Thinking Machines, fundada por la exdirectora técnica de OpenAI, Muriati, lanzó su primer modelo, Inkling, que utiliza una arquitectura de expertos mixtos con 975 mil millones de parámetros, principalmente basada en la arquitectura DeepSeek-V3 y entrenada posteriormente con datos de Kimi K2.5. Sin embargo, en varias evaluaciones de referencia, Inkling presenta un rendimiento inferior al de Kimi y GLM, pero su precio de llamada es más alto: entre $1.87 y $4.68 por cada millón de tokens, aproximadamente el doble que Kimi. Thinking Machines ha completado una ronda de financiación de 2 mil millones de dólares, con una valoración de 12 mil millones de dólares. La elección de Muriati no busca competir directamente con los modelos chinos más avanzados, sino aprovechar el mercado de cumplimiento en Estados Unidos, generado por la incertidumbre regulatoria: un modelo abierto local con rendimiento aceptable, soporte para personalización y menor riesgo regulatorio.

Autor y fuente del artículo: Letter AI

La exdirectora de tecnología de OpenAI, Murti, ha creado una versión costosa de un modelo chino.

El primer modelo lanzado por Thinking Machines, Inkling, utiliza una arquitectura de expertos mixtos que sigue principalmente a DeepSeek-V3, y en la fase de postentrenamiento de arranque en frío también utilizó datos generados por modelos abiertos como Kimi K2.5. Sin embargo, en varias evaluaciones de referencia, Inkling se encuentra por detrás de Kimi y GLM, mientras que su precio de llamada es más alto.

Para una empresa estrella que ha recaudado 2 mil millones de dólares en financiación, con una valoración de 12 mil millones de dólares y un equipo que reúne a numerosos exempleados de OpenAI, este resultado es algo inferior a lo esperado.

Pero Murati probablemente nunca pretendió que Inkling compitiera por el primer puesto. Con las empresas estadounidenses enfrentando cada vez más incertidumbres al utilizar modelos chinos, un modelo abierto local, con rendimiento aceptable, soporte para personalización y menor riesgo de cumplimiento, ya tiene su propio mercado. "El sustituto caro" no es tan fuerte, pero tampoco tiene problemas con el "mercado".

¿Es este el primer modelo de Murati?

El 15 de julio, hora local, Thinking Machines Lab lanzó su primer modelo desde su fundación, Inkling.

Solo por la configuración, este modelo tiene el aspecto adecuado para una laboratorio de IA famosa.

Inkling utiliza una arquitectura mixta de expertos con un total de 975 mil millones de parámetros, activando 41 mil millones de parámetros por cada token procesado; se preentrenó con 45 billones de tokens, abarcando datos de texto, imágenes, audio y video, con soporte para contextos de hasta 1 millón de tokens. Puede comprender texto, imágenes y audio, y generar salidas en formato de texto, además de permitir ajustar la "intensidad de pensamiento" para equilibrar rendimiento, velocidad y costo.

Inkling también ha liberado los pesos del modelo bajo una licencia Apache 2.0 bastante permisiva. Los desarrolladores pueden descargar los pesos, implementarlos por su cuenta o ajustar el modelo a través de la plataforma Tinker, propiedad de Thinking Machines.

La empresa tiene una posición clara: en lugar de competir directamente con ChatGPT por usuarios comunes, Inkling es más adecuada como base para que las empresas desarrollen aplicaciones de IA.

Sin embargo, lo más llamativo de Inkling se encuentra en la segunda mitad del informe técnico.

Thinking Machines, al presentar la arquitectura del modelo, escribió directamente que el diseño de expertos híbridos de Inkling "se basa principalmente en DeepSeek-V3". También establece un gran número de módulos expertos, donde cada Token solo activa una pequeña parte de ellos, y adopta diseños como el equilibrio de carga sin pérdida auxiliar de DeepSeek-V3.

La influencia del modelo chino en Inkling también se extendió a la fase de entrenamiento.

Thinking Machines indicó que, para iniciar el entrenamiento posterior, la empresa realizó una fine-tuning supervisada con datos sintéticos generados por modelos de pesos abiertos, mencionando explícitamente a Kimi K2.5 de Moonshot.

La ruta técnica ya está lo suficientemente clara: un laboratorio estadounidense fundado por el ex jefe de tecnología de OpenAI, cuyo primer modelo sigue la arquitectura de DeepSeek y completó su entrenamiento inicial utilizando datos generados por Kimi.

Adoptar modelos abiertos en sí no es problemático. DeepSeek y Kimi han publicado sus pesos y permiten a los desarrolladores utilizarlos, ya que la investigación científica y el desarrollo técnico siempre se han basado en la acumulación de resultados públicos. Lo más incómodo es que, después de absorber la tecnología de los modelos chinos, Inkling aún no ha superado el rendimiento de estos “maestros”.

Thinking Machines tampoco lo oculta. La empresa reconoció directamente en su publicación: “Inkling no es actualmente el modelo con mejor rendimiento, ya sea abierto o cerrado.”

Según los resultados anunciados por Thinking Machines,

En la evaluación de texto plano "La última prueba de la humanidad", Inkling obtuvo un 29.7%, mientras que Kimi K2.6 y GLM 5.2 alcanzaron respectivamente 35.9% y 40.1%;

Después de agregar la herramienta, Inkling aumentó al 46%, aún por debajo del 54% de Kimi K2.6 y del 54.7% de GLM 5.2.

En SWE-Bench Pro, que evalúa la capacidad real de ingeniería de software, Inkling obtuvo un 54,3%, Kimi K2.6 un 58,6% y GLM 5.2 alcanzó un 62,1%.

La brecha en Terminal Bench 2.1 es más notable: Inkling alcanza solo el 63.8%, mientras que Kimi K2.6 y GLM 5.2 alcanzan respectivamente el 71.3% y el 82.7%.

Inkling también tiene sus fortalezas. Se desempeña bien en diseño de aplicaciones web, comprensión de audio y evaluación de seguridad, y puede superar a Kimi y DeepSeek en algunas tareas matemáticas.

Solo desde la perspectiva del razonamiento integral, la programación y las capacidades de los agentes, actualmente es difícil clasificarlo entre los primeros niveles de los modelos abiertos.

El rendimiento no alcanzó la primera posición, y el precio tampoco ofreció sorpresas.

En la plataforma Tinker, la versión de 64K de Inkling cuesta $1.87 por cada 1 millón de tokens de Prefill y $4.68 por cada 1 millón de tokens de Sample. El primero se puede entender aproximadamente como el costo de entrada, y el segundo se acerca al costo de generación, y esto ya es un "precio con 50% de descuento por tiempo limitado". La versión de 256K tiene precios más altos, de $3.74 y $9.36 respectivamente.

Para comparación, la API oficial de Kimi K2.6 cobra $0.95 por cada millón de tokens de entrada y $4 por cada millón de tokens de salida, mientras que GLM5.2 cobra $1.4 y $4.4, respectivamente.

Tinker ofrece servicios de entrenamiento y muestreo, con un sistema de facturación que no es exactamente el mismo que el de las API de modelos comunes. Sin embargo, según la comparación aproximada anterior, el precio de prellenado de Inkling es casi el doble del de Kimi K2.6, y su precio de generación también es superior al de Kimi K2.6 y GLM5.2, sin mostrar ventaja de precio por el momento.

Por lo tanto, el primer modelo de Thinking Machines presenta una situación algo sutil: la arquitectura se inspira en DeepSeek, el entrenamiento posterior se apoya en Kimi, y el rendimiento general no supera a los principales modelos abiertos chinos, pero el precio de llamada es incluso más alto.

La elección de Murati

Dado el trasfondo de Murati y Thinking Machines, esta elección resulta aún más interesante.

Si Inkling proviniera de una empresa de inteligencia artificial común, inspirada en DeepSeek y entrenada con Kimi, quizás no fuera tan intrigante. Pero precisamente proviene de Thinking Machines, una empresa que casi puede considerarse una "alumni de OpenAI".

En febrero de 2025, cuando Thinking Machines se presentó oficialmente, el equipo tenía aproximadamente 30 personas, de las cuales alrededor de dos tercios provenían de OpenAI, y el resto principalmente de Meta y Mistral.

El equipo fundador incluyó en un momento a John Schulman, cofundador de OpenAI, Barret Zoph, exvicepresidente de investigación de OpenAI, y investigadores como Lilian Weng, Andrew Tulloch y Luke Metz.

Estas personas participaron respectivamente en investigaciones de aprendizaje por refuerzo, postentrenamiento, preentrenamiento, seguridad e inferencia de OpenAI. Reuters incluso describió directamente en ese momento que Murati había reclutado al menos 20 investigadores de su antiguo empleador.

Murati, de pie entre este grupo de exalumnos de OpenAI, es sin duda la más especial.

Se unió a OpenAI en 2018 y participó en productos como DALL-E, Codex, ChatGPT y Sora, siendo promovida a directora técnica en 2022, encargada de coordinar investigación, entrenamiento de modelos, seguridad y implementación de productos.

En noviembre de 2023, tras la repentina destitución de Sam Altman por parte de la junta directiva de OpenAI, Muriati también sirvió brevemente como directora ejecutiva interina. Su rol se asemejaba más al de responsable general de tecnología y productos, y tenía un conocimiento completo del proceso de desarrollo de modelos y la trayectoria de comercialización de OpenAI.

En otras palabras, Thinking Machines no ha carecido de experiencia con OpenAI desde su fundación.

Murati y su equipo saben cómo un laboratorio cerrado de primer nivel desarrolla modelos y han presenciado personalmente cómo ChatGPT se transformó desde una investigación hasta un producto global. Cuando este grupo dejó OpenAI y construyó desde cero su propio sistema tecnológico, el público naturalmente esperaba que siguieran una línea con el sello de OpenAI.

Como resultado, la fuente técnica más clara de Inkling apunta a China. Esto puede interpretarse fácilmente como una señal dramática: el grupo de personas que mejor conocen a OpenAI, tras dejarla, finalmente eligió el diseño técnico de los modelos chinos.

Sin embargo, esta conclusión aún necesita ser analizada en detalle.

Los modelos de vanguardia de OpenAI en los últimos años han seguido una estrategia de código cerrado; el público no tiene acceso a los pesos del modelo, ni conoce la arquitectura completa, los datos de entrenamiento ni los métodos de post-entrenamiento. Aunque穆拉蒂 esté familiarizada con la tecnología interna de OpenAI, no puede trasladar directamente los secretos comerciales de su antiguo empleador a su nueva empresa. En cambio, DeepSeek y Kimi han publicado sus pesos o informes técnicos, permitiendo que la arquitectura, los métodos de entrenamiento y la cadena de herramientas sean estudiados y reutilizados legalmente.

Inkling también es un modelo de pesos abiertos. Para una empresa que busca construir un ecosistema de modelos abiertos, adoptar soluciones maduras de modelos abiertos como DeepSeek y Kimi es una elección de ingeniería lógica.

Hoy desarrollar un modelo abierto, evitando completamente los resultados ya publicados por el equipo chino, en cambio, implicaría un mayor costo de prueba y error.

Por lo tanto, que Inkling se inspire en el modelo chino no demuestra directamente que Murati considere que la tecnología de DeepSeek lidera integralmente a OpenAI. El grado de apertura de ambas partes y las condiciones disponibles para la inspiración son completamente diferentes.

Pero este evento sigue enviando una señal clara: al menos en el ámbito de los modelos de pesos abiertos, los modelos chinos se han convertido en un punto de referencia importante para los equipos de IA estadounidenses.

Por lo tanto, no es difícil explicar la adopción del modelo chino. La verdadera pregunta que se debe responder es: ¿Por qué, si Thinking Machines aprovechó arquitecturas y experiencias de entrenamiento existentes, el Inkling resultó ser de menor rendimiento y más caro?

Murati cuenta con un equipo de primer nivel, financiamiento suficiente y el sistema de entrenamiento más reciente de NVIDIA. No tiene ninguna razón para no ver la brecha de rendimiento y precio entre Inkling y los modelos chinos.

En ese caso, "la sustitución cara" probablemente sea una elección calculada.

“Normalito”, basta

Según el trato recibido por Thinking Machines, Inkling no debería haber sido solo un modelo "suficiente".

En julio de 2025, la empresa completó una ronda de financiación semilla de 2.000 millones de dólares sin haber lanzado ningún producto, con una valoración de 12.000 millones de dólares, entre los inversores se encontraban Andreessen Horowitz, NVIDIA, AMD y Jane Street. Cuatro meses después, se informó que Thinking Machines estaba en negociaciones para una nueva ronda de financiación, con una valoración objetivo de hasta 50.000 millones de dólares; aunque la transacción finalmente no se anunció oficialmente, el público ya la considera un posible competidor de OpenAI y Anthropic.

Por lo tanto, cuando Inkling presentó un producto con un rendimiento inferior al de los modelos chinos y un precio más alto, inevitablemente resultó decepcionante.

Desde una perspectiva comercial, Murati probablemente nunca tuvo la intención de usarlo para competir por el primer lugar en las evaluaciones de referencia.

Thinking Machines enfatiza pesos abiertos, capacidades multimodales y personalizabilidad, esperando que las empresas utilicen Tinker para ajustar finamente Inkling y convertirlo en modelos especializados como asistentes de servicio al cliente, asistentes de programación o agentes industriales. Murati apuesta por un mercado que no se centra tanto en ocupar el primer lugar en evaluaciones de referencia. Las empresas valoran más si el modelo puede desplegarse de forma privada, si pueden controlar sus datos y si pueden seguir entrenándolo según sus propios negocios.

Anteriormente, una gran parte de esta demanda fue absorbida por los modelos abiertos chinos.

OpenAI y Anthropic en Estados Unidos han mantenido durante mucho tiempo un enfoque de código cerrado, y tras el desempeño inferior al esperado de Llama 4 de Meta, también han ido reduciendo su estrategia abierta. Mientras tanto, DeepSeek, Kimi, Qwen y GLM continúan abriendo sus pesos, con un rendimiento que se acerca cada vez más al de los modelos cerrados estadounidenses, pero a un precio mucho más bajo.

Las empresas estadounidenses pronto votaron con los pies.

Según los datos proporcionados por OpenRouter a CNBC, desde febrero de 2026, los modelos chinos han representado más del 30% semanalmente de los tokens invocados por empresas estadounidenses a través de esta plataforma, alcanzando un máximo del 46%. En el primer semestre de 2025, el promedio semanal era solo del 4,5%.

Cursor probó varios modelos base al desarrollar Composer 2 y finalmente eligió Kimi K2.5, ya que su desempeño en las evaluaciones fue el más fuerte. Bridgewater utilizó Tinker para ajustar finamente el Qwen de Alibaba, obteniendo un modelo personalizado que superó a algunos de los mejores modelos cerrados con un costo más bajo.

Los modelos abiertos de China se han convertido en una vía rápida para que las empresas estadounidenses reduzcan los costos de IA. Sin embargo, este camino está bajo presión.

Al mismo tiempo, el entorno regulatorio de Estados Unidos hacia los modelos de IA chinos se está endureciendo. Las autoridades pertinentes ya han emitido advertencias sobre seguridad de datos, origen de los modelos y riesgos en la cadena de suministro, y algunas empresas que utilizan modelos chinos también han sido investigadas. Aunque aún no se ha establecido una restricción unificada, la incertidumbre política ya es suficiente para influir en la elección de las empresas, especialmente aquellas que manejan negocios gubernamentales y datos sensibles.

Este es exactamente el espacio de mercado de Inkling.

Es un modelo de pesos abiertos desarrollado por una empresa estadounidense, bajo la licencia Apache 2.0, que admite implementación privada y personalización. Las empresas estadounidenses lo eligen para evitar controversias políticas asociadas con el uso de modelos chinos y para facilitar el cumplimiento de las revisiones de conformidad de clientes gubernamentales y grandes empresas.

El verdadero valor de Inkling proviene de esta certeza regulatoria.

Murati claramente vio este vacío que se estaba formando.

Thinking Machines absorbe los resultados públicos de DeepSeek y Kimi, y los convierte en un modelo ofrecido por una empresa estadounidense. Inkling no necesita superar a los modelos chinos en todas las evaluaciones de referencia; solo necesita ser una opción aceptable para las empresas estadounidenses que temen seguir utilizando modelos chinos.

Esto también explica por qué se atreve a ser más caro. La política reduce el rango de competencia para Inkling, lo que hace que las diferencias en rendimiento y precio no sean tan críticas. Para algunas empresas estadounidenses, un modelo ligeramente más débil, ligeramente más caro pero con menor riesgo, ya es suficiente.

Desde este punto de vista, Inkling demuestra mejor que Murati entiende de negocios.

Sin embargo, el costo de este negocio podría ser asumido por las empresas estadounidenses.

Las empresas fuera de Estados Unidos aún pueden elegir libremente GLM, Kimi y DeepSeek para desarrollar productos sobre modelos base más potentes y económicos; sin embargo, las empresas estadounidenses podrían verse obligadas a adoptar alternativas locales con rendimiento ligeramente inferior y precios más altos. La brecha en capacidad de los modelos base seguirá transmitiéndose a los productos tras el ajuste fino, generando finalmente una desventaja competitiva estructural.

Washington originalmente esperaba usar restricciones para proteger a las empresas estadounidenses de IA, pero posiblemente haya creado primero un mercado para “alternativas caras” como Inkling. Para Murati, “lo suficientemente bueno” es suficiente. Para la industria estadounidense de IA, este “suficientemente bueno” significa un aumento en los costos y una disminución en la competitividad.