Thinking Machines lança Inkling, primeira IA aberta da startup
Imagina contratar uma equipe gigantesca de especialistas, mas só chamar os poucos que realmente entendem do problema na sua mesa. Essa é basicamente a lógica por trás do Inkling, o primeiro modelo proprietário da Thinking Machines Lab, startup fundada pela ex-CTO da OpenAI, Mira Murati. Ele tem 975 bilhões de parâmetros no total, mas usa só cerca de 41 bilhões para resolver cada tarefa. É a arquitetura conhecida como mixture-of-experts, um jeito de manter modelos enormes rápidos e baratos de rodar sem precisar acionar tudo de uma vez.
O treinamento consumiu 45 trilhões de tokens de texto, imagem, áudio e vídeo, e o modelo processa esses formatos de forma nativa, sem traduções internas entre um tipo de dado e outro. Olha que curioso: diferente do que a OpenAI, a Anthropic e o Google fazem com seus modelos de bandeira, o Inkling é open-weight. Ou seja, qualquer desenvolvedor pode baixar os pesos e colocar a mão na massa.
Uma aposta contra o pacote fechado
Esse lançamento é a prova pública de um ano e meio de trabalho de infraestrutura que a empresa vinha construindo longe dos holofotes. A tese central é simples de entender com uma analogia: uma roupa sob medida costuma servir melhor do que uma peça de tamanho único. A Thinking Machines aposta que empresas capazes de ajustar seus próprios modelos vão superar quem depende de sistemas genéricos vendidos por grandes laboratórios.
Em benchmark de programação, a empresa afirma que o Inkling usa um terço dos tokens que a Nemotron 3 Ultra da Nvidia gasta para chegar ao mesmo resultado. Isso importa porque cada token processado tem custo real de computação. Ainda assim, a própria empresa é honesta ao dizer que o Inkling não é o modelo mais forte disponível hoje, fechado ou aberto. A ideia aqui não é vencer o ranking, é entregar desempenho equilibrado e servir como ponto de partida para ajuste fino via Tinker, a plataforma de personalização da empresa.
Satya Nadella, CEO da Microsoft, chegou a alertar que empresas que usam IA proprietária pagam duas vezes: na assinatura e ao entregar conhecimento de negócio embutido em cada prompt corrigido.
Um caso real ajuda a sustentar esse argumento. Em parceria com a Bridgewater Associates, maior fundo de hedge do mundo, pesquisadores treinaram ainda mais um modelo aberto existente com o conhecimento financeiro específico do fundo. O resultado: 84,7% em testes de raciocínio financeiro, superando modelos proprietários de referência, com custo cerca de catorze vezes menor. Vale o alerta: esse número saiu de avaliação conjunta das duas empresas, não de terceiros independentes.
Velocidade como argumento
A Thinking Machines também gosta de destacar o cronômetro: a OpenAI levou cerca de cinco anos para mostrar receita relevante, a Anthropic uns três anos, e a empresa de Murati diz ter feito o mesmo em nove meses. Parte do processo envolveu usar dados gerados por outros modelos abertos, como o Kimi K2.5 da Moonshot AI, para acelerar o pós-treinamento inicial antes do aprendizado por reforço assumir o controle — uma técnica chamada distillation, que costuma gerar debate no setor.
O que ainda falta nessa equação é o custo. A empresa fechou parceria com a Nvidia em março para usar um gigawatt de capacidade Vera Rubin, e treinou o Inkling inteiramente em sistemas GB300 NVL72. Uma rodada de captação de 50 bilhões de dólares foi mencionada no ano passado e depois esfriou, deixando em aberto até onde esse experimento de eficiência consegue ir sem o mesmo volume de caixa dos grandes laboratórios.