Muratis erstes Modell ist offen – und bewusst nicht das beste

Anderthalb Jahre lang hat Mira Muratis Startup vor allem Infrastruktur gebaut – und geschwiegen. Am Mittwoch kam die Antwort: Inkling, das erste eigene Modell von Thinking Machines Lab. Anders als die Flaggschiffe von OpenAI, Anthropic oder Google ist es open-weight: Jede Firma kann die Gewichte herunterladen und umbauen.

975 Milliarden Parameter, 41 arbeiten mit

Inkling ist ein Mixture-of-Experts-Modell: Statt für jede Aufgabe das ganze Netzwerk anzuwerfen, springen nur die passenden Spezialisten an. Von 975 Milliarden Parametern sind pro Aufgabe rund 41 Milliarden aktiv – das hält ein Riesenmodell bezahlbar. Trainiert wurde es auf 45 Billionen Tokens aus Text, Bild, Audio und Video; nativ nachdenken kann es über Text, Bilder und Audio. Das Kontextfenster reicht bis zu einer Million Tokens.

Dazu zwei Besonderheiten: Der «thinking effort» lässt sich stufenlos regeln – du tauschst Tempo gegen Gründlichkeit. Und Inkling ist auf Kalibrierung trainiert: Es markiert Unsicherheit, statt zu raten.

Ein Drittel der Tokens fürs gleiche Ergebnis

Auf dem Coding-Benchmark Terminal Bench 2.1 erreicht Inkling laut eigenen Angaben dieselbe Leistung wie Nvidias Nemotron 3 Ultra – mit rund einem Drittel der Tokens. Die unabhängige Analyseplattform Artificial Analysis stützt die Richtung: 41 Punkte im Intelligence Index, drei mehr als Nemotron 3 Ultra. Damit ist Inkling das stärkste offene Modell aus einem US-Labor, bleibt aber hinter den besten chinesischen Open-Source-Modellen zurück.

Der Haken: Bei der Faktentreue schwächelt es. Auf dem Wissens-Benchmark AA Omniscience misst Artificial Analysis 40 Prozent Genauigkeit – bei einer Halluzinationsrate von 63 Prozent. Thinking Machines selbst formuliert ungewohnt nüchtern, Inkling sei «nicht das stärkste Modell, das es heute gibt, ob offen oder geschlossen». Gesucht ist der Allrounder, nicht der Rekord.

Das Geld liegt nicht im Modell

Genau darin steckt die Wette. Inkling ist ein Enterprise-Produkt und als Rohling gedacht: Firmen justieren es über Tinker, Muratis Trainingsplattform, auf ihre eigenen Daten. Für dich als Unternehmen heisst das: selbst betreiben, Daten im Haus. Verdient wird am Feintuning, nicht am Modell. Wie viel das bringen kann, zeigten im Juni eigene Zahlen aus dem gemeinsamen Projekt mit dem Hedgefonds Bridgewater. Rückenwind gibt Microsoft-Chef Satya Nadella: Wer proprietäre Modelle nutze, warnte er am Sonntag, zahle doppelt – einmal fürs Abo, einmal mit dem eigenen Firmenwissen.

Ganz aus eigener Kraft entstand Inkling nicht: Vortrainiert wurde von Grund auf, bei den ersten Post-Training-Daten halfen aber andere offene Modelle mit, darunter Moonshots Kimi K2.5. Gerechnet wurde komplett auf Nvidias GB300-NVL72-Systemen.

Nachschub ist angekündigt: Inkling-Small (276 Milliarden Parameter, 12 davon aktiv) läuft als Vorschau und schlägt das grosse Geschwistermodell in mehreren Benchmarks. Die Gewichte kommen, sobald die Tests durch sind.