Засновник OpenAI, колишній головний технічний офіцер Мураті, запустила Thinking Machines з першою моделлю Inkling, яка використовує гібридну архітектуру експертів і має 975 мільярдів параметрів, в основному побудовану на основі архітектури DeepSeek-V3, а після навчання використовувала дані Kimi K2.5. Однак у ряді стандартних тестів продуктивність Inkling поступається Kimi та GLM, тоді як ціна за виклик вища — від 1,87 до 4,68 долара за мільйон токенів, що майже вдвічі більше, ніж у Kimi. Thinking Machines отримала фінансування на 2 мільярди доларів і оцінюється в 12 мільярдів доларів. Мураті не прагне конкурувати з найсильнішими китайськими моделями, а звертає увагу на ринок відповідності у США, що виник через невизначеність регуляторної політики — локальну відкриту модель з прийнятною продуктивністю, підтримкою кастомізації та нижчим регуляторним ризиком.

Автор статті, джерело: Letter AI

Бувший головний технічний офіцер OpenAI Мураті створила «дорогу альтернативу» китайській моделі.

Перша модель, Inkling, випущена Thinking Machines, використовує архітектуру змішаних експертів, що в основному базується на DeepSeek-V3, а для початкового навчання після попереднього навчання використовувалися дані, згенеровані відкритими моделями, такими як Kimi K2.5. Однак у ряді стандартних тестів Inkling поступається Kimi та GLM, при цьому ціна за виклик вища.

Для зіркової компанії, яка зібрала 2 мільярди доларів США у фінансуванні, має оцінку 12 мільярдів доларів США та в команді якої працює багато колишніх співробітників OpenAI, цей результат трохи нижчий за очікування.

Але Мулаті, можливо, спочатку й не планував конкурувати за перше місце з Inkling. Зі зростанням невизначеності для американських компаній, що використовують китайську модель, власний відкритий модуль із прийнятною продуктивністю, підтримкою налаштувань і нижчим ризиком відповідності вже має власний ринок. «Дорогий аналог» не такий потужний, але йому не потрібно хвилюватися про «ринок».

Це перша модель Мулаті?

15 липня за місцевим часом Thinking Machines Lab представила свою першу модель Inkling після заснування.

За конфігурацією ця модель дуже відповідає рівню, який очікується від знаменитої AI-лабораторії.

Inkling використовує гібридну архітектуру експертів з загальною кількістю параметрів 975 мільярдів, активуючи 41 мільярд параметрів на кожен токен; для попереднього навчання використано 45 трильйонів токенів, що охоплюють текст, зображення, аудіо та відео, з підтримкою контексту до 1 мільйона токенів. Вона може розуміти текст, зображення та аудіо, а потім виводити результат у текстовій формі, а також підтримує налаштування «інтенсивності мислення» для компромісу між продуктивністю, швидкістю та витратами.

Inkling одночасно відкрила ваги моделі за досить ліберальною ліцензією Apache 2.0. Розробники можуть завантажити ваги та розгорнути їх самостійно або доналаштувати модель через платформу Tinker, що належить Thinking Machines.

Компанія чітко визначила свою позицію: замість прямого конкуренту з ChatGPT серед звичайних користувачів, Inkling краще підходить як основа для розробки корпоративних додатків на основі ШІ.

Однак найбільш захоплива частина Inkling схована в другій частині технічного звіту.

Thinking Machines під час опису архітектури моделі прямо зазначив, що гібридна архітектура експертів Inkling «в основному базується на DeepSeek-V3». Вона також використовує велику кількість експертних модулів, при цьому кожен токен активує лише невелику їх частину, а також застосовує такі дизайни, як балансування навантаження без допоміжних втрат, як у DeepSeek-V3.

Вплив китайських моделей на Inkling поширюється також на етап навчання.

Thinking Machines зазначає, що для запуску після навчання компанія провела один цикл наглядової донастройки за допомогою синтетичних даних, згенерованих моделями з відкритими вагами, зокрема згадуючи Kimi K2.5 від Moonshot.

Технічний шлях уже достатньо ясний: американська лабораторія, заснована колишнім головним технічним офіцером OpenAI, перший модуль якої використовує архітектуру DeepSeek, а потім завершує навчання за допомогою даних, згенерованих Kimi.

Використання відкритих моделей само по собі не має нічого поганого. DeepSeek і Kimi публікують свої ваги та дозволяють розробникам їх використовувати, оскільки наукові дослідження та інженерна розробка завжди базувалися на накопиченні публічних досягнень. Ще більш соромно те, що після того, як Inkling використав технології китайських моделей, їх продуктивність все ще не перевершила цих «вчителів».

Thinking Machines також не приховує цього. У своєму публікаційному дописі компанія прямо визнає: «Inkling не є найпотужнішою моделлю на даний момент, ні серед відкритих, ні серед закритих моделей».

З результатів, опублікованих Thinking Machines,

У чистому текстовому тесті «Останній іспит людства» Inkling набрав 29,7%, Kimi K2.6 та GLM 5.2 досягли 35,9% і 40,1% відповідно;

Після додавання інструменту Inkling піднявся до 46%, але все ще нижче, ніж у Kimi K2.6 — 54% і GLM 5.2 — 54,7%.

У SWE-Bench Pro, який оцінює реальні навички програмування, Inkling набрав 54,3%, Kimi K2.6 — 58,6%, а GLM 5.2 досяг 62,1%;

На Terminal Bench 2.1 різниця ще більш помітна: Inkling має лише 63,8%, а Kimi K2.6 та GLM 5.2 досягли 71,3% і 82,7% відповідно.

Звичайно, Inkling також має свої сильні сторони. Він добре впорається з проектуванням веб-додатків, розумінням аудіо та оцінкою безпеки, а також може перевершити Kimi та DeepSeek у деяких математичних завданнях.

З точки зору загального міркування, програмування та здатності агентів, наразі його важко віднести до першого ешелону відкритих моделей.

Продуктивність не вийшла на перше місце, ціна також не принесла сюрпризів.

На платформі Tinker за 64K версію Inkling стягується 1,87 долара США за кожні 1 мільйон Prefill Token і 4,68 долара США за кожні 1 мільйон Sample Token. Перше можна умовно розуміти як вартість введення, а друге — як вартість генерації, і це вже «обмежена за часом знижка 50%». Ціни для версії 256K вищі — відповідно 3,74 долара США та 9,36 долара США.

Для порівняння, офіційний API Kimi K2.6 стягує 0,95 долара США за 1 мільйон вхідних токенів і 4 долари США за 1 мільйон вихідних токенів, а GLM5.2 — 1,4 долара США та 4,4 долара США відповідно.

Tinker надає послуги навчання та зразків, і система оплати не зовсім збігається зі звичайними API моделей. Однак, за наведеними цінами, ціна попереднього заповнення Inkling майже вдвічі вища, ніж у Kimi K2.6, а ціна генерації також вища, ніж у Kimi K2.6 та GLM5.2, і наразі не виявляє переваг за ціною.

Отже, перша модель Thinking Machines створила дещо складну ситуацію: архітектура заснована на DeepSeek, післятренування використовує Kimi, а загальна продуктивність не перевищує китайські лідируючі відкриті моделі, а ціна за виклик навіть вища.

Вибір Мулаті

Ураховуючи історію Мулаті та Thinking Machines, такий вибір стає ще цікавішим.

Якби Inkling походив з звичайної AI-стартап-компанії, яка використовує досвід DeepSeek і навчається за допомогою Kimi, він, можливо, не був би таким цікавим. Але він походить з Thinking Machines — компанії, яку можна назвати майже «алюмні OpenAI».

У лютому 2025 року, коли Thinking Machines офіційно представили, у команді було лише близько 30 осіб, приблизно дві третини з яких походили з OpenAI, а решта — переважно з Meta та Mistral.

Засновники включали співзасновника OpenAI Джона Шульмана, колишнього віце-президента з досліджень OpenAI Баррета Цофа, а також дослідників Ліліан Венг, Ендрю Таллок і Люка Метца.

Ці люди брали участь у дослідженнях з підсиленого навчання, післятренування, попереднього навчання, безпеки та висновків у OpenAI. Тоді Reuters навіть прямо зазначив, що Мураті запропонувала принаймні 20 дослідників зі своєї попередньої роботи.

Мулаті, яка стоїть серед цієї групи випускників OpenAI, звичайно, найбільш виняткова.

Вона приєдналася до OpenAI у 2018 році, брала участь у розробці таких продуктів, як DALL-E, Codex, ChatGPT і Sora, а в 2022 році була призначена на посаду головного технічного офіцера, відповідаючи за координацію досліджень, навчання моделей, безпеки та впровадження продуктів.

У листопаді 2023 року, після раптового звільнення Сама Альтмана ради директорів OpenAI, Мураті тимчасово обіймала посаду тимчасового генерального директора. Її роль була ближчою до голови з технологій та продуктів, і вона має повне розуміння процесів розробки моделей OpenAI та їхньої шляхів комерціалізації.

Іншими словами, Thinking Machines з самого початку не мала недостатку досвіду роботи з OpenAI.

Мулаті та її команда знають, як провідна лабораторія з закритим кодом розробляє моделі, а також стали свідками того, як ChatGPT перетворився з наукового дослідження на глобальний продукт. Коли ця група залишила OpenAI і почала будувати свою власну технологічну систему з нуля, зовнішній світ природньо очікував, що вони створять шлях із відбитком OpenAI.

В результаті найбільш очевидним технічним джерелом Inkling виявився Китай. Це легко можна сприйняти як драматичний сигнал — група людей, які найкраще розуміли OpenAI, після того як залишили OpenAI, в кінцевому підсумку обрали технічну схему китайських моделей.

Проте цей висновок потрібно розглянути детальніше.

Останні передові моделі OpenAI протягом останніх років були розроблені за закритою моделлю: зовнішній світ не має доступу до ваг моделей, а також не має повної інформації про архітектуру, навчальні дані та післянавчальні методи. Навіть якщо Мураті добре знайома з внутрішніми технологіями OpenAI, вона не може безпосередньо перенести комерційні таємниці своєї попередньої компанії до нової. DeepSeek та Kimi опублікували ваги або технічні звіти, тому архітектуру, методи навчання та інструментальні ланцюги можна законно досліджувати та використовувати.

Inkling також є моделлю з відкритими вагами. Для компанії, яка бажає побудувати екосистему відкритих моделей, використання зрілих рішень від таких відкритих моделей, як DeepSeek та Kimi, є логічним інженерним вибором.

Сьогодні розробка відкритої моделі, яка повністю уникне результатів, вже опублікованих китайською командою, призведе до більших витрат на спроби та помилки.

Тому, що Inkling посилається на китайську модель, це не може прямо доводити, що Мулаті вважає технології DeepSeek повністю лідируючими порівняно з OpenAI. Рівень прозорості з обох сторін різний, а умови для перебирання також абсолютно відрізняються.

Але це все ще відправляє чіткий сигнал: принаймні в сфері відкритих ваг, китайські моделі стали важливим еталоном для американських AI-команд.

Тому пояснити, чому використання китайської моделі не є складним. Справжнє питання, яке потрібно відповісти: чому Thinking Machines, засновані на готових архітектурах і досвіді навчання, в кінцевому підсумку створили Inkling з гіршою продуктивністю та вищою ціною?

Мулаті має найкращу команду, достатні кошти та найновіші системи навчання від NVIDIA. У неї немає причин не бачити різниці в продуктивності та ціні між Inkling та китайськими моделями.

Якщо так, то «дорогий замінник» ймовірно є обчисленим вибором.

«Звичайно», достатньо

Згідно з тим, як отримав обробку Thinking Machines, Inkling не мав бути просто «достатньо хорошим» моделлю.

У липні 2025 року, ще не запустивши жодного продукту, компанія зібрала 2 мільярди доларів США у серії seed-фінансування з оцінкою в 12 мільярдів доларів США; інвесторами стали Andreessen Horowitz, NVIDIA, AMD та Jane Street. Через чотири місяці з’явилися повідомлення про новий раунд фінансування Thinking Machines з цільовою оцінкою до 50 мільярдів доларів США; хоча угоду офіційно не підтверджено, зовнішнє середовище вже вважає її потенційним суперником OpenAI та Anthropic.

Тому, коли Inkling представила продукт, який поступається за продуктивністю китайським моделям і коштує дорожче, це викликало відчуття розчарування.

З бізнесової точки зору Мулаті, можливо, спочатку не мала наміру використовувати його для боротьби за перше місце у базових тестах.

Компанія Thinking Machines зробила акцент на відкритих вагах, багатомодальних можливостях та налаштовуваності, сподіваючись, що підприємства використають Tinker для доналаштування Inkling, перетворюючи його на спеціалізовані моделі для служби підтримки, програмістських асистентів, індустріальних агентів тощо. Мураті робить ставку на ринок, де не так важливо посідати перше місце у базових тестах. Підприємства більше цікавляться тим, чи можна розгорнути модель приватно, чи можна контролювати дані та чи можна продовжувати навчання моделі згідно з власним бізнес-процесом.

Раніше велика частина такого попиту була задоволена китайськими відкритими моделями.

США-OpenAI та Anthropic довгий час дотримувалися закритого коду, а після того, як Llama 4 від Meta не виправдала очікувань, вона також поступово скорочує свою відкриту стратегію. Натомість DeepSeek, Kimi, Qwen та GLM продовжують відкривати ваги, їх продуктивність все ближче наближається до американських закритих моделей, а ціни значно нижчі.

Американські компанії швидко проголосували ногами.

За даними, наданими OpenRouter CNBC, з лютого 2026 року китайські моделі щотижня становили більше 30% усіх токенів, викликаних американськими компаніями через цю платформу, досягаючи максимуму у 46%. Середній відсоток за першу половину 2025 року становив лише 4,5%.

Під час розробки Composer 2 Cursor протестував кілька базових моделей і в кінцевому підсумку вибрав Kimi K2.5, оскільки вона показала найкращі результати в оцінках. Bridgewater використав Tinker для доналаштування Qwen від Alibaba, і отримана кастомна модель перевершила деякі найкращі закриті моделі за нижчою вартістю.

Китайські відкриті моделі стали шляхом для американських компаній знижувати витрати на ШІ. Проте цей шлях зараз під тиском.

Тим часом атмосфера регулювання китайських AI-моделей у США стає жорсткішою. Відповідні органи вже видали попередження щодо безпеки даних, походження моделей та ризиків ланцюжка постачання, а деякі компанії, що використовують китайські моделі, піддалися перевіркам. Навіть якщо ще не встановлено єдиних обмежень, політична невизначеність уже достатня, щоб впливати на вибір компаній, зокрема тих, що працюють з урядовими замовленнями та чутливими даними.

Це саме ринкова простора для Inkling.

Це відкрита модель з відкритими вагами, розроблена американською компанією за ліцензією Apache 2.0, яка підтримує приватне розгортання та кастомізацію. Американські підприємства обирають її, щоб уникнути політичних суперечок, пов’язаних із використанням китайських моделей, а також для легшого проходження перевірок на відповідність вимогами державних клієнтів та великих компаній.

Справжня цінність Inkling полягає в цій відповідності та визначеності.

Мулаті очевидно помітив цю ще формуючуся прогалину.

Thinking Machines використовує публічні досягнення DeepSeek і Kimi, а потім перетворює їх у модель, надану американською компанією. Inkling не повинна перемагати китайські моделі у всіх тестах, їй достатньо стати прийнятним вибором для американських компаній, які не хочуть продовжувати використання китайських моделей.

Це також пояснює, чому він може дозволити собі бути дорожчим. Політика Inkling звузила діапазон конкуренції, тому різниця в продуктивності та ціні не є настільки критичною. Для деяких американських компаній достатньо моделі, яка трохи слабша і дорожча, але з нижчим ризиком.

З цієї точки зору Inkling краще підтверджує, що Мураті розуміє бізнес.

Проте ціна за цей бізнес може бути сплачена американськими компаніями.

Компанії за межами США все ще можуть вільно вибирати GLM, Kimi та DeepSeek для розробки продуктів на потужніших і дешевших базових моделях; американські компанії можуть бути змушені використовувати локальні альтернативи з трохи нижчою продуктивністю та вищою ціною. Розрив у здатностях базових моделей продовжуватиме передаватися на налаштовані продукти, що в кінцевому підсумку призведе до структурного конкурентного недоліку.

Спочатку Вашингтон сподівався за допомогою обмежень захистити американські компанії зі штучним інтелектом, але в результаті може створити ринок для таких «дорогих замінників», як Inkling. Для Мураті «загалом нормально» — це достатньо. Для американської галузі штучного інтелекту ця «достатність» означає зростання витрат і зниження конкурентоспроможності.