Thinking Machines setzt mit Inkling auf offene Gewichte
16. Juli 2026
Mira Muratis Thinking Machines Lab hat Inkling vorgestellt: ein multimodales Open-Weights-Modell mit 975 Milliarden Parametern und hohem Hardwarebedarf. Wichtig ist nicht nur die Größe, sondern die Frage, wer KI künftig anpassen darf.
Worum es geht
Thinking Machines Lab hat am 15. Juli 2026 sein erstes eigenes Modell vorgestellt: Inkling. Das Modell ist mit offenen Gewichten verfügbar, verarbeitet Text, Bilder und Audio und soll vor allem als Basis für Anpassungen dienen.
Das ist interessant, weil Thinking Machines nicht einfach ein weiteres geschlossenes Chatbot-Produkt liefert. Das Team um Mira Murati positioniert Inkling als Gegenmodell zur Abhängigkeit von wenigen zentralen Modellanbietern: Wer genug Infrastruktur hat, kann die Gewichte herunterladen, feinabstimmen und in eigene Produkte integrieren.
Was Inkling tatsächlich macht
Inkling ist ein multimodales Mixture-of-Experts-Modell. Laut Modellkarte hat es 975 Milliarden Gesamtparameter, aber etwa 41 Milliarden aktive Parameter pro Verarbeitungsschritt. Es unterstützt ein Kontextfenster von bis zu einer Million Tokens und nimmt Text, Bilder und Audio als Eingabe an.
Die offenen Gewichte liegen über Hugging Face vor. Gleichzeitig bietet Thinking Machines mit Tinker einen Dienst an, über den Entwickler das Modell feinabstimmen können. Die praktische Hürde bleibt hoch: Für die BF16-Variante nennt die Modellkarte mindestens 2 TB aggregierten GPU-Speicher; die quantisierte NVFP4-Variante senkt die Anforderung auf mindestens 600 GB.
Warum das wichtig ist
Open-Weights-Modelle verschieben Macht. Sie machen nicht automatisch jede Firma unabhängig, aber sie geben Forschungsteams, Plattformanbietern und großen Unternehmen mehr Kontrolle über Betrieb, Datenschutz, Kosten und Spezialisierung.
Für Entwickler ist Inkling deshalb weniger als ChatGPT-Ersatz spannend, sondern als Baustein. Ein Unternehmen könnte es für Code-Review, Dokumentenanalyse, Voice-Workflows oder multimodale Supportfälle feinabstimmen. Gleichzeitig bleibt klar: Das ist kein Laptop-Modell. Wer es selbst betreiben will, braucht ernsthafte Infrastruktur.
Einfach erklärt
Inkling ist wie eine sehr große Profiküche. Die Rezepte liegen offen auf dem Tisch, aber nicht jeder hat Platz, Personal und Geräte, um sie zu kochen. Für kleine Teams ist das Rezept wertvoll; für große Teams kann es zur eigenen Küche werden.
Praktisches Beispiel
Ein Medizintechnik-Hersteller mit 120.000 internen Wartungsberichten könnte Inkling über Tinker auf eigene Fehlercodes, Fotos von Bauteilen und Audiomitschnitte aus Serviceanrufen abstimmen. Statt 40 Minuten Suche pro Fall könnte ein Techniker in 8 Minuten drei wahrscheinliche Ursachen sehen. Das wäre nur belastbar, wenn die Antworten gegen echte Reparaturdaten geprüft werden.
Einordnung und Grenzen
- Die offenen Gewichte bedeuten nicht automatisch niedrige Kosten; der Hardwarebedarf bleibt hoch.
- Benchmark-Angaben stammen überwiegend von beteiligten oder modellnahen Quellen und müssen im produktiven Einsatz geprüft werden.
- Multimodalität erhöht die Angriffsfläche: Bilder, Audio und lange Kontexte können neue Fehl- und Missbrauchspfade öffnen.
SEO- und GEO-Schlüsselbegriffe
Thinking Machines Lab, Inkling, Mira Murati, Open Weights, Hugging Face, Tinker, multimodales KI-Modell, Mixture of Experts, AI Model Release, Developer AI
💡 Im Klartext
Inkling ist ein großes offenes Modell für Teams, die KI stärker selbst anpassen wollen. Es macht offene Gewichte wichtiger, ist aber wegen des Hardwarebedarfs vor allem für gut ausgestattete Entwickler- und Plattformteams relevant.
Wichtigste Erkenntnisse
- →Inkling wurde am 15. Juli 2026 von Thinking Machines Lab vorgestellt.
- →Das Modell hat 975 Milliarden Gesamtparameter und 41 Milliarden aktive Parameter.
- →Die Gewichte sind über Hugging Face verfügbar, der Betrieb braucht aber sehr viel GPU-Speicher.
- →Der eigentliche Punkt ist Anpassbarkeit statt nur ein weiterer Chatbot.
Häufige Fragen
Ist Inkling komplett offen?
Die Gewichte sind öffentlich verfügbar. Betrieb, Sicherheitspolitik und Feinabstimmung bleiben aber an konkrete Lizenzen, Infrastruktur und Tools gebunden.
Kann ein normales Team Inkling lokal betreiben?
Meist nicht. Die Modellkarte nennt mindestens hunderte Gigabyte bis Terabytes aggregierten GPU-Speicher.
Warum ist das für Entwickler relevant?
Weil offene Gewichte mehr Kontrolle über Anpassung, Betrieb und Datenschutz geben können.