Im Quellenvergleich
Worin die Quellen übereinstimmen
Thinking Machines Lab, das KI-Startup der ehemaligen OpenAI-CTO Mira Murati, hat am 15. Juli 2026 sein erstes Open-Weight-Modell namens Inkling veröffentlicht. Inkling ist ein Mixture-of-Experts-System mit 975 Milliarden Parametern, von denen für eine Aufgabe etwa 41 Milliarden aktiv sind. Das Modell wurde auf 45 Billionen Token aus Text, Bild, Audio und Video trainiert und verarbeitet alle vier Modalitäten, gibt aber nur Text aus. Es ist ein reiner Decoder und nutzt eine relative Positionskodierung, eine hybride Aufmerksamkeit sowie eine kurze 1D-Faltung. Das Unternehmen beschäftigt rund 200 Mitarbeiter. Das Unternehmen gibt an, Inkling sei nicht das leistungsfähigste verfügbare Modell, sondern ziele auf ausgewogene Leistung und Anpassbarkeit. Das Geschäftsmodell basiert nicht auf einem Chatbot, sondern auf der Plattform Tinker zur Modellanpassung. Das Modell unterstützt ein Kontextfenster von bis zu einer Million Token. Entwickler können das Reasoning-Budget programmatisch anpassen, um Kosten und Leistung zu steuern. Die Gewichte sind unter der Apache-2.0-Lizenz auf Hugging Face veröffentlicht. Für das anfängliche Training mit synthetischen Daten wurde unter anderem das chinesische KI-Modell Kimi K2.5 von Moonshot AI verwendet. Eine leichtere Version namens Inkling-Small mit 27,6 Milliarden Gesamtparametern wurde als Vorschau veröffentlicht. Das Modell wird ab Veröffentlichung von den Frameworks Transformers, SGLang und vLLM unterstützt. Für den Betrieb auf begrenzter Hardware bietet Unsloth quantisierte Versionen bis auf 1-Bit-Genauigkeit an, die den VRAM-Bedarf um 95 Prozent senken sollen. Unabhängige Tests von Artificial Analysis zeigen, dass Inkling das leistungsfähigste Open-Weight-Modell aus den USA ist, aber hinter den besten offenen Modellen aus China zurückbleibt. Das Unternehmen empfiehlt den Einsatz externer Moderationswerkzeuge.
Aktualisierungen
15.07.2026
20:08Das Unternehmen gibt an, Inkling sei nicht das leistungsfähigste verfügbare Modell, sondern ziele auf ausgewogene Leistung und Anpassbarkeit.
Das Geschäftsmodell basiert nicht auf einem Chatbot, sondern auf der Plattform Tinker zur Modellanpassung.
22:07Das Modell unterstützt ein Kontextfenster von bis zu einer Million Token.
Entwickler können das Reasoning-Budget programmatisch anpassen, um Kosten und Leistung zu steuern.
16.07.2026
01:08Die Gewichte sind unter der Apache-2.0-Lizenz auf Hugging Face veröffentlicht.
Für das anfängliche Training mit synthetischen Daten wurde unter anderem das chinesische KI-Modell Kimi K2.5 von Moonshot AI verwendet.
10:12Eine leichtere Version namens Inkling-Small mit 27,6 Milliarden Gesamtparametern wurde als Vorschau veröffentlicht.
Das Modell wird ab Veröffentlichung von den Frameworks Transformers, SGLang und vLLM unterstützt.
Für den Betrieb auf begrenzter Hardware bietet Unsloth quantisierte Versionen bis auf 1-Bit-Genauigkeit an, die den VRAM-Bedarf um 95 Prozent senken sollen.
14:12Unabhängige Tests von Artificial Analysis zeigen, dass Inkling das leistungsfähigste Open-Weight-Modell aus den USA ist, aber hinter den besten offenen Modellen aus China zurückbleibt.
Das Unternehmen empfiehlt den Einsatz externer Moderationswerkzeuge.
Worin sie sich unterscheidenEinordnung der Modellgröße und -fähigkeiten·Leistungsbewertung und Positionierung·Besonderheiten während des Trainings+1 weitere
Einordnung der Modellgröße und -fähigkeitenDas Modell ist ein Open-Weight-Modell, das Entwickler herunterladen und direkt verändern können.12- Inkling ist das erste große offene Modell mit rund einer Billion Parametern und einem Kontextfenster von einer Million Token, das nativ Bild-, Audio- und Texteingaben verarbeitet.3
- Inkling ist eine multimodale Open-Weight-Modell-Familie mit 975 Milliarden Parametern (41 Milliarden aktiv pro Token), die Text, Bilder und Audio verarbeitet und einen Kontext von bis zu einer Million Token unterstützt.4
- Es ist ein multimodales Modell für Text, Bild und Audio mit 975 Milliarden Gesamtparametern und 41 Milliarden aktiven Parametern.5
- Das Start-up Thinking Machines Lab der ehemaligen OpenAI-CTO Mira Murati hat das Open-Weights-Modell Inkling veröffentlicht.6
- Das KI-Start-up Thinking Machines, gegründet von der ehemaligen OpenAI-Technikchefin Mira Murati und zuletzt mit zwölf Milliarden US-Dollar bewertet, hat sein erstes KI-Modell namens Inkling veröffentlicht.7
Leistungsbewertung und Positionierung- Laut Artificial Analysis ist Inkling das derzeit stärkste US-Open-Weights-Modell und übertrifft bei agentischen Aufgaben Konkurrenten wie Kimi K2.6 und DeepSeek v4 Flash max. Es zeichnet sich durch hohe Token-Effizienz aus. Allerdings weist das Modell Schwächen bei der Faktentreue auf: Die Genauigkeit beträgt 40 Prozent, die Halluzinationsrate liegt bei 63 Prozent.6
- In Benchmarks liegt Inkling teils hinter chinesischen Konkurrenten wie GLM 5.2 oder DeepSeek V4 Pro, übertrifft aber den US-Rivalen Nemotron 3. Gegenüber geschlossenen Modellen wie Claude Fable 5 hat Inkling bei reinem Reasoning Nachteile, ist aber in der nativen Multimodalität wettbewerbsfähig.8
- Im Vergleich zu anderen offenen US-Modellen wie Nemotron 3 Ultra von Nvidia schneidet Inkling in Benchmarks besser ab, unterliegt aber den besten chinesischen Modellen.4
- Laut Thinking Machines benötigt Inkling für dieselbe Code-Leistung nur ein Drittel der Token von Nvidias Nemotron 3 Ultra.1
- Eine Vorschau auf das kleinere Modell Inkling-Small zeigt auf einigen Benchmarks ähnliche oder bessere Ergebnisse.6
Besonderheiten während des Trainings- Laut einer anonymen Quelle stellte Inkling während des Trainings die natürlichsprachliche Erklärung seiner Denkschritte aus Effizienzgründen ein, was das Unternehmen aus Gründen der Nachvollziehbarkeit wieder rückgängig machte.2
Sicherheits- und Moderationsaspekte- Das Modell wurde darauf ausgelegt, 'direkt auf Themen zu antworten, die der Zensur unterliegen könnten'.8
- Eine Schwäche ist eine 'gelegentliche Tendenz, auf Rollenspiele und indirekt gerahmte Aufforderungen zu schädlichen Themen einzugehen'.8
Früher genannt, aktuell nicht mehr getragen (1)
Unterstützung durch Frameworks und Hardware-Optionen- Das BF16-Checkpoint benötigt zwei Terabyte VRAM, die NVFP4-Variante 600 Gigabyte.3
- Das Modell wird ab Veröffentlichung von den Frameworks Transformers, SGLang und vLLM unterstützt.3
- Unsloth bietet quantisierte Versionen bis auf 1-Bit-Genauigkeit an, die den VRAM-Bedarf um 95 Prozent senken sollen.3
- Eine leichtere Version namens Inkling-Small mit 27,6 Milliarden Gesamtparametern wurde als Vorschau veröffentlicht.5
— von den aktuellen Quellen nicht mehr getragen (zuerst 15.07.2026)