Un modelo abierto, formado en parte por los rivales a los que responde

La cronología importa porque dos de estos hechos son fáciles de confundir. El caso práctico de Bridgewater/Tinker —un Qwen3-235B ajustado que superó a modelos de frontera en la clasificación de documentos financieros— se publicó dos semanas antes de que existiera Inkling. Demuestra lo que puede lograr el ajuste fino en la plataforma Tinker de Thinking Machines; no dice nada sobre el rendimiento del propio Inkling, y no consta ningún caso de despliegue dedicado de Inkling. Se incluye aquí porque es la prueba de la economía de la plataforma detrás de la propia historia de ajuste fino de Inkling, no porque trate sobre Inkling.

Thinking Machines expone su caso sin rodeos: Inkling “no es el modelo más potente disponible hoy, ni abierto ni cerrado”. Su apuesta es una combinación —capacidad multimodal, un mando de esfuerzo de razonamiento eficiente y controlable, y disponibilidad en Tinker para el ajuste fino— que lo convierte en “una buena base de pesos abiertos para personalizar”, no en un candidato a la cabeza de las clasificaciones. La arquitectura: un transformador de 66 capas solo decodificador que enruta cada token a 6 de 256 expertos más 2 expertos compartidos siempre activos, atención híbrida local/global, y un diseño multimodal sin codificador: las imágenes se codifican por parches, el audio se representa como espectrogramas dMel, y ambos se proyectan al mismo espacio oculto que procesa el texto. El rango técnico del mando de esfuerzo va de 0 a 0.99; las curvas de referencia publicadas por Thinking Machines lo recorren de 0.2 a 0.99, donde Inkling alcanza una puntuación dada en Terminal Bench 2.1 con aproximadamente un tercio de los tokens que necesita Nemotron 3 Ultra.

• 0–0.99mando de esfuerzo de razonamiento — rango técnico completo
• 30M+despliegues de RL → condensación espontánea de la cadena de razonamiento

Dos mediciones independientes enmarcan el terreno en el que aterrizó Inkling. El propio análisis de enrutamiento de tokens de Data Gravity: a mayo de 2026, los modelos abiertos chinos concentraban en torno al 61% de los tokens enrutados por OpenRouter, “cuatro de los cinco modelos más usados son chinos — y el Llama de Meta, líder del código abierto hace dos años, ha desaparecido por completo de las clasificaciones”, por debajo del 1% del volumen enrutado. Artificial Analysis, el mismo día del lanzamiento de Inkling: es “el lanzamiento de pesos abiertos líder de un laboratorio estadounidense”, tres puntos por encima del líder anterior, Nemotron 3 Ultra. La complicación es que el razonamiento que da Thinking Machines no lo plantea así. Su manifiesto, publicado cinco días antes del lanzamiento, argumenta contra concentrar el desarrollo de la IA en un puñado de laboratorios al estilo de una “planificación central”, citando a Hayek sobre el conocimiento disperso — y no nombra a China en ningún momento. El encuadre de “respuesta occidental” pertenece a las mediciones de mercado independientes citadas arriba, no a las palabras de Thinking Machines. Y el propio posentrenamiento de Inkling complica cualquier encuadre que se use: su ajuste inicial usó datos sintéticos de modelos abiertos “incluido Kimi K2.5”, uno de los mismos modelos chinos que nombran esas cifras de cuota de mercado.

La comparación que Bridgewater y Thinking Machines publican conjuntamente enfrenta su modelo ajustado a seis modelos de frontera. El más fuerte en esta tarea es GPT 5.5, con un 78.2% de precisión media y 65.06 $ por cada mil tareas; Claude Opus 4.8 logra un 78.0%, pero cuesta 92.59 $, el más caro del conjunto. El Qwen3-235B ajustado alcanza un 84.66% por 4.72 $: 13.8 veces más barato que GPT 5.5 —la cifra que la propia publicación indica— y 19.6 veces más barato que Claude Opus 4.8. Le acompañan dos salvedades: es una publicación conjunta del proveedor de la plataforma y su cliente, sin réplica independiente, y mide un ajuste de Qwen3-235B, no Inkling.

Como los pesos abiertos pueden reajustarse para eliminar el entrenamiento de negativa, Thinking Machines ajustó variantes “solo serviciales” tanto de Inkling como de Inkling-Small — optimizadas deliberadamente para acceder en lugar de negarse — y las sometió a las mismas evaluaciones de doble uso. Su propia conclusión: “las variantes solo serviciales no aportaron nuevas capacidades en tareas de CBRN y ciberseguridad, y se mantuvieron comparables a los modelos abiertos existentes”. Junto con los resultados internos y externos, Thinking Machines concluyó que publicar Inkling no añadía un riesgo material más allá del que ya suponen los modelos abiertos ya descargables.

El desglose propio de Artificial Analysis, publicado el mismo día del lanzamiento de Inkling-Small: supera ligeramente a Inkling en Humanity's Last Exam (32% frente a 30%) y GPQA Diamond (89% frente a 87%) con menos de un tercio de los parámetros, pero queda por detrás en trabajo agéntico —τ³-Banking, 15% frente al 24% de Inkling— y obtiene una puntuación negativa en el propio índice de calibración factual de Artificial Analysis, donde Inkling puntúa en positivo, “lo que significa que las respuestas incorrectas superan a las correctas”. Ambos modelos quedaron cerca entre sí de forma independiente en el Índice de Inteligencia (40 frente a 41), un resumen más burdo que cualquiera de estos resultados individuales y que por sí solo no dice qué modelo conviene a qué tarea.