Thinking Machines Lab, la empresa que fundó Mira Murati tras dejar la dirección técnica de OpenAI, presentó el 15 de julio su primer modelo de inteligencia artificial: Inkling. Y llega con una diferencia de fondo respecto a los de OpenAI, Anthropic o Google: cualquiera puede descargarlo y modificarlo.
Es la primera prueba tangible de la compañía tras año y medio construyendo en silencio, y también una apuesta: que la IA que cada organización adapta a su medida acabará rindiendo más que la que se alquila, igual para todos, a un puñado de laboratorios.
Qué significa que un modelo sea «de pesos abiertos»
Los «pesos» son los miles de millones de parámetros que un modelo aprende durante su entrenamiento: el poso que queda tras haber digerido cantidades ingentes de datos. Son, en la práctica, el modelo. Publicarlos significa que cualquiera puede bajarse el sistema entero, ejecutarlo en sus propias máquinas y cambiarlo, sin pedir permiso ni pagar por cada consulta.
Es lo contrario del modelo cerrado que domina el mercado, al que uno accede a través de una API o una suscripción, como quien alquila. Los pesos de Inkling están disponibles en Hugging Face, y el modelo puede afinarse desde Tinker, la plataforma de personalización de la propia empresa.
Qué trae Inkling
Técnicamente es un sistema de «mezcla de expertos»: tiene 975.000 millones de parámetros en total, pero solo activa unos 41.000 millones para cada tarea, un diseño habitual que abarata y acelera el funcionamiento de los modelos muy grandes. Se preentrenó con 45 billones de tokens de texto, imágenes, audio y vídeo, y razona de forma nativa sobre texto, imágenes y audio, sin apoyarse en capas externas para entender lo que no es texto.
Admite hasta un millón de tokens de contexto, aunque en Tinker se ofrece por ahora con 64.000 y 256.000. Se entrenó íntegramente sobre sistemas GB300 NVL72 de Nvidia, y su diseño de mezcla de expertos, reconocen, sigue en buena medida al del chino DeepSeek-V3. Junto a él llega un avance de Inkling-Small, de 276.000 millones de parámetros (12.000 activos), que iguala o supera al mayor en varias pruebas.
Tiene además dos rasgos poco comunes: está diseñado para dar respuestas calibradas, es decir, para avisar de su propia incertidumbre en lugar de inventarse una salida convincente, y permite subir o bajar el «esfuerzo de pensamiento» cuando se prefiere velocidad.
La virtud rara: no decir que es el mejor
Lo más llamativo del lanzamiento es lo que la empresa no afirma. En su propio anuncio se lee una frase que casi ningún laboratorio firmaría.
«Inkling no es el modelo más potente en conjunto disponible hoy, ni abierto ni cerrado».
Thinking Machines Lab, en el anuncio de Inkling
Lo que busca, dicen, es un rendimiento equilibrado, no encabezar los rankings. También reconocen a medias una práctica que el sector mira con lupa, la destilación: aunque Inkling se preentrenó desde cero, la empresa admite haber usado otros modelos de pesos abiertos ajenos, entre ellos Kimi K2.5 de Moonshot AI, para generar parte de sus primeros datos de posentrenamiento. El siguiente modelo, prometen, será autocontenido.
Regalar el modelo y cobrar por el taller
Aquí aparece la pregunta incómoda. Si los pesos son públicos, nada obliga a quien se los descarga a pagar a Thinking Machines por ejecutarlos, al contrario que el acceso medido que venden OpenAI o Anthropic. El dinero, por tanto, tiene que salir de Tinker: del entrenamiento, del ajuste fino y de una parte del ecosistema que se monte alrededor.
La empresa nació en febrero de 2025 y levantó 2.000 millones de dólares a una valoración de 12.000 millones, y presume de haber llegado hasta aquí en unos nueve meses, frente a los cinco años de OpenAI o los tres de Anthropic. Nvidia es socio desde marzo (un gigavatio de capacidad Vera Rubin) y dice haber hecho una «inversión significativa». La casa, eso sí, no está tan tranquila como parece: hoy son unas 200 personas, tras una oleada de salidas a principios de año que incluyó a dos cofundadores que se marcharon a OpenAI en enero.
El argumento de fondo, en cambio, va ganando adeptos. El consejero delegado de Microsoft, Satya Nadella, advirtió hace unos días de que las empresas que usan modelos propietarios pagan dos veces: en la suscripción y entregando el conocimiento de negocio que hay en sus miles de instrucciones y correcciones. Y hay un caso concreto: junto al fondo Bridgewater, Thinking Machines cogió un modelo abierto y lo entrenó con la experiencia financiera de la casa hasta alcanzar un 84,7% en pruebas de razonamiento financiero, por encima de los modelos propietarios y a una catorceava parte del coste. Conviene el matiz: esa evaluación la firman las dos empresas implicadas, no un tercero independiente.
Hay un detalle que apunta directo a la competencia: dicen haber entrenado a Inkling para responder sin rodeos en asuntos sujetos a censura, y presumen de que en las pruebas de la consultora Cognition mostró fuertes patrones de no acatarla. Porque con Inkling el debate entre abrir y cerrar deja de ser cosa de China. Si Zhipu defiende la apertura desde Pekín, ahora una exdirectiva de OpenAI lo hace desde San Francisco, y con el mismo argumento por bandera: que el futuro no es alquilar la inteligencia, sino llevársela a casa y adaptarla. Está por ver si eso da para pagar las facturas.
