Thinking Machines veröffentlicht Inkling, ein 975B Open-Weights MoE
- Was ist passiert
- Thinking Machines Lab released Inkling, an open-weights 975B MoE model with Apache 2.0 license, native multimodality, and controllable thinking.
- Warum es wichtig ist
- Inkling is a customization platform masquerading as a model launch — fine-tuning-ready, broad rather than SOTA, with a self-improvement demo that closed the loop in 27 minutes.
- Was zu tun ist
- If you need a customizable base model for specialized workflows, evaluate Inkling on your own data via Tinker. If you need frontier performance out of the box, stick with GPT-5.6 or Fable 5.
Thinking Machines Lab hat Inkling am 15. Juli 2026 veröffentlicht — und es versucht gar nicht erst, GPT-5.6 zu schlagen (Thinking Machines Lab, 2026(wird in einem neuen Tab geöffnet)). Mira Muratis Thinking Machines Lab lieferte ein 975B-Parameter-MoE-Modell (41B aktiv) unter Apache 2.0 mit vollständigen Gewichten auf Hugging Face (Hugging Face, 2026(wird in einem neuen Tab geöffnet)). Das eigentliche Produkt ist nicht das Modell selbst — sondern der steuerbare Denkaufwand-Regler und die Tinker-Fine-Tuning-Plattform, die parallel dazu bereitgestellt werden.
Was passiert ist — Inkling erscheint
Inkling ist ein breit aufgestelltes Generalisten-Mixture-of-Experts-Modell mit nativer Multimodalität: Text, Bilder und Audio als Eingabe, Text als Ausgabe. Es ist konkurrenzfähig bei agentischem Coding, Reasoning und multimodalen Aufgaben, aber explizit nicht State-of-the-Art in einem einzelnen Benchmark.
Die herausragende Innovation ist ein steuerbarer Denkaufwand-Regler. Entwickler können auf demselben Modell Leistung gegen Token-Effizienz abwägen — bei maximalem Denkaufwand erreicht Inkling das Niveau von Nemotron 3 Ultra auf Terminal Bench 2.1 mit etwa einem Drittel der Token.
Die Gewichte liegen auf Hugging Face sowohl im Original- als auch im NVFP4-Format für NVIDIA-Blackwell-Systeme. Inference-Endpunkte sind über TogetherAI, Fireworks, Modal, Databricks und Baseten live. Thinking Machines zeigte zudem eine Vorschau auf Inkling-Small — 276B gesamt, 12B aktiv — mit ähnlicher Reasoning- und agentischer Leistung zu niedrigeren Kosten. Die vollständigen Gewichte folgen nach Abschluss der Tests.
Beim Thema Sicherheit erreicht Inkling einen FORTRESS-Adversarial-Score von 78,0 % — der stärkste Wert unter den getesteten Open-Weight-Modellen. Auf dem Design-Arena-Leaderboard für agentische Webentwicklung erzielte es 1.257 Punkte — gleichauf mit Claude Opus 4.6 und vor Gemini 3.5 Flash (1.254) (Thinking Machines Lab, 2026(wird in einem neuen Tab geöffnet)).
Warum Inkling wichtig ist
Inkling ist kein Frontier-Herausforderer. Es erreichte 29,7 % bei HLE (gegenüber 53,3 % für Fable 5) und 77,6 % bei SWE-Bench Verified (gegenüber 95,0 % für Fable 5) (Thinking Machines Lab, 2026(wird in einem neuen Tab geöffnet)). Diese Lücken sind real und beabsichtigt — Thinking Machines setzt darauf, dass Anpassbarkeit, nicht rohe Leistung, das Differenzierungsmerkmal ist.
Die Launch-Demo macht diese These greifbar. Inkling schrieb seinen eigenen Fine-Tuning-Job, führte ihn auf Tinker aus und verwandelte sich selbst in ein Lipogramm-Modell, das niemals den Buchstaben „e" verwendet — und schloss diesen Selbstverbesserungskreislauf in etwa 27 Minuten ab (Thinking Machines Lab, 2026(wird in einem neuen Tab geöffnet)). Das ist das Versprechen: ein Basismodell, das sich ohne externe Trainingspipeline in Ihren Workflow einarbeiten kann.
„Wir wollen die Anpassbarkeit für mehr Anwendungsfälle zugänglich machen", schrieb das Unternehmen in seinem Launch-Post. „Die Wahl des richtigen Basismodells für das Fine-Tuning ist eine qualitative Entscheidung, die messbare Benchmarks mit dem einzigartigen Gefühl eines Modells verbindet."
Die Tinker-Plattform ist der Vertriebskanal. Inkling ist dort mit 50 % Einführungspreis verfügbar (Thinking Machines Lab, 2026(wird in einem neuen Tab geöffnet)), und die Selbstverbesserungs-Demo zeigt, dass die Plattform echte Fine-Tuning-Workloads in unter einer halben Stunde bewältigen kann.
Was sich für Sie ändert
Wenn Sie ein anpassbares Basismodell für spezialisierte agentische oder Reasoning-Workflows benötigen, evaluieren Sie Inkling mit Ihren eigenen Daten. Die Tinker-Plattform ist darauf ausgelegt, diese Evaluierung schnell zu machen — laden Sie Ihre Daten hoch, starten Sie einen Fine-Tuning-Job und testen Sie das Ergebnis.
Wenn Sie Frontier-Leistung direkt ab Werk brauchen, ist Inkling nicht Ihr Modell. Bleiben Sie bei GPT-5.6 Sol oder Fable 5 für Produktions-Workloads, bei denen jeder Benchmark-Punkt zählt.
Inkling trägt unser Conditional-Urteil: eine überzeugende Basis für Organisationen, die ein multimodales Modell selbst besitzen und feintunen müssen — nicht für Teams, die Spitzenleistung von der Stange wollen.
| Benchmark | Inkling | Fable 5 |
|---|---|---|
| HLE | 29,7 % | 53,3 % |
| SWE-Bench Verified | 77,6 % | 95,0 % |
| FORTRESS (Sicherheit) | 78,0 % | — |
| Design Arena (Agentic Web) | 1.257 | — |
FAQ
Ist Inkling kostenlos nutzbar?
Ja — die vollständigen Gewichte sind auf Hugging Face unter Apache 2.0 verfügbar. Gehostete Inference ist über Tinker (50 % Einführungspreis), TogetherAI, Fireworks und weitere Anbieter verfügbar.
Wie schneidet Inkling im Vergleich zu GPT-5.6 oder Fable 5 ab?
Es schneidet nicht vergleichbar ab — und genau das ist der Punkt. Inkling liegt 20+ Punkte hinter geschlossenen Frontier-Modellen bei HLE und SWE-Bench, aber seine Open-Weight-Lizenz und die Tinker-Fine-Tuning-Plattform machen es zu einer Anpassungsbasis, nicht zu einem schlüsselfertigen SOTA-Modell.
Betroffene Tools & Modelle
Nie wieder etwas verpassen
Das wöchentliche Delta — nur Urteilsänderungen und dringende Punkte. Kein Füllmaterial.