização acessível, equilibrando custo e desempenho em cenários reais.

A disponibilização dos pesos sob licença Apache 2.0, somada ao suporte imediato por provedores e frameworks, posiciona o Inkling como alternativa relevante no ecossistema open weights, em especial para empresas que desejam inspecionar, ajustar e executar o modelo sob seus próprios controles.

O que é o Inkling e por que importa agora

Inkling é um transformador autoregressivo multimodal com arquitetura Mixture of Experts, 66 camadas e feed-forward esparso, que roteia cada token a 6 de 256 especialistas, além de 2 especialistas compartilhados sempre ativos. Essa escolha permite escalar o total de parâmetros para 975 bilhões mantendo 41 bilhões efetivamente ativos por token, fator que reduz custo de inferência e latência quando comparado a modelos densos equivalentes.

O lançamento acontece em uma janela em que o mercado valoriza liberdade de customização e portabilidade. Coberturas independentes destacaram que a estratégia da Thinking Machines é apostar em um modelo que clientes possam adaptar com facilidade, em vez de depender exclusivamente de ofertas de laboratórios fechados. Esse posicionamento se alinha à procura de alternativas open weights competitivas com o que há de melhor em multimodalidade.

![Diagrama conceitual Inkling MoE]

Arquitetura e capacidades multimodais

A arquitetura do Inkling é um decodificador único que processa, de forma nativa, texto, imagens e áudio, projetando todas as modalidades em um espaço oculto compartilhado. As imagens são particionadas em patches e o áudio entra como dMel spectrograms, removendo a dependência de encoders externos. Essa decisão simplifica a pilha de aplicações multimodais e melhora a coordenação entre modalidades em tarefas que exigem contexto visual e sonoro combinado.

O modelo oferece um recurso prático de “esforço de pensamento” controlável, permitindo ajustar a quantidade de raciocínio gerado por token conforme a tarefa. Em benchmarks públicos reportados, o Inkling atingiu níveis competitivos entre modelos de pesos abertos, igualando a performance de rivais em cenários de codificação com menos tokens gerados, o que implica economia direta.

Outro ponto-chave é a janela de contexto de até 1 milhão de tokens informada pelos parceiros técnicos, algo que amplia o teto de aplicações longas, como navegação com ferramentas, análise de documentos extensos e fluxos agentic com memória contextual ampla.

Pesos abertos, licença e distribuição

Inkling foi lançado com licença Apache 2.0 e pesos abertos para download. Além do acesso via Tinker, a plataforma de fine tuning da própria empresa, há distribuição por terceiros e suporte de frameworks populares de inferência, o que viabiliza execução local ou em provedores de nuvem com otimizações específicas.

A Thinking Machines destaca três caminhos de uso: executar os pesos localmente, integrar via APIs de parceiros e realizar pós-treinamento no Tinker. O card do modelo descreve requisitos de hardware e opções de quantização, incluindo checkpoints BF16 e NVFP4, permitindo reduzir a demanda de VRAM agregada.

Requisitos de hardware e opções de implantação

Para executar o checkpoint BF16, recomenda-se ao menos 2 TB de VRAM agregada, atendidos por configurações como 8 GPUs NVIDIA B300 ou 16 GPUs H200. O checkpoint NVFP4 reduz a exigência para cerca de 600 GB de VRAM, com modos como W4A4 em 4 B300, ou W4A16 em 8 H200. Para software, o projeto cita SGLang, vLLM, TokenSpeed, Unsloth e o ecossistema Hugging Face como opções de inferência. Para muitos times, executar remotamente com provedores compatíveis ou usar o Tinker para pós-treinamento tende a otimizar o custo.

A disponibilidade de suporte no dia zero não ficou restrita a um único stack. Projetos como vLLM e SGLang anunciaram compatibilidade e otimizações específicas, o que indica maturidade do pipeline de inferência logo no lançamento. Esse tipo de adesão acelera adoção empresarial, reduz tempo de engenharia e evita lock-in.

Ecossistema e integrações no dia do lançamento

Parceiros de infraestrutura destacaram integrações imediatas, permitindo rodar o Inkling por APIs gerenciadas e ajustar configurações de cache KV, paralelismo de experts e quantização para ganhar throughput sem degradar a qualidade. Esse suporte early dá às equipes a chance de validar casos em produção com latências estáveis. Além disso, provedores de plataforma comunicaram disponibilidade do modelo, somando caminhos para quem não quer administrar clusters de alto custo.

Na imprensa, reportagens reforçaram o ângulo de personalização como diferencial estratégico. Em paralelo, análises da comunidade técnica compararam o Inkling com o estado da arte de open weights, especialmente modelos chineses, ressaltando que a proposta da Thinking Machines é competir com amplitude de modalidades e eficiência token por token.

![Aplicações multimodais com Inkling]

Benchmarks, segurança e governança

O card do modelo lista resultados em baterias de raciocínio, codificação agentic, factualidade, visão e áudio. Em IFBench, SWEBench e HLE, o Inkling aparece competitivo entre open weights, com ganhos notáveis quando o esforço de raciocínio é ajustado. Em visão, benchmarks como MMMU Pro e CharXiv RQ também são reportados, enquanto em áudio há números em Audio MC, MMAU e VoiceBench, com o esforço configurado em 0,99. Embora não dispute topo absoluto com modelos fechados, o equilíbrio multimodal e a eficiência de tokens chamam atenção para workloads reais.

Em segurança, a Thinking Machines descreve avaliações pré-lançamento, com mitigadores para reduzir riscos de conteúdo nocivo e jailbreaks. O documento recomenda defesa em profundidade, camadas de moderação como Llama Guard, filtros de entrada e saída, e monitoramento. A conclusão é que o Inkling não apresenta risco de elevação material além do panorama já disponível em pesos abertos, desde que implementado com salvaguardas adequadas.

Casos de uso práticos e lições de custo

Há sinais claros de desenho para aplicações que combinam raciocínio, ferramenta e interface. O post de anúncio demonstra habilidades de geração de apps web em um tiro só, produção de artefatos com estilo coeso e ciclos longos de refinamento com feedback, elementos valiosos para construir features de produto, documentação dinâmica e assistentes interativos. Em termos de custo, a curva esforço versus desempenho sugere que é possível atingir pontuações similares a concorrentes com menos tokens, uma alavanca concreta para reduzir contas de inferência.

Do lado multimodal, a entrada nativa de áudio e imagem sem encoders externos simplifica arquiteturas. Para equipes de produto, isso reduz a complexidade de sincronizar embeddings visuais e acústicos, elimina pontos de falha e facilita manter versões únicas do stack. Para compliance, a licença Apache 2.0 viabiliza auditorias e integrações sob políticas corporativas, desde que as salvaguardas recomendadas sejam implementadas.

Como começar, com passos objetivos

• Avalie hardware e latência alvo. Se a meta é rodar localmente com controle total, dimensione a VRAM para o checkpoint escolhido, BF16 ou NVFP4. Em ambientes distribuídos, priorize frameworks compatíveis e ajuste o paralelismo de experts e a quantização para encontrar o ponto ótimo de throughput.
• Prove valor com um piloto de fine tuning. O Tinker oferece pipeline de pós-treinamento e playground para avaliar comportamento antes da integração no produto, além de exemplos de uso agentic. Isso reduz risco de overfitting a um benchmark único e acelera time-to-value.
• Leve em conta segurança desde o início. Combine filtros, políticas de uso e monitoramento, especialmente em apps expostos ao público. Aplique revisão humana para domínios sensíveis.
• Considere hospedagem gerenciada. Anúncios de parceiros no dia zero indicam caminhos rápidos para produção, com SLAs e billing previsíveis, úteis para times menores.

O que observar nos próximos meses

• Evolução de variantes. Informações de comunidade mencionam versões menores focadas em latência e custo, algo atraente para workloads de bordo e aplicações mobile conectadas. A maturidade dessas variantes e a qualidade relativa frente a concorrentes definirão a velocidade de adoção.
• Consolidação de toolchains. Com SGLang, vLLM e outros já compatíveis, o próximo passo é ver kernels otimizados, cache KV sob demanda e mistura de precisões estáveis, além de benchmarks independentes em larga escala.
• Padrões de safety. A forma como camadas de moderação e auditoria se encaixam em cenários multimodais será determinante para adoção regulada, especialmente em setores financeiro e saúde.

Reflexões e insights

O pulo do gato do Inkling é pragmatismo. Em vez de perseguir recordes absolutos em uma única métrica, o desenho privilegia amplitude multimodal, eficiência por token e facilidade de personalização. Isso atende uma demanda real de times de produto, que precisam de previsibilidade de custo e flexibilidade para adaptar o modelo ao seu domínio, seja com ferramentas agentic, seja com RAG e automação de fluxos.

Há espaço para ceticismo saudável. Apenas o tempo dirá como o Inkling se sustenta frente a modelos fechados com treinamento massivo e pipelines proprietários otimizados. Ainda assim, o pacote open weights, licença permissiva e ecossistema no dia zero já é um avanço significativo para quem valoriza controle, portabilidade e transparência.

Conclusão

Inkling insere a Thinking Machines no mapa dos modelos de uso amplo com uma proposta clara, dados abertos, pesos disponíveis e um caminho direto para personalização. Com 975 bilhões de parâmetros totais, 41 bilhões ativos por token, suporte multimodal nativo e uma curva de esforço ajustável, o modelo conversa bem com necessidades de empresas que querem equilibrar custo, desempenho e governança.

A decisão entre executar localmente, usar provedores ou apostar no Tinker dependerá do perfil de risco e da maturidade do time. O importante é que as peças, de arquitetura a ecossistema, já estão no tabuleiro. Se a missão é construir aplicações multimodais úteis e eficientes, o Inkling oferece uma base sólida para experimentar, medir e evoluir com rapidez.