Основанная бывшим главным техническим директором OpenAI Мулати, компания Thinking Machines выпустила свою первую модель Inkling, использующую архитектуру смешанных экспертов с 975 миллиардами параметров, в основном основанную на архитектуре DeepSeek-V3, а послеобучение проводилось с использованием данных Kimi K2.5. Однако по результатам нескольких стандартных тестов производительность Inkling уступает Kimi и GLM, при этом стоимость вызова выше — от 1,87 до 4,68 долларов за 1 миллион токенов, что примерно в два раза дороже Kimi. Thinking Machines привлекла финансирование в размере 2 миллиардов долларов США при оценке в 12 миллиардов долларов. Мулати не стремится конкурировать с лучшими китайскими моделями, а сосредоточилась на рынке соответствия требованиям в США, возникшем из-за неопределенности регулирования — на локальной открытой модели с приемлемой производительностью, поддержкой кастомизации и более низким риском несоответствия требованиям.Автор статьи, источник: Letter AI
Бывший главный технологический директор OpenAI Муради создала «дорогую альтернативу» китайской модели.
Первая модель Thinking Machines, Inkling, использует архитектуру смешанных экспертов, в основном основанную на DeepSeek-V3, а для пост-обучения с нуля также применялись данные, сгенерированные открытыми моделями, такими как Kimi K2.5. Однако по результатам нескольких стандартных тестов Inkling отстает от Kimi и GLM, при этом стоимость вызова выше.
Для звездной компании, привлекшей финансирование в 2 миллиарда долларов США и оцененной в 12 миллиардов долларов США, с командой, в которой собрано множество бывших сотрудников OpenAI, этот результат несколько ниже ожиданий.
Но, возможно, Мулади изначально и не собирался конкурировать за первое место с Inkling. По мере того как американские компании сталкиваются с все большей неопределенностью при использовании китайской модели, локальная открытая модель с приемлемой производительностью, поддержкой настройки и меньшими рисками соответствия уже имеет свой рынок. «Дорогой заменитель» не так силен, но и не испытывает проблем с «рынком».
Это первая модель Мулати?
15 июля по местному времени Thinking Machines Lab выпустила свою первую модель — Inkling.
С точки зрения конфигурации, эта модель полностью соответствует ожиданиям от лаборатории ИИ, связанной со звездой.
Inkling использует гибридную архитектуру экспертов с общим количеством параметров 975 миллиардов, при обработке каждого токена активируется 41 миллиард параметров; для предварительного обучения использовались 45 триллионов токенов, охватывающих текст, изображения, аудио и видео, с поддержкой контекста до 1 миллиона токенов. Он способен понимать текст, изображения и аудио, а затем выводить результаты в текстовой форме, а также поддерживает настройку «интенсивности мышления» для балансировки между производительностью, скоростью и стоимостью.
Inkling одновременно открыла веса модели под довольно либеральной лицензией Apache 2.0. Разработчики могут загрузить веса, развернуть их самостоятельно или дообучить модель через платформу Tinker, принадлежащую Thinking Machines.
Компания четко определила свою позицию: вместо прямой конкуренции с ChatGPT за обычных пользователей, Inkling лучше подходит в качестве основы для разработки корпоративных приложений ИИ.
Однако самая интересная часть Inkling скрыта во второй половине технического отчета.
Thinking Machines при описании архитектуры модели прямо указал, что гибридная архитектура экспертов Inkling «в основном основана на DeepSeek-V3». Она также включает большое количество экспертов, при этом каждый токен использует лишь небольшую их часть, а также применяет такие элементы, как балансировка нагрузки без вспомогательных потерь, как в DeepSeek-V3.
Влияние китайской модели на Inkling также распространилось на этап обучения.
Thinking Machines заявила, что для запуска пост-обучения компания провела один цикл надзираемого тонкой настройки с использованием синтетических данных, сгенерированных моделями с открытыми весами, в которых прямо упоминается Kimi K2.5 от Moonshot.
Технический путь полностью ясен: американская лаборатория, основанная бывшим главным технологическим директором OpenAI, первая модель которой использует архитектуру DeepSeek и завершает начальное обучение с помощью данных, сгенерированных Kimi.
Использование открытых моделей само по себе не является проблемой. DeepSeek и Kimi публикуют свои веса и разрешают разработчикам их использовать, поскольку научные исследования и инженерная разработка изначально строятся на накоплении открытых результатов. Более неловко то, что Inkling, даже после заимствования технологий китайских моделей, все еще не смог превзойти этих «учителей».
Thinking Machines также не скрывает этого. В своем пресс-релизе компания прямо признает: «Inkling не является самой мощной моделью на данный момент, будь то открытая или закрытая модель».
Из результатов, опубликованных Thinking Machines,
В чисто текстовом тесте «Последний экзамен человечества» Inkling набрал 29,7%, Kimi K2.6 и GLM 5.2 достигли 35,9% и 40,1% соответственно;
После добавления инструмента Inkling вырос до 46%, но все еще ниже, чем у Kimi K2.6 — 54% и GLM 5.2 — 54,7%.
В SWE-Bench Pro, оценивающем реальные навыки программной инженерии, Inkling набрал 54,3%, Kimi K2.6 — 58,6%, GLM 5.2 достиг 62,1%;
На Terminal Bench 2.1 разница более заметна: Inkling составляет лишь 63,8%, а Kimi K2.6 и GLM 5.2 достигли 71,3% и 82,7% соответственно.
Конечно, Inkling также имеет свои сильные стороны. Он хорошо справляется с проектированием веб-приложений, пониманием аудио и оценкой безопасности, а в некоторых математических задачах превосходит Kimi и DeepSeek.
Только с точки зрения комплексных рассуждений, программирования и возможностей агентов, он пока трудно может быть отнесен к первому эшелону открытых моделей.
Производительность не вышла на первое место, цена также не принесла сюрпризов.
На платформе Tinker за каждые 1 миллион Prefill Token взимается 1,87 доллара США за версию 64K, а за каждые 1 миллион Sample Token — 4,68 доллара США. Первое можно приблизительно понимать как стоимость ввода, второе — как стоимость генерации, причем это уже «специальная цена со скидкой 50%». Цена версии 256K выше и составляет соответственно 3,74 доллара США и 9,36 доллара США.
Для сравнения, официальный API Kimi K2.6 взимает 0,95 доллара США за 1 миллион входных токенов и 4 доллара США за 1 миллион выходных токенов, а GLM5.2 — 1,4 доллара США и 4,4 доллара США соответственно.
Tinker предоставляет как услуги обучения, так и генерации, и его система ценообразования не полностью совпадает с обычными API моделей. Однако при примерном сравнении по указанным ценам предварительная заполнение Inkling примерно вдвое дороже, чем у Kimi K2.6, а стоимость генерации также выше, чем у Kimi K2.6 и GLM5.2, и на данный момент не демонстрирует ценового преимущества.
Таким образом, первая модель Thinking Machines оказалась в несколько тонкой ситуации: архитектура основана на DeepSeek, пост-обучение опирается на Kimi, общая производительность не превосходит ведущие китайские открытые модели, а стоимость вызова выше.
Выбор Мулати
Учитывая背景 Мулати и Thinking Machines, такой выбор становится еще более интересным.
Если бы Inkling происходил из обычной AI-стартап-компании, вдохновляясь DeepSeek и обучаясь на Kimi, он, возможно, не был бы таким интригующим. Но он происходит от Thinking Machines — компании, которую можно назвать почти «альма-матер OpenAI».
В феврале 2025 года, когда Thinking Machines официально представили себя, в команде было около 30 человек, примерно две трети из которых пришли из OpenAI, а остальные — в основном из Meta и Mistral.
Изначально в состав основателей входили сооснователь OpenAI Джон Шульман, бывший вице-президент по исследованиям OpenAI Баррет Зоф, а также исследователи Лилиан Венг, Эндрю Таллок и Люк Метц.
Эти люди участвовали в исследованиях по усилению обучения, пост-обучению, предварительному обучению, безопасности и выводу в OpenAI. В то время Reuters даже прямо заявлял, что Мурати привлекла как минимум 20 исследователей из ее предыдущего места работы.
Находящаяся среди этой группы выпускников OpenAI, Муради, безусловно, самая особенная.
Она присоединилась к OpenAI в 2018 году и участвовала в разработке таких продуктов, как DALL-E, Codex, ChatGPT и Sora; в 2022 году была назначена главным техническим директором, отвечающим за координацию исследований, обучения моделей, безопасности и вывода продуктов на рынок.
В ноябре 2023 года после внезапного увольнения Сама Альтмана советом директоров OpenAI Мурати также временно исполняла обязанности генерального директора. Ее роль была ближе к роли общего руководителя технологий и продуктов, и она полностью осведомлена о процессах разработки моделей OpenAI и их пути коммерциализации.
Другими словами, Thinking Machines с момента основания не испытывала нехватки опыта работы с OpenAI.
Мулади и её команда знают, как ведущая закрытая лаборатория разрабатывает модели, и сами прошли путь от научных исследований до превращения ChatGPT в глобальный продукт. Когда эта группа покинула OpenAI и начала создавать свою собственную технологическую систему с нуля, внешний мир естественно ожидает, что они представят маршрут, отмечающий след OpenAI.
В результате наиболее явные технические источники Inkling указывают на Китай. Это легко можно интерпретировать как драматический сигнал — группа людей, лучше всего знающих OpenAI, покинув OpenAI, в конечном итоге выбрала техническую архитектуру китайских моделей.
Однако этот вывод необходимо рассмотреть подробнее.
Все передовые модели OpenAI за последние годы были разработаны по закрытой модели: внешние лица не имеют доступа к весам модели, а также не знают полной архитектуры, обучающих данных и методов пост-обучения. Даже если Мулати хорошо знакома с внутренними технологиями OpenAI, она не может напрямую перенести коммерческие секреты своей бывшей компании в новую. DeepSeek и Kimi, напротив, опубликовали свои веса или технические отчеты, поэтому архитектура, методы обучения и инструментальные цепочки могут быть законно изучены и использованы повторно.
Inkling сама по себе является моделью с открытыми весами. Для компании, стремящейся создать экосистему открытых моделей, использование зрелых решений от таких открытых моделей, как DeepSeek и Kimi, является логичным инженерным выбором.
Сегодня разработка открытой модели, полностью избегающей результатов, уже опубликованных китайской командой, потребует более высоких затрат на пробные ошибки.
Таким образом, заимствование Inkling китайской модели не может напрямую доказать, что Мулати считает технологию DeepSeek полностью превосходящей OpenAI. Уровень открытости сторон и условия для заимствования полностью различны.
Но это событие все еще отправляет четкий сигнал: по крайней мере в области открытых весов, китайские модели стали важной точкой отсчета для американских ИИ-команд.
Таким образом, несложно объяснить, почему заимствование китайской модели. Настоящий вопрос, на который нужно ответить: почему Inkling, созданный Thinking Machines на основе готовых архитектур и опыта обучения, оказался менее эффективным и более дорогим?
Мулади обладает лучшей командой, достаточным финансированием и новейшими системами обучения от NVIDIA. У нее нет причин не замечать разницу в производительности и цене между Inkling и китайскими моделями.
В таком случае, «дорогой заменитель», скорее всего, был осознанным выбором.
«Ничего особенного» — этого достаточно
С учетом того, как обходились с Thinking Machines, Inkling изначально не должен был быть просто «достаточно хорошей» моделью.
В июле 2025 года, прежде чем компания запустила какие-либо продукты, она завершила семя-финансирование на 2 миллиарда долларов США с оценкой в 12 миллиардов долларов США; инвесторами стали Andreessen Horowitz, NVIDIA, AMD и Jane Street. Через четыре месяца появились слухи о новом раунде финансирования Thinking Machines с целевой оценкой до 50 миллиардов долларов США; хотя сделка в итоге не была официально объявлена, внешняя среда уже рассматривает ее как потенциального конкурента OpenAI и Anthropic.
Поэтому, когда Inkling представила продукт, производительность которого уступает китайским моделям, а цена выше, это не оправдало ожиданий.
С коммерческой точки зрения, Мулати, возможно, изначально не планировал использовать его для борьбы за первое место в базовых тестах.
Компания Thinking Machines делает акцент на открытых весах, мультимодальных возможностях и настраиваемости, надеясь, что компании будут использовать Tinker для дообучения Inkling и превращать его в специализированные модели, такие как службы поддержки, помощники по программированию и отраслевые агенты. Мурати делает ставку на рынок, где не столь важны первые места в базовых тестах. Компании больше интересуют возможность частного развертывания модели, контроль над данными и возможность продолжать обучение в соответствии со своими бизнес-процессами.
Ранее большая часть такого спроса была удовлетворена китайскими открытыми моделями.
США-OpenAI и Anthropic долгое время придерживались закрытого подхода, а после того, как модель Llama 4 от Meta не оправдала ожиданий, она также постепенно свернула свою открытую стратегию. В то же время DeepSeek, Kimi, Qwen и GLM продолжают открывать свои веса, их производительность все больше приближается к закрытым моделям из США, но при этом цена значительно ниже.
Американские компании вскоре проголосовали ногами.
Согласно данным, предоставленным OpenRouter CNBC, с февраля 2026 года китайские модели еженедельно составляли более 30% от всех токенов, вызываемых американскими компаниями через эту платформу, достигнув максимума в 46%. В первой половине 2025 года средняя доля составляла всего 4,5%.
При разработке Composer 2 Cursor протестировал несколько базовых моделей и в итоге выбрал Kimi K2.5, поскольку она показала наилучшие результаты в тестах. Фонд Bridgewater через тонкую настройку Qwen от Alibaba с помощью Tinker получил настроенную модель, которая превзошла некоторые из лучших закрытых моделей при более низкой стоимости.
Китайские открытые модели стали быстрым способом для американских компаний снизить затраты на ИИ. Однако этот путь сейчас находится под давлением.
В то же время климат регулирования США в отношении китайских ИИ-моделей становится более жестким. Соответствующие ведомства уже предупредили о рисках, связанных с безопасностью данных, источниками моделей и цепочками поставок, а некоторые компании, использующие китайские модели, подверглись проверкам. Даже несмотря на отсутствие единых ограничений, неопределенность в политике уже достаточно влияет на выбор компаний, особенно тех, кто занимается государственными проектами и обработкой чувствительных данных.
Это именно рыночное пространство Inkling.
Это открытая модель с открытыми весами, разработанная американской компанией на основе лицензии Apache 2.0, поддерживающая частное развертывание и настройку. Американские компании выбирают ее, чтобы избежать политических споров, связанных с использованием китайских моделей, и легче проходить проверки на соответствие требованиям со стороны государственных клиентов и крупных компаний.
Настоящая ценность Inkling заключается в этой правовой определенности.
Мулати явно заметил этот формирующийся пробел.
Thinking Machines использует открытые достижения DeepSeek и Kimi, превращая их в модель, предоставляемую американской компанией. Inkling не обязана превосходить китайские модели по всем тестовым оценкам — ей достаточно стать приемлемым выбором для американских компаний, которые не хотят дальше использовать китайские модели.
Это также объясняет, почему он может позволить себе быть дороже. Политика Inkling сузила круг конкурентов, поэтому разница в производительности и цене стала менее критичной. Для некоторых американских компаний модель, которая немного слабее и дороже, но с меньшим риском, уже достаточна.
С этой точки зрения Inkling больше доказывает, что Муради понимает бизнес.
Однако цена, которую нужно заплатить за успешность этого бизнеса, может быть оплачена американскими компаниями.
Компании за пределами США по-прежнему могут свободно выбирать GLM, Kimi и DeepSeek для разработки продуктов на более мощных и более дешевых базовых моделях; американские компании, однако, могут быть вынуждены использовать менее производительные и более дорогие отечественные альтернативы. Разрыв в возможностях базовых моделей будет продолжать передаваться на доработанные продукты, в конечном итоге формируя структурный конкурентный недостаток.
Вашингтон изначально надеялся использовать ограничения для защиты американских ИИ-компаний, но в итоге, возможно, создал рынок для таких «дорогих заменителей», как Inkling. Для Мулати «средненько» — это достаточно. Для американской ИИ-индустрии же этого «достаточно» означает рост затрат и снижение конкурентоспособности.