Thinking Machines Labは初のオープンモデルInklingを公開した。総パラメータ975B / 起動41BのマルチモーダルなMixture-of-Expertsで、256人のルーティング専門家（トークンあたり6人起動）、1Mのコンテキスト、テキスト・画像・音声・動画からなる45兆トークンでの訓練を備える。重みはHugging Faceでopen-weightsとして公開され、Tinkerプラットフォーム上で稼働し、品質とトークンあたりのコストのバランスを取るための調整可能な「思考の努力（thinking effort）」を組み込んでいる。
長年にわたり、「本当に高性能なオープンモデル」というフレーズには小さな注釈が付きものだった。クローズドなモデルにはるか後れを取る小型のモデルであるか、あるいはウェイトリスト付きのAPIの裏に隠された重みであるか、どちらかだったのだ。だからこそ7月15日は多くの眉をひそめさせた——OpenAIの元CTOであるMira Murati氏が創業し、地球上でもっとも高価な技術チームのひとつを擁する研究所、Thinking Machines Labが、同社初のモデルであるInklingを公開し、完全な重みをopen-weightsとしてHugging Faceで公開したのだ。加えて、自社プラットフォームのTinkerとパートナーのAPI上でも稼働させた。きれいなスクリーンショット付きのデモではなく、ダウンロードして自分のインフラで動かせる重みそのものだ。その規模の研究所がオープンから始めることを選んだとき、その振る舞いそのものがすでにニュースなのである。
## あなたの予算に収まる、ほぼ1兆のパラメータ
Inklingは総パラメータ9,750億のマルチモーダルなMixture-of-Experts（MoE）だが——ここがMoEの魔法だ——処理するトークンごとに起動するのはわずか410億にすぎない。役に立つたとえ話をしよう。各層にはルーティングされる256人の契約専門家（プラス常時待機の数人）がいるが、各トークンに対して起こすのは必要な6人だけ。あなたが支払うのは6人分の計算であって、256人分ではない。ここに最大100万トークンのコンテキスト、テキスト・画像・音声・動画からなる45兆トークンでの訓練、そして旗艦モデルを必要としない人向けのより軽量なプレビュー版——総パラメータ276B / 起動12BのInkling-Small——が加わる。巨大なモデルを、逆説的に運用可能なものにする、まさにそのクラスのアーキテクチャだ。
## ほとんど誰も見ていないレバー：調整可能な努力
開発する側にとってもっとも興味深いのはパラメータ数ではなく、より微妙なディテールにある。Inklingは、性能とトークン消費のバランスを取るために、応答する前にどれだけ「考える」かを制御できるようにしているのだ。開発者自身が具体的なデータで示している。Terminal Bench 2.1でNemotron 3 Ultraと同等の結果を、おおよそ3分の1のトークンで達成する、と。請求書に翻訳すればこうなる。モデルが余分に推論する各トークンはあなたの口座から出ていくお金であり、ここではリクエストごとに、そのタスクが深い思考モードに値するのか、それとも速い応答で十分なのかを決められる。品質対コストのダイヤルがあなたの手に委ねられているのだ。そして研究所は正直なニュアンスを隠さない。Inklingは「今日利用できる、オープンであれクローズドであれ、もっとも強力なモデルではない」と率直に述べ、カスタマイズとチューニングのための優れたオープンな土台なのだと言う。あらゆるベンチマークで優位を宣言することに中毒になった市場において、その誠実さはありがたい。
## なぜ「open-weights」が出発点を変えるのか
重みがダウンロード可能であることこそ、見出しになる違いだ。それを、トークンあたり「わずか」41Bパラメータを起動するMoEと、最新ハードウェア向けに用意されたチェックポイント——NVIDIA Blackwellシステムでの効率的な推論のためのNVFP4版を含む——と組み合わせれば、突如として小さなチームが、ほぼ1兆規模のモデルを自社のインフラで動かすことや、Tinkerを介して自分たちのドメインでチューニングすることを、クローズドなAPIに縛られることなく検討できるようになる。あらゆる用途でフロンティアモデルを置き換えるわけではない——著者たち自身がそれを認めている——が、ささやかなチームが自らのコントロールと予算のもとに持てるものの出発点を、確かに再定義する。ただし、商用の本番環境に持ち込む前に、Hugging Faceのモデルカードで利用条件の正確な内容を確認しておくとよい。
## AIで開発する人にとって何を意味するか
Inklingが示す根本的な教訓は、競争優位が「どのモデルを持っているか」から「それをどう統治するか」へと移りつつある、ということだ。調整可能な思考の努力はベンチマークのトリックではない。AIを備えたプロダクトが利益を生むのか、それともトークンごとにマージンを食いつぶすのかを左右する、まさにそのクラスのレバーなのだ。NeuralOSではこの静かな算術から発想している——だからこそコストガードレール（ユーザーごとの予算、ワークスペースごとの上限、早期に中断するためのストリーミング）は設計の一部であり、オプションの追加機能ではない。そして信念としてmodel-agnosticである。Inklingのようなオープンなモデルは、フロンティアのクローズドなモデルと同じ土俵に上がる。エンジンをタスクごとに選び、どれにも縛られないからだ。煙に巻くつもりはない。今日Inklingを標準で提供すると約束はしない。だが確かに設計の一部を成しているのは、各リクエストがどれだけ考えるか——そしてどれだけコストがかかるか——を決める規律である。