Mira Murati tenía un año y medio para hacer un primer movimiento público visible. El miércoles 15 de julio, Thinking Machines Lab lo hizo: lanzó Inkling, su primer modelo de IA, y la empresa lo presentó con una declaración que casi ningún lab hace: «Inkling no es el modelo más potente disponible hoy, cerrado o abierto.» En cambio, lo que ofrece es un modelo que las empresas pueden descargar y modificar para sí mismas, que reconoce cuándo no está seguro, y que en algunas tareas de código rinde igual que modelos de frontera a un tercio del coste en tokens.Lo cubre Connie Loizos en TechCrunch el 15 de julio.Qué es Inkling técnicamenteInkling es un sistema Mixture-of-Experts (MoE) con 975.000 millones de parámetros totales, aunque solo activa alrededor de 41.000 millones por tarea: el diseño MoE estándar que permite que modelos muy grandes sean rápidos y baratos de ejecutar porque no procesan todos los parámetros en cada inferencia.El entrenamiento usó 45 billones de tokens de texto, imagen, audio y vídeo. El modelo razona de forma nativa en todos esos formatos — no es un modelo de texto al que se le añaden módulos de imagen por separado. Fue entrenado enteramente sobre los sistemas Nvidia GB300 NVL72, dentro del acuerdo estratégico que Thinking Machines firmó con Nvidia en marzo para un gigavatio de capacidad de cómputo Vera Rubin.Capacidades específicas: flagging de incertidumbre (el modelo dice «no sé» en lugar de inventarse algo), un dial de «thinking effort» que el usuario puede ajustar según si quiere velocidad o profundidad, y eficiencia de tokens. En un benchmark de código, Inkling usa un tercio de los tokens que Nvidia Nemotron 3 Ultra para el mismo rendimiento.El modelo es open-weight: los pesos se pueden descargar y modificar. Eso significa que una empresa puede agarrar Inkling y ajustarlo sobre sus propios datos sin que esa información salga de sus servidores. El negocio real de Thinking Machines no es el modelo sino Tinker, su plataforma de customización del modelo: training, fine-tuning y un ecosistema de hosting construido alrededor de los pesos públicos.La historia de Bridgewater que más importaThinking Machines no lleva el modelo solo como demostración técnica. Lo acompaña con un caso de negocio concreto. En junio, los investigadores de Thinking Machines y de Bridgewater Associates —el mayor fondo de cobertura del mundo— publicaron un paper conjunto.El resultado: tomaron un modelo open-source existente, lo entrenaron con la experiencia financiera propia de Bridgewater, y obtuvieron un modelo que logra 84,7% en tests de razonamiento financiero, superando a los mejores modelos propietarios del mercado. El coste de inferencia fue aproximadamente un catorceavo del de las alternativas.Es la demostración empírica de la tesis de la empresa: los modelos genéricos de los grandes labs están optimizados para todos los usuarios a la vez, que es lo mismo que para ninguno en particular. Una empresa que entrena sobre su conocimiento específico puede obtener rendimiento superior a un coste menor. Thinking Machines vende el camino para llegar ahí.La empresa nacida de la salida de Mira Murati de OpenAI —donde fue CTO y presidenta interina durante el dramático episodio de noviembre de 2023— lleva 18 meses construyendo infraestructura en silencio. Inkling es el primer producto público, lo que la empresa llama «el primer proof point» de lo que ha estado construyendo. El equipo tiene ahora unos 200 personas — recuperado de una ola de salidas a principios de 2026, incluyendo dos cofundadores que se fueron a OpenAI en enero.La paradoja de Nadella, Hugging Face y el modelo de Thinking MachinesLas tesis no están en el vacío. Satya Nadella publicó el domingo pasado su «Paradoja Inversa de la Información»: las empresas que usan modelos de terceros ceden conocimiento institucional hacia los labs que los poseen. Clem Delangue (CEO de Hugging Face) ha dicho que los modelos de frontera quedarán para experimentación y tareas de alto valor mientras el trabajo de producción se mueve a alternativas privadas u open-source.Thinking Machines construyó Inkling exactamente para ese escenario: el modelo de frontera de producción no tiene que ser el de OpenAI o Anthropic; puede ser uno ajustado sobre los datos propios de la empresa.El patrón de financiación también se entiende mejor con el contexto de otras startups de ex-OpenAI como Mirendil, que levantó 200 millones en seed sin un solo producto público: los inversores financian credibilidad de equipo más que métricas. Thinking Machines tiene una ronda de 50.000 millones de dólares que se informó como paralizada en enero, aunque Nvidia declaró haber hecho «una inversión significativa» cuando anunciaron el partnership de cómputo en marzo. La empresa no ha actualizado su situación de financiación públicamente.En el panorama de modelos open-weight, DeepSeek V4 Pro mostró que es posible alcanzar rendimiento de frontera en tareas específicas a una fracción del precio de los modelos americanos de pago. Inkling apunta al mismo nicho pero con la diferencia de que es el punto de partida para customización, no el producto final: la empresa quiere que los clientes lo afiancen sobre sus propios datos, convirtiendo un modelo genérico en uno experto.Mi valoraciónQue Thinking Machines lance su primer modelo con la declaración explícita de que no es el mejor es, paradójicamente, una de las señales más fiables que ha dado desde su fundación. Los labs que intentan convencer al mundo de que su modelo es el más potente suelen estar compitiendo en los benchmarks; los que dicen «no somos los mejores, pero somos lo mejor para personalizar» están compitiendo en el mercado enterprise, que es mucho más rentable a largo plazo.Lo que más me convence de la estrategia es el caso Bridgewater: un resultado verificable, publicado, de 84,7% superando modelos de frontera a 1/14 del coste. Eso no es un benchmark genérico. Lo que más me preocupa es la dependencia de Tinker como fuente de ingresos: el fine-tuning requiere equipos de ML que la mayoría de las empresas no tienen. El mercado al que Thinking Machines puede vender en el corto plazo es más pequeño de lo que su tesis sugiere.Preguntas frecuentes¿Dónde puedo descargar Inkling?Thinking Machines ha anunciado el lanzamiento pero en el momento de publicación no ha publicado los detalles de acceso público. La compañía indica que el modelo estará disponible para descarga directa y a través de su plataforma Tinker para fine-tuning y hosting. Los interesados pueden registrarse en la web de Thinking Machines para acceso anticipado.¿Inkling puede procesar texto, imágenes y audio a la vez?Sí. Inkling fue entrenado de forma nativa en texto, imagen, audio y vídeo —no es un modelo de texto con módulos añadidos. Puede razonar sobre todos esos formatos en la misma inferencia, lo que lo hace especialmente útil para tareas multimodales empresariales.¿Cómo se compara Inkling con Llama 3.3 o DeepSeek en precio de inferencia?Thinking Machines no ha publicado precios comparativos directos con Llama o DeepSeek. Lo que sí ha publicado es que en un benchmark de código, Inkling usa un tercio de los tokens de Nvidia Nemotron 3 Ultra para el mismo rendimiento. Los detalles de precio de inferencia dependen de si usas el modelo vía Tinker o lo despliegas en infraestructura propia.La noticia Thinking Machines lanza Inkling, su primer modelo open-weight de 975.000 millones de parámetros — y reconoce que no es el mejor fue publicada originalmente en Wwwhatsnew.com por Natalia Polo.