Inkling: Thinking Machines'ın İlk Açık-Ağırlıklı Modeli

Eski OpenAI CTO'su Mira Murati tarafından kurulan laboratuvar Thinking Machines, ilk modelini yayımladı: Inkling. OpenAI, Anthropic ve Google'ın amiral gemisi modellerinden farklı olarak Inkling, indirilebilir tam ağırlıklarla geliyor; böylece geliştiriciler onu yalnızca ölçülü bir API üzerinden çağırmak yerine doğrudan değiştirebiliyor.

Inkling, toplam 975B parametreli ve belirteç başına 41B aktif uzmanlı bir Mixture-of-Experts (MoE) transformatör; 1M belirteçlik bağlam penceresine ve metin, görsel, ses, video olmak üzere 45 trilyon belirteç üzerinde ön eğitimine sahip.

Thinking Machines, bunun en güçlü model olmadığını açıkça belirtiyor: şirket, Inkling'in "bugün mevcut olan, açık ya da kapalı, en güçlü genel model olmadığını" net biçimde ifade ediyor. Sunum, iyi dengelenmiş bir performansla birlikte şirketin ince ayar platformu Tinker üzerinden özelleştirilmeye uygun bir tasarım vadediyor.

Bu yazıda, Inkling ile gelen yeniliklerin tamamını ele alacak, özelliklerine bakacak, kıyaslamaları inceleyecek ve kendiniz uygulayabileceğiniz pratik testler önereceğim. Ayrıca Inkling'i yerelde çalıştırma rehberimize de göz atmanızı öneririm.

Inkling Nedir?

Inkling, toplam 975B parametreli ve belirteç başına 41B aktif uzmanlı açık-ağırlıklı bir MoE transformatör; liderlik tablosu sohbet botu olmaktan ziyade ince ayar için geniş bir temel model olarak konumlandırılıyor. Planlanan bir ailenin ilk sürümü olup 15 Temmuz 2026'da, daha küçük kardeşi Inkling-Small'ın ön izlemesiyle birlikte yayımlandı.

Tasarım hedefi genişlik. Thinking Machines, Inkling'i tek bir alana optimize etmek yerine ajanlık, akıl yürütme, kodlama, yönerge izleme, olgusal doğruluk, görsel ve ses görevleri boyunca eğitti.

Bu önemli çünkü şirket, kuruluşların modeli kendi verileri üzerinde ince ayar yapacağına bahis oynuyor ve geniş bir temel, dar bir tabana göre daha fazla iş akışına uyum sağlıyor.

Öne çıkan yetenek iddiası, zirve bir kıyaslama yerine verimlilik. Terminal Bench 2.1'de Thinking Machines, Inkling'in aynı kodlama performansına ulaşmak için NVIDIA'nın Nemotron 3 Ultra'sının üçte biri kadar belirteç harcadığını bildiriyor.

Modeli daha uzun iş akışları içinde milyonlarca kez çalıştırabileceğiniz durumlarda, bu belirteç maliyet eğrisi, tek bir maksimum çaba skorundan daha çok önem kazanır.

Inkling nasıl inşa edildi

Inkling'in MoE tasarımı büyük ölçüde DeepSeek-V3'ü izliyor: 256 yönlendirilen uzman, 2 paylaşılan uzman ve belirteç başına 6 etkin yönlendirilen uzman; yardımsız kayıp dengelemesiyle sigmoid yönlendirici kullanıyor.

Thinking Machines, 5:1 oranında kayan pencere ve küresel dikkati iç içe geçiriyor ve RoPE yerine göreli konumsal gömmeler kullanıyor; bu da daha uzun dizilere daha iyi ekstrapolasyon rapor ediyor.

Ön eğitim, 45 trilyon çok modlu belirteç üzerinde hibrit bir optimize ediciyle yürütüldü: büyük matris ağırlıkları için Muon, diğer parametreler için Adam.

Son eğitim, açık-ağırlıklı modellerden (ör. Kimi K2.5) alınan sentetik veriler üzerinde küçük miktarda SFT ile başlatıldı; bunu, iki kesintisiz çalışmada 30M'yi aşacak ölçekte büyük ölçekli eşzamansız RL izledi.

Thinking Machines Inkling'in Öne Çıkan Özellikleri

Inkling'in farkı, ham yetenekten çok özelleştirilebilir ve kontrol edilebilir olacak şekilde inşa edilmiş olmasında yatıyor. İşte öne çıkan özellikler.

Düşünme çabasını artırıp azaltın

Inkling, ayrıntılılık ile belirteç maliyeti ve gecikme arasında denge kurmak için bir "düşünme çabası" seviyesi ayarlamanıza izin verir.

Zor bir problemde en yüksek performans için çabayı 0.99'a çıkarabilir veya hız ve maliyetin ağır bastığı yüksek hacimli görevler için düşük tutabilirsiniz.

Bu bir sarmalayıcı değil, eğitilmiş bir davranıştır.

Geniş ölçekli pekiştirmeli öğrenme sırasında Thinking Machines, sistem iletisini değiştirip belirteç başı maliyeti ayarlayarak örnek başına çaba seviyesini farklılaştırdı; böylece model, farklı çalıştırmalarda farklı belirteç bütçeleri harcamayı öğrendi.

Çaba ayarı, bir kodlama ya da ajan çatısından da iletilebilir.

Üretim iş yükleri yürüten uygulayıcılar için bu, en çok önemseyeceğim özellik. Etkileşimli araçlarda daraltıcı kısıt genellikle gecikmedir ve modeli değiştirmeden bunu istek bazında kontrol edebilmek gerçekten kullanışlıdır.

Metin, görsel ve ses genelinde yerel çok modlu girdi

Inkling, genel alan verileri üzerinde sıfırdan eğitilen çok modlu bileşenlerle metin, görsel ve ses üzerinde doğal olarak akıl yürütür.

Konuşmayı yazıya dökebilir, sesli yönergeleri izleyebilir, kayıtlar hakkında soruları yanıtlayabilir, görselleri betimleyebilir ve grafikler ile diyagramlar üzerinde akıl yürütebilir.

Mimari, kodlayıcı içermez.

Ses dMel spektrogramları olarak verilir, görseller dört katmanlı bir hMLP aracılığıyla 40x40 piksellik yama olarak kodlanır ve her ikisi de metin belirteçleriyle birlikte işlenmek üzere hafif bir gömme katmanından geçer.

Görsel tarafta Inkling, akıl yürütme sırasında yakınlaştırma ve kırpma için bir Python aracını çağırabilir; tek geçişte görsel ve koda dayalı akıl yürütmeyi birleştirir.

Dikkate değer bir ihtar: girdi çok modlu olsa da mevcut araç zincirinde çıktı yalnızca metindir. Kullanım senaryonuz modelin doğrudan görsel veya ses üretmesini gerektiriyorsa, Inkling bunu yapmayacaktır.

Belirsizliği kabul eden kalibre cevaplar

Inkling, doğru miktarda güven ifade edecek şekilde eğitildi; buna, yanlış olma olasılığı yüksek olduğunda "Bilmiyorum" demek de dahil. Thinking Machines bunu modelin "epistemikleri" başlığı altında topluyor.

Şirket, çözümlenmiş gerçek dünya sorularından oluşan geniş bir derlem üzerinde uygun puanlama kurallarına karşı pekiştirmeli öğrenme kullanarak kalibrasyon için eğitim yaptı.

Son eğitimde iki otomatik değerlendirici kullandılar: iyi bir yanıtın neleri içermesi gerektiğini bir kontrol listesine göre kontrol eden bir rubrik değerlendirici ve her olgusal iddiayı vekil web aramasıyla doğrulayan bir iddia değerlendirici.

İddia değerlendirici, doğrulanamayan iddiaları cezalandırır; bu da yalnızca hatırlamayı ödüllendirmek yerine hayal görmeyi azaltır.

Bunun önemi şu: Her cevapta kendinden emin bir model, her şeyi yeniden kontrol etmenizi zorunlu kılar. Arama olmadan ForecastBench Brier Endeksi'nde Inkling 61.1 puan alıyor; bu, Grok 4.3 ile aynı ve GPT-5.5 (59.1) ile Gemini 3.1 Pro'yu (54.6) geride bırakıyor.

Açık-ağırlıklı bir model için güçlü yerleşik güvenlik

Inkling, Thinking Machines'ın karşılaştırdığı açık-ağırlıklı modeller arasında en yüksek FORTRESS adversaryal güvenlik skorunu, %78.0 ile paylaşıyor. FORTRESS, silahlar ve şiddetle ilgili isteklerin yanı sıra zararsız benzer görünümlü sorguların reddini test eder; dolayısıyla yüksek bir skor, zararlı talepleri reddederken güvenli olanları aşırı reddetmemeyi ifade eder.

Karşılaştırma için, Nemotron 3 Ultra %77.6, Kimi K2.5 %54.1, GLM 5.2 %65.6 ve DeepSeek V4 Pro aynı adversaryal sette %36.0 skor aldı.

Inkling ayrıca, açık ve kapalı diğer modellerle uyumlu olarak, tek anlamlı zararlı isteklerin reddini ölçen StrongREJECT testinde %98.6'yı geçiyor.

Açık soru, ince ayardan sonra ne olacağı.

Thinking Machines, müşteriler Tinker üzerinde ince ayar yaptığında güvenlik davranışının nasıl değiştiğini hâlâ incelediğini söylüyor; bu, indirilebilir herhangi bir model için gerçek bir endişe.

Inkling Kıyaslamaları

Inkling, açık-ağırlıklı modeller arasında ortalarda konumlanıyor: çoğu akıl yürütme ve kodlama testinde Nemotron 3 Ultra ve Kimi K2.5'in önünde, ancak en zorlarda GLM 5.2 ve Kimi K2.6'nın gerisinde. GPT-5.6 Sol, Gemini 3.1 Pro ve Claude Fable 5 gibi kapalı sınır modellerine karşı ise tutarlı olarak geride kalıyor. Aşağıdaki tüm skorlar çaba 0.99 iken raporlanmıştır.

Kaynak

SWE-Bench Verified ve Terminal Bench 2.1

Terminal Bench 2.1, bir terminal ortamında ajan tabanlı kodlamayı test eder.

Inkling, en iyi çatısında %63.8 skor alıyor; Nemotron 3 Ultra %56.4 ve Kimi K2.5 %51.3'ün önünde, ancak GLM 5.2 (%82.7) ve GPT-5.6 Sol'un (%89.5) epey gerisinde.

İşte belirteç verimliliği iddiası burada devreye giriyor: Inkling, kabaca üçte bir belirteçle Nemotron 3 Ultra'nın kodlama performansına ulaşıyor.

Humanity's Last Exam ve GPQA Diamond

Humanity's Last Exam (HLE), zor ve geniş kapsamlı bir akıl yürütme kıyaslamasıdır.

Inkling, yalnızca metinle %29.7 ve araçlarla %46.0 skor alıyor; Nemotron 3 Ultra'nın (%26.6 / %37.4) önünde, ancak GLM 5.2'nin (%40.1 / %54.7) ve kapalı modellerin gerisinde; GPT-5.6 Sol yalnızca metinle %47.2 alıyor.

GPQA Diamond, lisansüstü düzey bilim sorularını test eder.

Olgusallık: SimpleQA Verified ve AA Omniscience

Inkling, SimpleQA Verified'da %43.9 alıyor; Nemotron 3 Ultra (%32.4) ve Kimi K2.5'in (%36.9) önünde, ancak Gemini 3.1 Pro (%77.3) ve GPT-5.6 Sol'un (%71.6) epey gerisinde. Ham olgusal hatırlama gücü, güçlü yanı değil.

Inkling'in öne çıktığı yer AA Omniscience; bu kıyaslama, neyi bilmediğinizi bilmenizi ödüllendirir.

Inkling +2.1 puan alırken, birkaç açık model negatife düşüyor: Kimi K2.5 -8.0, DeepSeek V4 Pro -10.0 ve Nemotron 3 Ultra -1.0. Bu fark, kalibrasyon eğitimimin karşılığını yansıtır.

Çok modlu: MMMU Pro, Charxiv RQ ve ses

Görsel akıl yürütme kıyaslaması MMMU Pro (Standard 10) üzerinde Inkling %73.5 alıyor; Kimi K2.6 (%79.0) ve Gemini 3.1 Pro'nun (%82.0) gerisinde.

Grafik akıl yürütmesi için Charxiv RQ'da %78.1'e ulaşıyor; Python aracına izin verildiğinde %82.0'a çıkıyor.

Ses tarafında, Inkling VoiceBench'te %91.4, MMAU'da %77.2 ve Audio MC'de %56.6 alarak onu en güçlü açık-ağırlıklı ses modelleri arasına yerleştiriyor.

Gemini 3.1 Pro ise sırasıyla %94.3, %82.5 ve %66.8 ile hâlâ üçünde de lider.

Inkling Fiyatlandırma ve Erişilebilirlik

Inkling, bugün Tinker üzerinde 64K ve 256K belirteç bağlam seçenekleriyle ince ayar için kullanılabilir ve tam ağırlıklar Hugging Face'te hem orijinal denetim noktası hem de NVIDIA Blackwell çıkarımı için bir NVFP4 denetim noktası olarak mevcut.

Thinking Machines, sınırlı bir süre için %50 indirim sunuyor; tam fiyatlandırma dokümantasyonunda yer alıyor.

Bu indirim uygulandığında, 1 milyon belirteç başına fiyatlandırma aşağıdaki gibi olur:

• Standart (64K bağlam): girdi/ön doldurma için $1.87 (önbellekteyse $0.374), çıktı üretimi için $4.68 ve eğitim için $5.61.
• Genişletilmiş (256K bağlam): girdi/ön doldurma için $3.74 (önbellekteyse $0.748), çıktı üretimi için $9.36 ve eğitim için $11.23.

(Not: Tinker, 17 Temmuz'da çoğu model için fiyatları artırsa da, Inkling'in tarifeleri bu artıştan korunuyor. İnce ayar için GB/ay başına $0.10 standart platform depolama ücretleri geçerlidir.).

Dağıtım desteği geniş. İnce ayarlı denetim noktaları TogetherAI, Fireworks, Modal, Databricks ve Baseten API'leri üzerinden çalışır; SGLang, vLLM ve llama.cpp ile açık kaynak çıkarım desteği bulunur ve sınırlı süre için ücretsiz olan Inkling Playground'da entegre web aramaya sahip bir sohbet arayüzü sunulur.

Inkling vs. Inkling-Small

Inkling ile birlikte Thinking Machines, toplam 276B parametreli ve tam modeldeki 41B'ye karşı 12B aktif uzmanlı bir MoE olan Inkling-Small'ı ön izledi. Daha küçük modelin ön eğitim verisi ve tarifindeki iyileştirmeler sayesinde birkaç kıyaslamada büyük kardeşiyle eşleşiyor veya onu aşıyor.

• Araçlarla HLE: Inkling-Small %46.6 vs Inkling %46.0
• GPQA Diamond: Inkling-Small %88.3 vs Inkling %87.2
• IFBench: Inkling-Small %83.4 vs Inkling %79.8
• SimpleQA Verified: Inkling-Small %20.9 vs Inkling %43.9
• Terminal Bench 2.1: Inkling-Small %52.7 vs Inkling %63.8

Inkling-Small, daha düşük maliyet ve gecikme karşılığında olgusal hatırlama ve zor ajan tabanlı kodlamadan feragat eder; bu da notlama, sentetik veri üretimi ve yüksek hacimli kodlama gibi iş yüklerine uygundur. Testler tamamlandığında tam ağırlıklar yayımlanacaktır.

Son Düşünceler

Inkling, bir liderlik tablosu zaferinden ziyade bir strateji beyanı. Thinking Machines, bir modeli ince ayar yapıp sahiplenmeye istekli kuruluşların, kapalı bir sınır modeline ölçülü çağrı yapmaktan daha fazla değer elde edeceğine bahse giriyor; Inkling de bunun için sundukları temel.

Bu dürüstlüğü ferahlatıcı buluyorum. Şirket, Inkling'in en güçlü model olmadığını açıkça söylüyor; bu, bir lansman için alışılmadık ve kıyaslamalar da bunu doğruluyor: en zor kodlama ve akıl yürütme testlerinde GLM 5.2 ve Kimi K2.6'nın gerisinde ve GPT-5.6 Sol ile Gemini 3.1 Pro gibi kapalı modellerin epey arkasında. Bunun yerine sunduğu; genişlik, yerel çok modlu girdi, kalibre yanıtlar, kontrol edilebilir düşünme çabası ve karşılaştırılan açık-ağırlıklı modeller arasında en iyi FORTRESS adversaryal güvenlik skoru.

Tek bir kıyaslamada en üst puanı istiyorsanız, Inkling sizin seçiminiz değil. Kendi verileriniz üzerinde ince ayar yapabileceğiniz, kutudan çıktığı gibi güçlü kalibrasyon ve güvenliğe sahip bir açık-ağırlıklı temel istiyorsanız mantıklı bir tercih; ancak belirteç başı fiyatlandırma ve varsayılan ayrıntı düzeyi, yüksek hacimli dağıtımlar için izlenmeye değerdir.

Inkling gibi bir modeli faydalı kılacak ince ayar becerilerini geliştirmek istiyorsanız, AI Fundamentals beceri yolumuzla başlamanızı öneririm.