Murati por fin entrega: Inkling es el mayor modelo de pesos abiertos de EE. UU., y no pretende ganar

Diecisiete meses, un modelo, cero alardes

Thinking Machines Lab pasó año y medio siendo la habitación vacía más observada de la IA. Fundada en febrero de 2025 por Mira Murati, exdirectora de tecnología de OpenAI, levantó 2.000 millones de dólares con una valoración de 12.000 millones antes de lanzar absolutamente nada, contrató de forma agresiva y luego, en general, guardó silencio. El 15 de julio, por fin publicó un modelo.

El modelo se llama Inkling. Es un transformer de mezcla de expertos con 975.000 millones de parámetros totales y unos 41.000 millones activos por token, una ventana de contexto de hasta un millón de tokens y un preentrenamiento sobre 45 billones de tokens de texto, imágenes, audio y video. Los pesos completos están en Hugging Face bajo Apache 2.0, lo que, por número de parámetros, lo convierte en el mayor modelo de pesos abiertos construido en Estados Unidos disponible públicamente. Un hermano menor, Inkling-Small, se lanza en versión preliminar con 276B de parámetros totales y 12B activos, y sus pesos completos llegarán cuando terminen las pruebas.

Lo insólito no es la ficha técnica. Es el encuadre. El propio anuncio de Thinking Machines afirma sin rodeos que Inkling "no es el modelo más potente disponible hoy, ni abierto ni cerrado". Un laboratorio que acumulaba más expectativas que casi cualquier otra startup del sector abrió su primer lanzamiento diciéndote que no había ganado.

Qué dicen realmente los números

La compañía publicó sus benchmarks con el máximo esfuerzo de razonamiento (lo que etiqueta como effort=0.99): 29,7 % en Humanity's Last Exam solo texto, 97,1 % en AIME 2026, 87,2 % en GPQA Diamond, 77,6 % en SWEBench Verified, 63,8 % en Terminal Bench 2.1, 73,5 % en MMMU Pro visión y 91,4 % en VoiceBench. En seguridad adversarial, la evaluación FORTRESS arrojó un 78,0 %.

Hay que leerlos como cifras de nivel competitivo, no como cifras que redefinen la frontera. Sitúan a Inkling en muy buena compañía sin desplazar a nadie de la cima, algo coherente con lo que el propio laboratorio dice de sí mismo. Las afirmaciones más interesantes tienen que ver con la eficiencia: Thinking Machines sostiene que Inkling alcanza un rendimiento equivalente en programación gastando aproximadamente un tercio de los tokens que consume el Nemotron 3 Ultra de Nvidia. En un mercado donde el costo de inferencia es la restricción determinante para el despliegue agéntico, los tokens necesarios para resolver una tarea son, discutiblemente, una métrica más honesta que una fila en una tabla de clasificación.

Las notas sobre la arquitectura merecen atención para quien vaya a construir sobre esto. El entrenamiento usó un optimizador híbrido —Muon para las matrices de pesos grandes, Adam para el resto— y una pila de atención que combina capas de ventana deslizante y globales en proporción 5:1. El postentrenamiento superó los 30 millones de rollouts, y el laboratorio reporta mejoras log-lineales de razonamiento derivadas del aprendizaje por refuerzo. Esa última afirmación es de las que o se replican en la comunidad de pesos abiertos en cuestión de semanas o no lo hacen discretamente, y ahora que los pesos son públicos lo averiguaremos.

El negocio es Tinker, no el modelo

Inkling no es el producto. Thinking Machines no lo monetiza. Los ingresos vienen de Tinker, la plataforma de ajuste fino de la empresa, donde Inkling quedó disponible para personalización desde el primer día con un 50 % de descuento introductorio. Los pesos son el embudo de captación de clientes; la capa de personalización es el peaje.

Eso invierte el arreglo habitual de los laboratorios de frontera, donde el modelo es una API cerrada y el margen está en la inferencia por token. Thinking Machines apuesta, en cambio, a que las empresas quieren una base sólida y maleable más de lo que quieren el mejor modelo general. La prueba de exhibición es una alianza con Bridgewater Associates: un modelo entrenado con la experiencia financiera del fondo de cobertura obtuvo un 84,7 % en pruebas de razonamiento financiero a alrededor de una catorceava parte del costo de ejecución. Esa cifra merece un asterisco: como señala TechCrunch, procede de la evaluación de las propias compañías, no de una independiente.

El empuje en distribución fue inmediato y amplio: Together AI, Fireworks, Modal, Baseten y Databricks activaron soporte. Databricks lo promociona a través de su Unity AI Gateway con exactamente el argumento que el bando de los pesos abiertos lleva dos años esgrimiendo: ajustar el modelo sobre bases de código propietarias, conectarlo a agentes de programación como Cursor y OpenCode, "optimizar el gasto en inferencia sin precios de API por token" y evitar la dependencia de un proveedor.

El ángulo de la censura es una jugada de posicionamiento

Thinking Machines evaluó a Inkling con el Propaganda and Censorship Eval de Cognition y reportó patrones sólidos de incumplimiento de la censura. No es una nota capacitiva anodina. Es un mensaje dirigido directamente a la inquietud que se ha ido acumulando todo el año, a medida que los modelos chinos de pesos abiertos —DeepSeek, Qwen, GLM y ahora Kimi K3 de Moonshot— capturaban una porción creciente del despliegue de modelos abiertos por razones de costo.

Fortune plantea la brecha estratégica con claridad: Meta viró desde los pesos abiertos hacia ofertas propietarias de pago, los lanzamientos abiertos de OpenAI se mantuvieron limitados y las empresas sensibles al costo derivaron hacia alternativas chinas, algo que en Washington se lee cada vez más como un asunto de interés nacional. Inkling es la primera respuesta estadounidense creíble a escala real. Si la "resistencia a la censura" sobrevive al contacto con un derivado ajustado es otra cuestión: el sentido mismo de los pesos abiertos es que cualquiera puede reentrenar ese comportamiento hasta eliminarlo.

Dónde conviene recortar el entusiasmo

Importan tres salvedades.

Primero, la compañía reconoce haber usado salidas de competidores para el postentrenamiento mediante destilación, y afirma que los modelos futuros se apoyarán en métodos autocontenidos. Es una divulgación honesta y, a la vez, un recordatorio de que "laboratorio de frontera independiente" y "entrenado en parte con salidas de otros laboratorios" no son cosas mutuamente excluyentes.

Segundo, las finanzas son opacas. La ronda de financiación de 50.000 millones de dólares que se reportó estaba estancada en enero, y dos cofundadores se marcharon a OpenAI ese mismo mes. Un laboratorio que quema capital con unos 200 empleados mientras regala su producto estrella necesita que Tinker convierta, y rápido.

Tercero, una licencia Apache 2.0 sobre 975.000 millones de parámetros es más simbólica que práctica para la mayoría de las organizaciones. Muy pocas pueden realmente servir un modelo de este tamaño por su cuenta, y precisamente por eso la lista de socios de despliegue importa más que la licencia. En la práctica, la mayoría de los usuarios alquilará Inkling en Databricks o Fireworks en lugar de ejecutarlo. Los pesos abiertos compran portabilidad y derecho a auditoría, no inferencia gratis.

En resumen

Inkling es el lanzamiento de modelo más interesante de la semana no porque encabece nada, sino por lo que se niega a reclamar. Un laboratorio con 12.000 millones de dólares de expectativas a cuestas publicó un modelo, dijo en voz alta que no es el mejor y dirigió a sus clientes hacia la capa de ajuste fino. Eso es o bien una admirable claridad estratégica, o bien una forma elegante de bajar el listón antes de saltar; y la respuesta honesta es que no lo sabremos hasta ver si las empresas realmente pagan por personalización a gran escala.

Lo que no es ambiguo: Estados Unidos tiene ahora un modelo de pesos abiertos grande, con licencia permisiva, genuinamente multimodal y con infraestructura de despliegue real detrás desde el primer día. Durante dieciocho meses, la conversación sobre pesos abiertos ha ido derivando hacia Hangzhou y Pekín. Inkling no revierte eso, pero es el primer lanzamiento estadounidense en mucho tiempo que defiende su caso por los méritos y no por la bandera.