Thinking Machines Lab, perusahaan rintisan asal San Francisco yang didirikan mantan CTO OpenAI Mira Murati, memperkenalkan Inkling sebagai model AI generatif pertama mereka. Model ini hadir sebagai opsi open-weight yang dikembangkan di Amerika Serikat di tengah dominasi pengembang China pada kategori serupa.
Inkling dibangun dengan arsitektur mixture-of-experts yang memiliki 975 miliar parameter total, namun hanya 41 miliar parameter aktif saat pemrosesan. Model ini mendukung jendela konteks hingga 1 juta token dan dilatih menggunakan 45 triliun token yang mencakup teks, citra, audio, serta video. Pelatihan tambahan difokuskan pada kemampuan coding, penggunaan alat, dan tugas multimodal.
Peluncuran Inkling mengikuti rilis Tinker pada Oktober 2025, yaitu platform berbasis API yang memungkinkan penyesuaian model AI. Melalui Tinker, pengembang dapat melakukan fine-tuning Inkling dengan panjang konteks 64.000 atau 256.000 token.
Dalam evaluasi benchmark, Inkling mencatatkan skor 77,6 persen pada SWE-Bench Verified, berada di bawah DeepSeek V4 Pro dan GLM 5.2 namun di atas Nvidia Nemotron 3 Ultra. Model ini juga menunjukkan performa kompetitif pada MCP Atlas, BrowseComp, dan IFBench. Fitur reasoning-effort yang dapat diatur antara 0,2 hingga 0,99 memungkinkan pengguna menyeimbangkan kualitas hasil dengan jumlah token yang dihasilkan.
Dari perspektif enterprise, ketersediaan bobot penuh Inkling memberikan fleksibilitas bagi organisasi yang membutuhkan penyesuaian mendalam terhadap data, kebijakan, dan proses internal mereka. Kemampuan multimodal yang terintegrasi membuka peluang penerapan pada layanan pelanggan berbasis citra dan dokumen, serta otomatisasi alur kerja yang kompleks.
Selain itu, asal-usul model yang berasal dari Amerika Serikat berpotensi memudahkan adopsi di kalangan perusahaan Barat yang menghadapi hambatan regulasi atau pengadaan terkait model buatan China. Organisasi dapat menjalankan Inkling pada infrastruktur sendiri tanpa bergantung pada penyedia asing.
Namun, kebutuhan infrastruktur GPU yang signifikan—minimal 2 TB VRAM agregat untuk checkpoint BF16—menjadi pertimbangan penting. Versi terkuantisasi NVFP4 menurunkan kebutuhan menjadi 600 GB, sehingga lebih terjangkau bagi sebagian organisasi. Inkling-Small yang sedang diuji coba juga diharapkan dapat menawarkan keseimbangan performa dan biaya operasional yang lebih baik.
Dari sisi tata kelola, Inkling dilatih untuk ketahanan terhadap sensor dan kepatuhan instruksi. Skor 98,6 persen pada StrongREJECT menunjukkan kemampuannya menolak permintaan berbahaya yang jelas. Perusahaan tetap disarankan melakukan pengujian ulang setelah fine-tuning karena modifikasi dapat memengaruhi filter keamanan bawaan.
Dengan integrasi ke berbagai platform inferensi seperti vLLM dan Hugging Face Transformers serta ketersediaan melalui API Together AI dan Fireworks, Inkling memperluas pilihan bagi pengembang yang mencari model open-weight dengan kendali penuh di tingkat enterprise.
