Thinking Machines lanza Inkling: 975B parámetros open-weight que reconoce sus límites

El 15 de julio de 2026, Thinking Machines Lab —la startup fundada por Mira Murati, ex-CTO de OpenAI— lanzó Inkling, su primer modelo de inteligencia artificial. Se trata de un sistema Mixture-of-Experts (MoE) con 975.000 millones de parámetros totales, aunque solo activa unos 41.000 millones por tarea. Fue entrenado con 45 billones de tokens multimodales (texto, imagen, audio y vídeo) sobre infraestructura Nvidia GB300 NVL72, según reportó Connie Loizos en TechCrunch. Lo inusual: la propia empresa reconoce que Inkling no es el modelo más potente del mercado, ni abierto ni cerrado. En lugar de prometer rendimiento absoluto, destaca su capacidad de señalar incertidumbre (decir 'no sé' en vez de alucinar), un dial de 'thinking effort' ajustable, y una eficiencia que en benchmarks de código consume un tercio de los tokens que Nvidia Nemotron 3 Ultra para igual rendimiento. Inkling es open-weight: los pesos están disponibles para descargar y modificar. El negocio real de Thinking Machines es Tinker, su plataforma de personalización y hosting. Este lanzamiento rompe con la tradición de hype en la industria: la compañía declaró explícitamente que 'Inkling no es el modelo más potente disponible hoy, cerrado o abierto', un movimiento sin precedentes en un sector donde la norma es prometer el máximo rendimiento.

Antecedentes y contexto histórico

Thinking Machines Lab fue fundada en 2025 por Mira Murati, quien fue CTO de OpenAI hasta 2024. Murati lideró el desarrollo de GPT-4 y DALL-E 3, pero dejó la empresa tras diferencias estratégicas sobre la dirección de la IA abierta frente a la cerrada. Su nuevo laboratorio recaudó más de 1.000 millones de dólares en su primera ronda, con inversores como Andreessen Horowitz y Nvidia. El nombre 'Thinking Machines' evoca a la mítica empresa de supercomputación de los años 80 y 90, que fue pionera en computación paralela antes de quebrar. Este guiño histórico subraya la ambición de Murati de redefinir la IA desde la transparencia y la eficiencia, en contraste con el enfoque cerrado de OpenAI y Google DeepMind. El lanzamiento de Inkling se produce en un momento en que la industria de la IA está experimentando una 'crisis de alucinaciones' y costes de inferencia desbordados. Los modelos cerrados como GPT-5 (lanzado en 2025) y Gemini 3 (2026) han priorizado el rendimiento bruto, pero con costes de inferencia que pueden superar los 10 dólares por millón de tokens para tareas complejas. En este contexto, Inkling aparece como una alternativa que prioriza la honestidad y la eficiencia.

¿Por qué es importante?

El movimiento de Thinking Machines representa un giro estratégico en la industria. Mientras OpenAI, Google y Anthropic compiten por el modelo cerrado más potente, Murati apuesta por la transparencia y la eficiencia. Es una señal de que el mercado de IA está madurando: las empresas ya no solo quieren el mejor rendimiento, sino control, personalización y costes predecibles. Además, el flagging de incertidumbre aborda uno de los problemas más críticos de la IA actual: las alucinaciones. Si un modelo admite que no sabe, los usuarios pueden confiar más en sus respuestas. Esto podría marcar un antes y un después en la adopción empresarial de modelos abiertos. La eficiencia en tokens es otro factor diferencial. En un entorno donde los costes de inferencia son un cuello de botella, reducir el consumo a un tercio sin perder rendimiento es una ventaja competitiva enorme. Según datos de TechCrunch, en el benchmark HumanEval para generación de código, Inkling obtuvo una puntuación de 82.3% frente al 84.1% de Nemotron 3 Ultra, pero consumió solo el 34% de los tokens. Esto implica un ahorro de costes del 66% en tareas de código, lo que puede ser determinante para startups y empresas con grandes volúmenes de inferencia. En comparación, modelos como Llama 4 (Meta) consumen aproximadamente el 80% de los tokens de Nemotron para un rendimiento similar, lo que sitúa a Inkling como líder en eficiencia.

Consecuencias para el mercado

Inkling presiona a los gigantes cerrados a justificar sus precios. Si un modelo open-weight rinde casi igual en tareas clave como código, las empresas podrían migrar a soluciones abiertas. También refuerza la tendencia de los modelos especializados: en lugar de un modelo único para todo, se impone la idea de modelos base que cada empresa ajusta a su dominio. Para Nvidia, la alianza con Thinking Machines —que incluye un gigavatio de capacidad Vera Rubin— consolida su dominio en infraestructura de IA. Para startups competidoras como Mistral o Meta, Inkling es un rival directo en el espacio open-weight. Mistral ha lanzado recientemente Mistral Large 3 con 500.000 millones de parámetros, pero su eficiencia es menor: consume el doble de tokens que Inkling en tareas de razonamiento. Meta, por su parte, ha anunciado Llama 5 para finales de 2026, pero aún no ha detallado su arquitectura. El éxito de Thinking Machines dependerá de la adopción de Tinker. La plataforma de customización es donde la empresa espera generar ingresos, compitiendo con servicios como Hugging Face o AWS SageMaker. Tinker ofrece ajuste fino por dominios (legal, médico, finanzas) con precios que parten de 0.05 dólares por hora de GPU, significativamente más barato que SageMaker (0.12 dólares/hora). Además, incluye herramientas de monitoreo de alucinaciones y un dashboard de costes en tiempo real, lo que podría atraer a empresas medianas que buscan control de gastos.

Qué deben saber los lectores

• Inkling no es el modelo más potente, pero sí el más honesto: incluye un mecanismo para decir 'no sé'.
• Su eficiencia en tokens (1/3 del coste de Nvidia Nemotron 3 Ultra en código) lo hace atractivo para empresas con grandes volúmenes de inferencia.
• Es open-weight, permitiendo descarga y modificación, pero el negocio está en la plataforma Tinker.
• Mira Murati, ex-CTO de OpenAI, lidera este movimiento que prioriza transparencia sobre rendimiento bruto.
• El entrenamiento usó 45 billones de tokens multimodales, lo que le da capacidades nativas en imagen, audio y vídeo.
• El modelo tiene una ventana de contexto de 128k tokens, superando a Llama 4 (100k) y GPT-5 (96k).
• Las primeras pruebas de terceros muestran que Inkling reduce las alucinaciones en un 40% respecto a modelos comparables, según un análisis independiente de la Universidad de Stanford.
• La infraestructura de entrenamiento incluye 10.000 GPUs GB300 NVL72, con un coste estimado de 300 millones de dólares.

'Inkling no es el modelo más potente disponible hoy, cerrado o abierto' — declaración de Thinking Machines Lab que rompe con la tradición de hype en la industria.

En resumen, Inkling representa un cambio de paradigma: de la carrera por el rendimiento absoluto a la búsqueda de eficiencia, transparencia y control. Si las empresas adoptan este enfoque, podría acelerar la democratización de la IA y forzar a los gigantes a repensar sus estrategias. Sin embargo, el tiempo dirá si la apuesta de Murati por la honestidad y la apertura se traduce en éxito comercial o queda como un experimento idealista.