Thinking Machines が自作大規模モデル「Inkling」を公開

2026年7月15日、Thinking Machines はマルチモーダル対応の大規模言語モデル「Inkling」のオープンウェイト版をリリースした。9750億パラメータのうち410億が活性化し、テキスト・画像・音声・動画の理解に対応する。

Thinking Machines が自作大規模モデル「Inkling」を公開

2026年7月15日、Thinking Machines はマルチモーダル対応の大規模言語モデル「Inkling」のオープンウェイト版をリリースした。9750億パラメータのうち410億が活性化し、テキスト・画像・音声・動画の理解に対応する。

マルチモーダルと制御可能な思考量

Inkling は、テキストだけでなく画像や音声もネイティブに処理できるモデルとして設計された。音声入力は dMel スペクトログラムに変換され、画像は 40×40 ピクセルのパッチでエンコードされる。これらは軽量な埋め込み層を経てテキストトークンと統合されて処理される。

推論時には、Python ツールを活用して画像のズームや切り抜きを行い、視覚的な推論をコードベースの推論とシームレスに連携させることも可能である。音声については、発話の文字起こしや指示の理解、録音への質問応答などをサポートする。

コスト効率とファインチューニング対応

Inkling の特徴として、「制御可能な思考量（controllable thinking effort）」が挙げられる。これは推論時の計算コストを調整できる機能で、ベンチマーク性能とトークン使用量のバランスを取れるよう設計されている。例えば Terminal Bench 2.1 では、Nemotron 3 Ultra と同等の性能を達成するために必要なトークン数を約 3 分の 1 に抑えている。

ファインチューニングは Thinking Machines のプラットフォーム「Tinker」を通じて実行可能である。開発者は Tinker コンソール内の Inkling Playground でモデルとの対話を試すことができ、ベースモデルの選定を支援する仕組みが用意されている。

ベンチマーク結果と将来展望

マルチモーダル機能については、音声タスク（AudioMC、MMAU、VoiceBench）や視覚タスク（MMMU Pro、Charxiv RQ）でオープンウェイトモデルとして高いスコアを記録している。ただし、一部のクローズドウェイトモデルと比較すると性能差があることも示されている。

Inkling は単一のモデルではなく、異なるサイズのモデルファミリーの第 1 弾として提供される。軽量版の Inkling-Small（アクティブパラメータ 120億）もプレビュー公開されており、より低コスト・低レイテンシーでの利用を可能にする。

Thinking Machines は「人間の意思と判断を拡張する AI」を目指しており、Inkling をカスタマイズ可能な基盤として位置づけている。今後はモデルの規模拡大やトレーニングパイプラインの改良を通じて、マルチモーダル機能をさらに強化していく方針だ。