Inkling: ответ США на китайские открытые веса

За последний месяц мы разобрали четыре релиза с открытыми весами — Kimi K3, DeepSeek V4 Pro, Qwen 3.8 и придержанную GLM-5.3 — и все четыре китайские. Картина получалась однобокой, и восполнить это стоит: в середине июля лаборатория Thinking Machines, основанная бывшим техническим директором OpenAI Мирой Мурати, выложила Inkling — первую свою production-модель и, по оценке Artificial Analysis, сильнейшую открытую модель США. Архитектура Mixture-of-Experts на 975 млрд параметров при 41 млрд активных, обучение на 45 триллионах токенов текста, изображений, звука и видео, контекст до миллиона. Новость не свежая, и мы это прямо оговариваем — но без неё разговор об открытых весах неполный.

Что за модель

Параметры компактно, с оговоркой, что заголовочная цифра снова обманчива.

Как и в случае с Kimi K3 на 2,8 трлн и DeepSeek V4 Pro на 1,6 трлн, считать вычислительную нагрузку надо по активным параметрам. 41 млрд из 975 — это около 4% модели на токен.

Отдельно про модальности: четыре типа данных нативно, включая звук и видео — редкость даже среди закрытых моделей. Большинство мультимодальных систем ограничиваются текстом и картинками, а звук приделывают отдельной моделью.

Почему 41 балл — это не провал

Цифру стоит сразу поставить в контекст, потому что рядом с 61 у Grok 4.6 она выглядит скромно.

Индекс интеллекта Artificial Analysis — сводная оценка по набору задач, и разница в двадцать пунктов реальна. Inkling не конкурирует с фронтиром и не претендует на это.

Смысл релиза в другом. До него сильнейшие открытые модели были китайскими практически без исключений: Kimi, DeepSeek, Qwen, GLM. Американские лаборатории либо держали веса закрытыми, либо выкладывали заметно более слабые модели. Inkling эту асимметрию частично снимает.

Для рынка важна не позиция в рейтинге, а сам факт: у открытых весов появился второй географический центр. Это влияет на устойчивость всей конструкции — если доступ к моделям из одной юрисдикции окажется ограничен, у пользователей остаётся альтернатива. Насколько это не теоретический риск, видно из истории про то, как доступ к модели выключает государство.

Ставка против универсальности

Позиционирование Thinking Machines заслуживает отдельного абзаца, потому что оно расходится с отраслевой нормой.

Индустрия последние годы двигалась к универсальной модели: одна система, которая делает всё, и чем она больше, тем лучше. Thinking Machines заявляет обратное — ставку против подхода «один размер подходит всем».

Логика такая: универсальная модель по определению избыточна для конкретной задачи. Вы платите за способности, которые вам не нужны, каждым запросом. Модель с открытыми весами, которую можно настроить под себя, в этой картине выигрывает не качеством, а соответствием.

Ту же ставку, только с другой стороны, делает River AI, поднявшая 1,1 млрд долларов под идею модели, которую компания непрерывно дообучает на своих данных. Два независимых игрока ставят на то, что маятник качнётся от универсального к настроенному.

Четыре модальности: зачем это нужно

Обучение на тексте, изображениях, звуке и видео сразу — параметр, который в новостях обычно упоминают вскользь, а он меняет круг применимых задач.

Разница между «модель понимает звук» и «модель обучалась на звуке нативно» примерно такая же, как между переводом и родным языком. В первом случае звук сначала превращается в текст отдельной моделью, и всё, что не выражается словами — интонация, паузы, наложение голосов, шум на фоне, — теряется до того, как основная модель что-то увидит.

При нативной обработке этот этап отсутствует. Модель работает с исходными данными и может опираться на то, что в текстовую расшифровку не попадает.

Практически это открывает задачи, которые через связку моделей решаются плохо: разбор записи совещания с несколькими говорящими, оценка тональности разговора с клиентом, поиск момента в видео по описанию происходящего, а не по субтитрам.

Оговорка обязательная: заявленная поддержка модальности и её качество — разные утверждения. Первое опубликовано, второе мы не проверяли.

Что это значит для цен

Практическая часть, ради которой мы вообще следим за открытыми весами.

Открытая модель влияет на ваш счёт не тем, что вы её развернёте — почти никто не разворачивает. Она задаёт нижнюю границу, ниже которой платить за закрытую модель становится неразумно.

В нашем каталоге эта граница видна прямо: самые дешёвые платные позиции — glm-4-6v и glm-4-7 по 3 ₽ за миллион токенов, и они дёшевы именно потому, что рядом существуют открытые альтернативы сопоставимого класса. Верхняя граница — 180 ₽ у Fable 5, разрыв шестидесятикратный.

И вот что интересно на этой неделе: бизнес перестал брать флагманы — Fable 5 собрала всего 6% токенов у своего вендора. Давление открытых весов и нежелание переплачивать сходятся в одну точку.

Чего мы не утверждаем

Модель вышла в июле, а не сегодня. Мы пишем о ней с опозданием и говорим об этом прямо, а не выдаём за свежий релиз.

Мы её не тестировали. Все характеристики — из публикаций, перечисленных в источниках.

Оценка в 41 балл не наша. Это индекс Artificial Analysis по их методике; сравнивать его с другими рейтингами некорректно.

Её нет в нашем каталоге. На 16 августа там 40 позиций: Claude, GPT, Gemini, GLM, Grok, Kimi, Qwen, GPT Image и FLUX. Сроков появления мы не называем и обещаний на этот счёт не даём.

«Сильнейшая открытая модель США» — формулировка Artificial Analysis, привязанная к моменту публикации. За месяц, прошедший с релиза, расклад мог измениться.

Мы не разбирали лицензию. «Открытые веса» у разных вендоров означают разные условия использования: от свободной Apache 2.0 до собственных лицензий с ограничениями по обороту и сферам применения. Проверять условия нужно до интеграции, а не после.

Что с этим делать

Три вещи, если тема показалась практически важной.

1. Не гонитесь за открытыми весами ради самих весов. 975 млрд параметров требуют серверной сборки; практическую доступность дают компактные модели вроде Qwen 3.8 на 27 млрд.
2. Следите за ценами закрытых моделей, а не за релизами открытых. Открытые веса влияют на вас именно через прайс.
3. Проверяйте на своих задачах. Двадцать пунктов разницы в индексе могут не значить ничего для вашего сценария — или значить всё.
4. Смотрите на лицензию раньше, чем на бенчмарк. Модель, которую юрист не пропустит, не нужна ни при каком качестве.

И ещё одно наблюдение, которое стоит держать в голове при чтении подобных новостей. Открытых релизов за месяц было пять, и ни один из них не попал в наш каталог — просто потому, что открытые веса и доступ через API это разные продукты. Между «модель существует и её можно скачать» и «модель доступна вам запросом» лежит работа по развёртыванию, которую кто-то должен сделать.

Что держать в голове

Inkling — 975 млрд параметров при 41 активном, четыре модальности нативно, миллионный контекст, открытые веса. По рейтингу до фронтира далеко, но у открытых моделей впервые появился заметный американский представитель.

Для вашего счёта это работает опосредованно: чем сильнее открытые модели, тем ниже потолок цен у закрытых. За месяц мы видели уже пять таких релизов, и цены на рынке действительно поехали вниз — достаточно посмотреть на нижнюю границу нашего каталога в 3 ₽ за миллион токенов.

Ставка Thinking Machines против универсальных моделей пока не подтверждена рынком, но она любопытна сама по себе: если она сыграет, выбирать модель придётся не по силе, а по совпадению с задачей. Это ровно то, к чему мы призываем в каждом разборе.

Как мы отделяем проверенное от предполагаемого — на странице о проекте. Сорок позиций каталога по одному ключу: keydealer.ru/login.