Mira Murati no ha estado perdiendo el tiempo desde que dejó su puesto como CTO de OpenAI. Su nueva aventura empresarial, Thinking Machines Lab, acaba de dar un puñetazo sobre la mesa con el lanzamiento de Inkling, su primer modelo fundacional. Y no es otro juguetito en la nube cerrado a cal y canto.
Hablamos de un modelo de pesos abiertos, diseñado para que desarrolladores y empresas hagan exactamente lo que quieran con él. El sector de la inteligencia artificial está cansado de depender de APIs restrictivas y busca alternativas potentes que se puedan ajustar a medida. Inkling llega directo para ocupar esa trinchera.
Un gigante altamente eficiente de 975.000 millones de parámetros
En concreto, Inkling utiliza una arquitectura Mixture-of-Experts (MoE) que optimiza los recursos de una manera verdaderamente salvaje. Cuenta con la friolera de 975.000 millones de parámetros en total. Sin embargo, la magia del modelo reside en que solo 41.000 millones de ellos se activan durante el proceso de inferencia.
Esto se traduce en un «cerebro» masivo que no funde los servidores cada vez que le haces una petición compleja.
A ello se le suma una ventana de contexto titánica de hasta un millón de tokens. Te da de sobra para inyectar bases de código gigantescas, libros enteros o transcripciones de reuniones larguísimas sin que la IA empiece a alucinar ni pierda el hilo.
Básicamente, los ingenieros lo han preentrenado desde cero tragándose 45 billones de tokens. Una dieta de datos extrema que mezcla texto, imágenes, audio y vídeo. Gracias a esto, Inkling puede procesar cualquier formato de manera completamente nativa. Ni se inmuta ante entradas multimodales complejas.
El secreto está en el «esfuerzo de razonamiento»
Pero claro, tener mucha potencia bruta ya no impresiona a nadie hoy en día. Lo que de verdad me ha volado la cabeza es su capacidad de autoajuste durante la generación de respuestas.
Si analizamos las especificaciones técnicas, vemos que los desarrolladores pueden jugar con el «esfuerzo de razonamiento» del modelo. A través de un parámetro ajustable entre 0,2 y 0,99, tú decides cuánto debe «pensar» la IA antes de escupir código o texto. Si necesitas máxima calidad analítica para un problema matemático, lo subes al máximo. Si buscas latencia ultrabaja para alimentar un bot de voz, lo bajas al mínimo. Así de simple.
Y es aquí donde han roto el mercado. Tal y como detallan en la fuente oficial del proyecto, esta gestión dinámica permite a Inkling igualar el rendimiento del potentísimo Nemotron 3 Ultra en el duro entorno de Terminal Bench 2.1. ¿El truco definitivo? Lo consigue consumiendo aproximadamente un tercio de los tokens generados. Una eficiencia que reduce los costes a pasos agigantados.
Los benchmarks respaldan todo el ‘hype’
Como era de esperar, las cifras mareantes acompañan la narrativa de la start-up. El modelo ha reventado las pruebas con un espectacular 77,6% en SWE-bench Verified, lo que lo hace perfecto para operar dentro de entornos de agentes de programación puros. También ha clavado un 97,1% en AIME 2026 y un sólido 87,2% en GPQA Diamond.
Es decir, sus capacidades de razonamiento, uso de herramientas y análisis visual son indudablemente top tier. De hecho, el modelo es capaz de adaptarse a esquemas de herramientas que cambian en tiempo real, generando aplicaciones complejas mediante puro refinamiento iterativo constante.
Por si fuera poco, Thinking Machines Lab te pone todas las facilidades del mundo sobre la mesa. Los pesos completos de Inkling ya se pueden descargar en varios formatos, incluyendo versiones optimizadas NVFP4 listas para volar en la bestial arquitectura NVIDIA Blackwell.
Si prefieres tirar de API o ajustar el modelo rápidamente (fine-tuning), puedes usar su propia plataforma Tinker, que ahora mismo ofrece opciones de contexto de 64K y 256K con un descuento temporal del 50%. También han habilitado Inkling Playground, una interfaz de chat con búsqueda web integrada de tipo agente, gratuita por tiempo limitado. Un caramelito.
Y para rematar la flexibilidad técnica, el modelo es totalmente compatible con motores de inferencia punteros como vLLM, SGLang o llama.cpp, y está disponible a través de proveedores como Modal, Together, Databricks o Fireworks. Nadie te encierra en su ecosistema privado.
Inkling-Small: El as bajo la manga para presupuestos ajustados
Evidentemente, en la compañía saben que no todo el mundo necesita ni puede permitirse desplegar casi un billón de parámetros en local. Para solucionar el problema del hardware más modesto, ya están probando intensamente a su hermano pequeño: Inkling-Small.
Se trata de una versión MoE mucho más ágil con 276.000 millones de parámetros (y solo 12.000 millones activos en inferencia). Y ojo al dato, porque los primeros tests afirman que iguala o supera a la versión mayor en varias pruebas clave de visión, audio y seguimiento de instrucciones, bajando drásticamente el coste operativo. Prometen publicar sus pesos en cuanto acaben de pulirlo en el laboratorio.
La hoja de ruta de Mira Murati queda hoy clarísima. No buscan lanzar el clásico modelo generalista para presumir liderando rankings abstractos en Twitter. Su objetivo es convertir a esta familia de IA personalizable en la capa de razonamiento principal para los sistemas de voz y visión del mañana. Han entrado al tablero jugando muy fuerte, ofreciendo pesos abiertos reales. Tocará estar muy atentos, pero la pelota acaba de caer con peso en el tejado de los grandes de Silicon Valley.
Me dedico al SEO y la monetización con proyectos propios desde 2019. Un friki de las nuevas tecnologías desde que tengo uso de razón.
Estoy loco por la Inteligencia Artificial y la automatización.
