Thinking Machines Lab presentó el 15 de julio de 2026 su primer modelo entrenado desde cero: Inkling, un sistema de pesos abiertos con 975.000 millones de parámetros que la empresa publicó bajo la licencia Apache 2.0. Con este lanzamiento, el laboratorio fundado por antiguos investigadores del sector entra de lleno en la competencia por modelos abiertos, aunque con una propuesta de valor distinta a la carrera por el rendimiento máximo.

La compañía fue inusualmente franca en su anuncio: Inkling no es el modelo más potente disponible, ni entre los abiertos ni frente a los cerrados. En lugar de perseguir el primer puesto en tablas comparativas, lo posiciona como una base de personalización, pensada para que empresas e investigadores lo adapten a sus propios usos.

Qué hay bajo el capó

Inkling es un transformador de tipo Mixture-of-Experts (MoE), una arquitectura que reparte el trabajo entre múltiples subredes especializadas llamadas expertos y activa solo una fracción de ellas en cada consulta. De sus 975.000 millones de parámetros totales, apenas 41.000 millones se activan por cada operación. Eso permite un modelo enorme en capacidad, pero mucho más barato de ejecutar que si usara todos sus parámetros a la vez.

El modelo maneja una ventana de contexto de un millón de tokens —las unidades en que la IA divide el texto—, lo que le permite procesar documentos muy extensos en una sola pasada. Es además multimodal de forma nativa: acepta texto, imágenes y audio como entrada, sin depender de módulos externos acoplados después.

El diferenciador: esfuerzo de razonamiento ajustable

La característica que Thinking Machines Lab destaca como su ventaja práctica es el esfuerzo de razonamiento controlable. En términos sencillos, quien usa el modelo puede regular cuánto «piensa» antes de responder: más cómputo dedicado al razonamiento para tareas complejas, o respuestas rápidas y económicas cuando la consulta es simple.

Ese control importa porque el razonamiento extendido encarece cada consulta. Poder graduarlo según la tarea da a las empresas una palanca directa sobre el gasto en inferencia, el costo de operar el modelo una vez desplegado. Es un enfoque que otros modelos de razonamiento han explorado, pero que aquí se presenta como pieza central del diseño.

La licencia Apache 2.0 es un dato clave para el ecosistema abierto: permite uso comercial, modificación y redistribución con pocas restricciones. Los pesos completos ya están disponibles para descarga, según el anuncio oficial del laboratorio, junto con la ficha técnica del modelo y su publicación en Hugging Face.

Un movimiento más en la ola de modelos abiertos

Inkling llega en un momento de fuerte actividad en el terreno de los pesos abiertos, donde propuestas como DeepSeek demostraron que arquitecturas MoE con parámetros activos reducidos pueden competir a fracción del costo. La apuesta de Thinking Machines Lab por la personalización, más que por el liderazgo en benchmarks, sugiere que el laboratorio busca diferenciarse ofreciendo un cimiento maleable antes que una herramienta cerrada de máximo rendimiento.

Que una empresa reconozca abiertamente que su modelo no es el más fuerte del mercado resulta poco habitual en un sector dado a los anuncios grandilocuentes. Queda por ver si la comunidad de desarrolladores adopta Inkling como base para afinar modelos propios, la prueba real de si esta estrategia de «base para construir» encuentra tracción.