A Thinking Machines, fundada por Muriati, ex-chefe de tecnologia da OpenAI, lançou seu primeiro modelo, Inkling, que utiliza uma arquitetura de especialistas mistos com 975 bilhões de parâmetros, baseada principalmente na arquitetura DeepSeek-V3 e treinada posteriormente com dados do Kimi K2.5. No entanto, em vários benchmarks, o Inkling apresentou desempenho inferior ao Kimi e ao GLM, mas seu preço de chamada é mais alto, variando de US$ 1,87 a US$ 4,68 por 1 milhão de tokens — cerca de duas vezes o valor do Kimi. A Thinking Machines já arrecadou US$ 2 bilhões em financiamento, com uma avaliação de US$ 12 bilhões. A escolha de Muriati não é competir diretamente com os modelos chineses mais fortes, mas sim explorar o mercado de conformidade nos Estados Unidos, impulsionado pela incerteza regulatória — um modelo aberto local, com desempenho adequado, suporte a personalização e menor risco de não conformidade.

Autor e fonte do artigo: Letter AI

A ex-chefe de tecnologia da OpenAI, Murati, criou uma versão cara de um modelo chinês.

O primeiro modelo lançado pela Thinking Machines, o Inkling, utiliza uma arquitetura de especialistas mistos principalmente baseada no DeepSeek-V3, e na fase inicial de pós-treinamento também utilizou dados gerados por modelos abertos como o Kimi K2.5. No entanto, em várias avaliações de referência, o Inkling ficou atrás do Kimi e do GLM, enquanto seu preço de chamada é mais alto.

Para uma empresa estrela que arrecadou 2 bilhões de dólares em financiamento, tem uma avaliação de 12 bilhões de dólares e reúne um grande número de ex-funcionários da OpenAI, esse resultado foi um pouco abaixo do esperado.

Mas Murati talvez nunca tenha pretendido competir pelo primeiro lugar com o Inkling. À medida que as empresas americanas enfrentam cada vez mais incertezas ao adotar o modelo chinês, um modelo aberto local, com desempenho razoável, suporte a personalização e menor risco de conformidade, já possui seu próprio mercado. O “substituto caro” não é tão forte, mas também não tem problemas com o “mercado”.

É esse o primeiro modelo da Murati?

Em 15 de julho, horário local, a Thinking Machines Lab lançou seu primeiro modelo desde sua fundação, o Inkling.

Só olhando para a configuração, este modelo tem o requinte adequado para um laboratório de IA famoso.

O Inkling utiliza uma arquitetura híbrida de especialistas, com um total de 975 bilhões de parâmetros, ativando 410 bilhões de parâmetros para cada token processado; foi pré-treinado com 45 trilhões de tokens, abrangendo dados de texto, imagem, áudio e vídeo, com suporte a contextos de até 1 milhão de tokens. Ele pode compreender texto, imagens e áudio, retornando resultados em formato textual, além de permitir ajustar a "intensidade de pensamento" para equilibrar desempenho, velocidade e custo.

Inkling também liberou os pesos do modelo sob uma licença Apache 2.0 bastante permissiva. Os desenvolvedores podem baixar os pesos, implantá-los localmente ou ajustar o modelo por meio da plataforma Tinker, da Thinking Machines.

A empresa define claramente sua posição: em vez de competir diretamente com o ChatGPT por usuários comuns, o Inkling é mais adequado como base para empresas desenvolverem aplicações de IA.

No entanto, a parte mais interessante do Inkling está no segundo half do relatório técnico.

Thinking Machines, ao apresentar a arquitetura do modelo, afirmou diretamente que o design híbrido de especialistas do Inkling "foi principalmente baseado no DeepSeek-V3". Ele também define um grande número de módulos especialistas, chamando apenas uma pequena parte deles para cada Token, e adota o design de balanceamento de carga sem perda auxiliar do DeepSeek-V3.

A influência do modelo chinês no Inkling também se estendeu à fase de treinamento.

Thinking Machines afirmou que, para iniciar o pós-treinamento, a empresa realizou uma etapa de microajuste supervisionado com dados sintéticos gerados por modelos de pesos abertos, mencionando explicitamente o Kimi K2.5 da Moonshot.

A rota técnica já está clara o suficiente: um laboratório americano fundado pelo ex-chefe de tecnologia da OpenAI, cujo primeiro modelo seguiu a arquitetura do DeepSeek e foi finalizado com dados gerados pelo Kimi.

Adotar modelos abertos em si não é problemático. DeepSeek e Kimi publicaram seus pesos e permitem que desenvolvedores os utilizem, pois a pesquisa científica e o desenvolvimento de engenharia sempre se baseiam no acúmulo de resultados abertos. O mais embaraçoso é que, mesmo após absorver tecnologias de modelos chineses, o Inkling ainda não superou esses “professores” em desempenho.

Thinking Machines também não ocultou isso. A empresa reconheceu diretamente em seu post: "Inkling não é atualmente o modelo com melhor desempenho, seja aberto ou fechado."

A partir dos resultados anunciados pela Thinking Machines,

Na avaliação de texto puro "A Última Prova da Humanidade", o Inkling obteve 29,7%, enquanto o Kimi K2.6 e o GLM 5.2 alcançaram respectivamente 35,9% e 40,1%;

Após a adição da ferramenta, o Inkling subiu para 46%, ainda abaixo do 54% do Kimi K2.6 e dos 54,7% do GLM 5.2.

No SWE-Bench Pro, que avalia a capacidade real de engenharia de software, o Inkling obteve 54,3%, o Kimi K2.6 obteve 58,6% e o GLM 5.2 atingiu 62,1%;

A diferença no Terminal Bench 2.1 é mais evidente: o Inkling atinge apenas 63,8%, enquanto o Kimi K2.6 e o GLM 5.2 alcançam respectivamente 71,3% e 82,7%.

Claro, o Inkling também tem suas próprias forças. Ele se destaca em design de aplicações web, compreensão de áudio e avaliação de segurança, e também supera o Kimi e o DeepSeek em algumas tarefas matemáticas.

Do ponto de vista do raciocínio integrado, programação e capacidades de agentes, atualmente é difícil classificá-lo entre os principais modelos abertos.

O desempenho não chegou à liderança, e o preço também não trouxe surpresas.

Na plataforma Tinker, a versão de 64K do Inkling cobra US$ 1,87 por 1 milhão de tokens de prefill e US$ 4,68 por 1 milhão de tokens de sample. O primeiro pode ser compreendido grosseiramente como custo de entrada, enquanto o segundo se aproxima do custo de geração, e isso já é um “preço com 50% de desconto por tempo limitado”. Os preços da versão de 256K são maiores, chegando a US$ 3,74 e US$ 9,36, respectivamente.

Para comparação, a API oficial do Kimi K2.6 cobra US$ 0,95 por 1 milhão de tokens de entrada e US$ 4 por 1 milhão de tokens de saída, enquanto o GLM5.2 cobra US$ 1,40 e US$ 4,40, respectivamente.

Tinker oferece simultaneamente serviços de treinamento e amostragem, com um critério de cobrança diferente do API de modelos comuns. No entanto, comparando aproximadamente os preços acima, o preço de pré-preenchimento do Inkling é cerca de duas vezes o do Kimi K2.6, e o preço de geração também é superior ao do Kimi K2.6 e GLM5.2, não apresentando ainda vantagem de preço.

Assim, o primeiro modelo da Thinking Machines apresenta uma situação algo sutil: a arquitetura se baseia no DeepSeek, o pós-treinamento aproveita o Kimi, e o desempenho geral não supera os principais modelos abertos da China, mas o preço de chamada é mais caro.

A escolha de Murati

Dado o histórico de Murati e da Thinking Machines, essa escolha torna-se ainda mais intrigante.

Se o Inkling viesse de uma startup de IA comum, inspirada no DeepSeek e treinada com o Kimi, talvez não fosse tão intrigante. Mas justamente ele vem da Thinking Machines—uma empresa que pode quase ser chamada de “alumni network da OpenAI”.

Em fevereiro de 2025, quando a Thinking Machines foi lançada oficialmente, a equipe tinha cerca de 30 pessoas, das quais aproximadamente dois terços vinham da OpenAI, e os demais membros eram principalmente da Meta e da Mistral.

A equipe fundadora incluiu originalmente John Schulman, cofundador da OpenAI, Barret Zoph, ex-vice-presidente de pesquisa da OpenAI, e pesquisadores como Lilian Weng, Andrew Tulloch e Luke Metz.

Essas pessoas participaram anteriormente de pesquisas em aprendizado por reforço, pós-treinamento, pré-treinamento, segurança e inferência da OpenAI. A Reuters chegou a afirmar na época que Murati havia recrutado pelo menos 20 pesquisadores de sua antiga empresa.

Murati, standing among this group of OpenAI alumni, is undoubtedly the most special one.

Ela se juntou à OpenAI em 2018, participando de produtos como DALL-E, Codex, ChatGPT e Sora, e foi promovida a Chief Technology Officer em 2022, responsável por coordenar pesquisa, treinamento de modelos, segurança e implementação de produtos.

Em novembro de 2023, após o conselho da OpenAI demitir abruptamente Sam Altman, Murti também atuou brevemente como diretora executiva interina. Seu papel era mais próximo ao de diretora geral de tecnologia e produtos, com compreensão completa do processo de desenvolvimento dos modelos da OpenAI e de sua trajetória de produto.

Em outras palavras, a Thinking Machines nunca teve falta de experiência com a OpenAI desde sua fundação.

Murati e sua equipe sabem como um dos principais laboratórios proprietários desenvolve modelos e presenciaram de perto a transformação do ChatGPT de uma pesquisa em um produto global. Quando esse grupo deixou a OpenAI e construiu sua própria arquitetura tecnológica do zero, o público naturalmente esperava que eles seguissem um caminho marcado pela OpenAI.

Como resultado, a fonte técnica mais clara do Inkling aponta para a China. Isso pode facilmente ser interpretado como um sinal dramático — o grupo que melhor conhece a OpenAI, após deixá-la, acabou escolhendo o blueprint técnico dos modelos chineses.

No entanto, essa conclusão ainda precisa ser analisada em detalhes.

Nos últimos anos, todos os modelos de ponta da OpenAI adotaram uma abordagem de código fechado; a comunidade externa não tem acesso aos pesos dos modelos, nem conhece a arquitetura completa, os dados de treinamento ou as estratégias de pós-treinamento. Mesmo que Murati esteja familiarizada com a tecnologia interna da OpenAI, não pode transferir diretamente segredos comerciais da antiga empresa para a nova. Já o DeepSeek e o Kimi divulgaram os pesos ou relatórios técnicos, permitindo que a arquitetura, os métodos de treinamento e a cadeia de ferramentas sejam legalmente estudados e reutilizados.

Inkling é, por sua vez, um modelo de pesos abertos. Para uma empresa que deseja construir um ecossistema de modelos abertos, adotar soluções maduras de modelos abertos como DeepSeek e Kimi é uma escolha de engenharia natural.

Hoje desenvolver um modelo aberto, evitando completamente os resultados já divulgados pela equipe chinesa, resultará em custos de teste e erro mais altos.

Portanto, o fato de o Inkling se inspirar no modelo chinês não prova diretamente que Murati acredita que a tecnologia da DeepSeek é globalmente superior à da OpenAI. Os níveis de transparência das duas partes são diferentes, assim como as condições disponíveis para inspiração.

Mas isso ainda transmite um sinal claro: pelo menos no campo de modelos de pesos abertos, os modelos chineses já se tornaram um importante ponto de referência para as equipes de IA dos EUA.

Portanto, não é difícil explicar a adoção do modelo chinês. A verdadeira questão que precisa ser respondida é: por que, ao absorver arquiteturas e experiências de treinamento prontas, a Thinking Machines acabou produzindo um Inkling com desempenho mais fraco e preço mais alto?

Murati possui uma equipe de ponta, financiamento suficiente e os mais recentes sistemas de treinamento da NVIDIA. Ela não tem razão para não perceber a diferença de desempenho e preço entre o Inkling e os modelos chineses.

Nesse caso, "caro" provavelmente foi uma escolha calculada.

“Bom o suficiente”, basta

De acordo com o tratamento recebido pela Thinking Machines, o Inkling não deveria ser apenas um modelo “suficiente”.

Em julho de 2025, antes de lançar qualquer produto, a empresa concluiu um financiamento semente de US$ 2 bilhões, com uma avaliação de US$ 12 bilhões, com investidores como Andreessen Horowitz, NVIDIA, AMD e Jane Street. Quatro meses depois, surgiram relatos de novas negociações de financiamento para a Thinking Machines, com uma meta de avaliação de até US$ 50 bilhões; embora a transação não tenha sido oficialmente concluída, o mercado já a considera uma potencial concorrente da OpenAI e da Anthropic.

Portanto, quando a Inkling apresentou um produto com desempenho inferior aos modelos chineses e ainda mais caro, foi inevitável que parecesse abaixo do esperado.

Do ponto de vista comercial, Murati provavelmente nunca pretendeu usá-lo para competir pelo primeiro lugar nos testes de referência.

A Thinking Machines enfatiza pesos abertos, capacidades multimodais e personalizabilidade, esperando que as empresas finetune o Tinker para transformar o Inkling em modelos especializados, como atendentes ao cliente, assistentes de programação e agentes industriais. Murati aposta em um mercado que não se concentra tanto no primeiro lugar em avaliações de referência. As empresas valorizam mais se o modelo pode ser implantado de forma privada, se pode controlar os dados e se pode continuar sendo treinado conforme suas próprias operações.

Anteriormente, grande parte dessa demanda foi atendida por modelos abertos da China.

A OpenAI e a Anthropic dos EUA mantiveram-se historicamente fechadas, e após o Llama 4 da Meta não atingir as expectativas, também vem reduzindo sua abertura. Ao mesmo tempo, DeepSeek, Kimi, Qwen e GLM continuam a liberar seus pesos, com desempenho cada vez mais próximo dos modelos fechados dos EUA, mas a preços muito mais baixos.

As empresas dos EUA logo votaram com os pés.

De acordo com dados fornecidos pela OpenRouter à CNBC, desde fevereiro de 2026, os modelos chineses representaram mais de 30% semanalmente dos tokens invocados por empresas americanas por meio dessa plataforma, chegando a um pico de 46%. A média semestral no primeiro semestre de 2025 era de apenas 4,5%.

O Cursor testou vários modelos básicos ao desenvolver o Composer 2 e escolheu finalmente o Kimi K2.5, pois seu desempenho nos testes foi o mais forte. O Bridgewater Associates, por sua vez, finetuneou o Qwen da Alibaba com o Tinker, resultando em um modelo personalizado que superou alguns dos principais modelos fechados com custo mais baixo.

Os modelos abertos da China tornaram-se um atalho para as empresas americanas reduzirem os custos de IA. No entanto, esse caminho está sob pressão.

Ao mesmo tempo, o ambiente regulatório dos Estados Unidos em relação aos modelos de IA chineses está se tornando mais rigoroso. Autoridades relevantes já emitiram alertas sobre segurança de dados, origem dos modelos e riscos na cadeia de suprimentos, e algumas empresas que utilizam modelos chineses também estão sendo investigadas. Mesmo sem ainda haver restrições unificadas, a incerteza política já é suficiente para influenciar as decisões das empresas, especialmente aquelas envolvidas em negócios governamentais e dados sensíveis.

Este é exatamente o espaço de mercado do Inkling.

É um modelo de pesos abertos desenvolvido por uma empresa americana, licenciado sob Apache 2.0, com suporte para implantação privada e personalização. Empresas americanas escolhem-no para evitar controvérsias políticas associadas ao uso de modelos chineses e para facilitar a aprovação em auditorias de conformidade de clientes governamentais e grandes empresas.

O verdadeiro valor do Inkling vem dessa certeza regulatória.

Murati claramente viu essa lacuna em formação.

A Thinking Machines absorve os resultados públicos do DeepSeek e do Kimi e os transforma em um modelo fornecido por uma empresa americana. A Inkling não precisa superar os modelos chineses em todos os testes de referência; basta ser uma opção aceitável para empresas americanas que não ousam mais usar modelos chineses.

Isso também explica por que ele pode ser mais caro. A política reduziu o escopo da concorrência para o Inkling, tornando as diferenças em desempenho e preço menos críticas. Para algumas empresas americanas, um modelo ligeiramente mais fraco, um pouco mais caro, mas com menor risco, já é suficiente.

Do ponto de vista deste argumento, o Inkling prova melhor que Murati entende de negócios.

No entanto, o custo para o funcionamento deste negócio pode ser suportado por empresas americanas.

Empresas fora dos Estados Unidos ainda podem livremente escolher GLM, Kimi e DeepSeek para desenvolver produtos em modelos base mais potentes e mais baratos; já as empresas americanas podem ser forçadas a adotar alternativas locais com desempenho ligeiramente inferior e preço mais alto. A lacuna de capacidade nos modelos base continuará se transmitindo aos produtos após o ajuste fino, resultando finalmente em uma desvantagem competitiva estrutural.

Washington originalmente pretendia usar restrições para proteger as empresas americanas de IA, mas acabou possivelmente criando um mercado para “alternativas caras” como a Inkling. Para Murati, “razoável” já é suficiente. Para a indústria americana de IA, esse “suficiente” significa aumento de custos e redução de competitividade.