TL;DR:
- Thinking Machines Lab, el laboratorio de Mira Murati, lanzó el 15 de julio de 2026 su primer modelo propio, Inkling, con los pesos completamente abiertos para descargar y modificar.
- Es un modelo de mezcla de expertos con 975.000 millones de parámetros totales y 41.000 millones activos; la empresa asegura que iguala a Nemotron 3 Ultra en tareas de código usando un tercio de los tokens.
- El lanzamiento se apoya en un caso real con Bridgewater Associates y en la advertencia de Satya Nadella sobre el costo oculto de rentar IA cerrada, justo cuando Thinking Machines aún no cierra una ronda de 50.000 millones de dólares que, según reportes, se estancó.
Thinking Machines Lab, el laboratorio de inteligencia artificial que fundó la exdirectora de tecnología de OpenAI Mira Murati, presentó este miércoles 15 de julio de 2026 su primer modelo propio: Inkling. Es un sistema de mezcla de expertos (MoE) con 975.000 millones de parámetros totales, de los que activa 41.000 millones por tarea, y llega con los pesos completamente abiertos para que cualquier desarrollador lo descargue y lo modifique. La empresa no promete el modelo más potente del mercado. Apuesta, en cambio, a que las compañías prefieren una IA que puedan personalizar con sus propios datos antes que rentar la misma herramienta genérica que usa todo el mundo. Es la primera prueba pública de Thinking Machines tras año y medio construyendo infraestructura lejos de los reflectores, justo cuando la discusión sobre modelos abiertos frente a cerrados divide a la industria.
Un modelo pensado para que las empresas lo hagan suyo
Inkling entiende texto, imágenes y audio de forma nativa, ajusta cuánto "piensa" antes de responder y soporta hasta 1 millón de tokens de contexto. Thinking Machines lo entrenó desde cero, sin partir de otro modelo existente, con 45 billones de tokens de texto, imágenes, audio y video.
- Arquitectura Mixture-of-Experts (MoE): 975.000 millones de parámetros totales, 41.000 millones activos por tarea.
- Ventana de contexto de hasta 1 millón de tokens.
- Esfuerzo de razonamiento ajustable: el usuario decide cuánto "piensa" el modelo antes de responder, para equilibrar velocidad y costo contra precisión.
- Disponible para afinar en Tinker, la plataforma de personalización de Thinking Machines, con 50% de descuento por tiempo limitado y ventanas de contexto de 64K o 256K tokens.
- Pesos completos publicados en Hugging Face, listos para correr en infraestructura propia.
- Sometido a pruebas de seguridad externas: la empresa reporta buen desempeño frente a otros modelos abiertos en el rechazo de solicitudes dañinas.
- Junto a Inkling, la empresa adelanta Inkling-Small, una versión más ligera con 276.000 millones de parámetros totales y 12.000 millones activos, cuyos pesos completos publicará cuando termine de probarla.
Para mostrar qué significa "personalizable" en la práctica, Thinking Machines hizo que el propio Inkling se afinara a sí mismo. Usando Tinker, el modelo escribió su propio trabajo de fine-tuning, lo ejecutó y evaluó el resultado. La tarea consistía en convertirse en un modelo lipograma, uno que nunca usa la letra "e" en sus respuestas, algo que ningún prompt por sí solo logra de forma confiable. Inkling generó los datos de entrenamiento, corrió el ajuste con la API de Tinker y cargó los nuevos pesos: un ciclo completo, de principio a fin.
La eficiencia como argumento, no el podio de los benchmarks
Thinking Machines es franca sobre las limitaciones de Inkling. En su propio material de lanzamiento, la empresa admite que el modelo "no es el modelo más potente disponible hoy, cerrado o abierto". Lo que ofrece en cambio es amplitud: entrenó a Inkling para rendir bien en tareas de agentes, razonamiento, código, instrucciones, precisión factual, visión y audio a la vez, en lugar de optimizarlo para ganar en un solo terreno.
Esa apuesta se nota en los números que la compañía publicó. En Terminal Bench 2.1, una prueba de código para agentes, Inkling iguala el desempeño de Nemotron 3 Ultra, el modelo abierto de Nvidia, con apenas un tercio de los tokens. En Design Arena, un ranking que compara aplicaciones generadas por distintos modelos con evaluadores humanos a ciegas, Inkling quedó con 1.257 puntos: el segundo mejor resultado entre los modelos de pesos abiertos de la tabla, solo detrás de GLM 5.2 y por delante de los distintos Kimi K2.
Nadella advierte que rentar IA cerrada sale más caro de lo que parece
El lanzamiento llega respaldado por un argumento que viene ganando terreno fuera de Thinking Machines. Satya Nadella, CEO de Microsoft (que ha invertido miles de millones tanto en OpenAI como en Anthropic), publicó un blog apenas unos días antes en el que advierte que las empresas que dependen de IA propietaria terminan pagando dos veces: una en la suscripción, y otra al ceder el conocimiento de negocio que queda incrustado en miles de sus propios prompts y correcciones, información que los modelos de esos proveedores pueden absorber en versiones futuras.
Clem Delangue, CEO de Hugging Face, planteó una idea parecida en conversación con TechCrunch la semana pasada. Según él, los modelos de frontera quedarán cada vez más reservados para experimentación y tareas de alto valor, mientras la mayoría del trabajo de IA en producción migra hacia alternativas privadas o de código abierto, justo la división en la que Thinking Machines construye su negocio.
La evidencia más concreta a favor de esa tesis viene de un proyecto conjunto con Bridgewater Associates, el fondo de cobertura más grande del mundo (que no es inversionista de Thinking Machines). Investigadores de ambas firmas tomaron un modelo abierto existente y lo entrenaron más a fondo con el conocimiento financiero propio de Bridgewater. Según los resultados que publicaron juntos a fines de junio de 2026, el modelo resultante obtuvo 84,7% en pruebas de razonamiento financiero, por encima de los modelos propietarios líderes, y costó operarlo alrededor de una catorceava parte.
China empuja la ola de modelos abiertos, y Thinking Machines usa sus datos
Antes de que el aprendizaje reforzado a gran escala tomara el control del entrenamiento, Thinking Machines usó modelos abiertos existentes, entre ellos Kimi K2.5, del laboratorio chino Moonshot AI, para generar parte de los datos iniciales de post-entrenamiento de Inkling. La empresa aclara que preentrenó el modelo desde cero y que su próximo lanzamiento dejará atrás esa dependencia, con post-entrenamiento completamente propio.
El gesto encaja en una tendencia que ya no es nueva. Laboratorios chinos como Moonshot AI, Z.ai (con la familia GLM) y Tencent vienen empujando modelos abiertos cada vez más grandes y baratos de correr. Todos apuestan a la misma arquitectura de mezcla de expertos que usa Inkling: activar solo una fracción de los parámetros para recortar el costo por token. FomoEra cubrió apenas la semana pasada el lanzamiento de Hy3, el modelo de Tencent que reclama rendir a la par de rivales del doble de su tamaño.
Alejandro Castillo Leone
El dinero es la pregunta que Thinking Machines aún no responde
Thinking Machines recaudó en 2025 una ronda semilla de 2.000 millones de dólares (récord para una etapa tan temprana) a una valoración de 12.000 millones de dólares, antes de lanzar un solo producto. Nvidia figura entre sus inversionistas y profundizó la relación en marzo de 2026 con una alianza para desplegar un gigavatio de cómputo Vera Rubin. Inkling, de hecho, se entrenó por completo en sistemas GB300 NVL72 de Nvidia. La empresa también firmó, según reportes, un acuerdo multimillonario con Google Cloud.
Lo que sigue sin resolverse es el financiamiento más ambicioso. Una ronda de 50.000 millones de dólares que, según reportes de noviembre de 2025, estaba por cerrarse, se estancó hacia enero de 2026 según varios medios, y Thinking Machines no ha vuelto a hablar públicamente de su situación financiera desde entonces. La plantilla ronda hoy las 200 personas, tras una ola de salidas a comienzos de 2026 que incluyó a dos cofundadores que se fueron a OpenAI en enero.
La empresa insiste en un dato de velocidad: mientras OpenAI tardó cerca de cinco años y Anthropic cerca de tres en llevar su tecnología al mercado y mostrar ingresos, Thinking Machines dice haberlo hecho en unos nueve meses. La comparación, sin embargo, no dice nada sobre si su gasto en cómputo alguna vez alcanzará la escala de esos rivales, ni sobre si el negocio real (entrenar y afinar modelos en Tinker, no vender acceso a Inkling por suscripción) puede sostener ese ritmo.
La prueba real de Inkling no está en las tablas de benchmarks que publicó Thinking Machines. Está en si las empresas, incluidas las que operan en español y manejan presupuestos de IA mucho más ajustados que los de Silicon Valley, deciden pagar por afinar su propio modelo en Tinker en lugar de seguir rentando ChatGPT, Claude o Gemini por suscripción. De esa decisión depende si la apuesta de Murati abre un negocio distinto al de los grandes laboratorios o si termina compitiendo, con menos caja, por el mismo terreno que ya disputan los modelos abiertos chinos.
Preguntas rápidas sobre Inkling
¿Qué es Inkling y quién lo creó?
Inkling es el primer modelo de IA propio de Thinking Machines Lab, el laboratorio que fundó la exdirectora de tecnología de OpenAI Mira Murati. Es un modelo de mezcla de expertos con 975.000 millones de parámetros totales, de los que solo activa 41.000 millones por tarea, y sus pesos completos están disponibles para descargar y modificar.
¿Cuánto cuesta usar Inkling y dónde puedo probarlo?
Thinking Machines ofrece Inkling con 50% de descuento por tiempo limitado en Tinker, su plataforma de personalización, con ventanas de contexto de 64K o 256K tokens. También puede probarse gratis en el Inkling Playground, y los pesos completos están en Hugging Face para correrlo en infraestructura propia.
¿Por qué Thinking Machines no compite directamente por el mejor benchmark?
La propia empresa admite que Inkling no es el modelo más potente del mercado. Su apuesta es distinta: ofrecer una base amplia y eficiente que las empresas puedan afinar con Tinker sobre sus propios datos, en lugar de vender acceso a un modelo cerrado igual para todos.
