Eski OpenAI CTO’su Mira Murati tarafından kurulan girişim Thinking Machines Lab, 975 milyar parametreli açık ağırlıklı (open-weights) modeli Inkling‘i yayınladı. Verimlilik ve ajan tabanlı görevler için geliştirilen model, genel performansta Çin’in en iyi açık kaynaklı modellerinin gerisinde kalıyor.
Thinking Machines Lab, üretime hazır ilk dil modelini kullanıma sundu. Inkling, toplam 975 milyar parametreye ve herhangi bir anda aktif olan 41 milyar parametreye sahip bir Uzman Karışımı (Mixture-of-Experts) Transformer modelidir. Bu, ChatGPT’nin geliştirilmesinde kilit rol oynayan eski OpenAI CTO’su Mira Murati tarafından kurulan girişimin ilk modelidir.
İş Modeli Olarak İnce Ayar (Fine-tuning)
Birçok açık kaynaklı yapay zeka modelinin aksine Inkling; metin, görsel ve ses verilerini yerel olarak işleyebiliyor ve 1 milyon token’a kadar bağlam penceresini destekliyor. Model ağırlıkları Hugging Face üzerinde ücretsiz olarak sunuluyor. Thinking Machines ayrıca, yapay zeka modellerini belirli görevlere uyarlama platformu olan Tinker aracılığıyla da erişim imkânı sağlıyor.
Şirket, Inkling’i özelleştirme için esnek bir temel model olarak konumlandırıyor. Açıklamada, “Inkling günümüzün en güçlü genel modeli değil” ifadesine yer veriliyor. Thinking Machines, çok modlu destek, verimli işleme ve ince ayar (fine-tuning) seçeneklerinin bileşiminin modeli öne çıkaracağını öngörüyor.
Thinking Machines, Inkling’i kamuya açık ve sentetik metin, görsel, ses kaydı ve videolardan oluşan 45 trilyon token ile ön eğitime tabi tuttuğunu belirtiyor. Eğitim veri seti ayrıca “fikri mülkiyet korumasına tabi olabilecek” kamuya açık verileri de içeriyor. Şirket, sentetik veriler üretmek için diğer yöntemlerin yanı sıra Çinli yapay zeka modeli Kimi K2.5‘i kullandı. Kimi K2.5, Cursor‘ın kodlama modeline de temel oluşturmuştu. Daha fazla teknik ayrıntı, modelin teknik dokümantasyonunda mevcut.
Inkling ABD’nin Açık Modellerinde Lider ancak Çin’in Gerisinde
Yapay zeka kıyaslama platformu Artificial Analysis‘e göre Inkling, Artificial Analysis Intelligence Index’de 41 puanlık bir skorla çıkış yapıyor. Bu durum, onu bir ABD laboratuvarından çıkan lider açık ağırlıklı model haline getiriyor. Model, 38 puanlı önceki lider Nemotron 3 Ultra‘nın 3 puan üzerinde, 29 puanlı Gemma 4 31B ve 24 puanlı gpt-oss-120b‘nin ise oldukça önünde yer alıyor.
Bilgi odaklı iş görevlerini simüle eden ajan tabanlı bir kıyaslama testi olan GDPval-AA v2‘de Inkling, 1.238 Elo derecesine ulaşıyor. 1.190 puanlı Kimi K2.6‘yı ve 1.189 puanlı DeepSeek v4 Flash max‘ı geride bırakıyor. Inkling ayrıca Tau-3 bankacılık testinde %24 skor elde ederek, %21 alan Kimi K2.6‘nın ve %23 alan DeepSeek v4 Flash max‘ın önünde yer alıyor.
Inkling, olgusal doğruluk konusunda oldukça düşük bir performans sergiliyor. Artificial Analysis, modele AA Omniscience kıyaslama testinde yalnızca +2 puan veriyor. Bu sonuç, modeli lider açık ağırlıklı modellerin altına yerleştirse de -1 puanlı Nemotron 3 Ultra gibi diğer ABD modellerinin üstünde tutuyor. Inkling’in doğruluk oranı %40 iken, halüsinasyon oranı %63 seviyesinde. Sonuçların, modelin yüksek düzeyde doğru bilgi gerektiren uygulamalardaki kullanımını sınırlandırması muhtemel.
64K bağlam penceresinde Inkling, milyon girdi token’ı başına 1,87 dolar ve milyon çıktı token’ı başına 4,68 dolar olarak fiyatlandırılıyor. Bu fiyat, metin ve kod görevlerinde benzer veya daha iyi performans sunan GLM-5.2 ve DeepSeek v4 gibi açık kaynaklı Çin modellerinden biraz daha yüksek. 256.000 token’a kadar olan bağlam pencerelerinde fiyatlandırma; girdi için 3,74 dolar, önbelleğe alınmış girdi için 0,748 dolar ve çıktı için 9,36 dolar seviyesine çıkıyor.
Ancak Inkling, karşılaştırılabilir açık ağırlıklı modellere göre daha az çıktı token’ı kullanıyor. Artificial Analysis’e göre model, Intelligence Index görevlerinde görev başına ortalama 25.000 çıktı token’ı harcıyor. Aynı görevlerde GLM-5.2 max 43.000, Kimi K2.6 yaklaşık 38.000 ve DeepSeek v4 Pro max yaklaşık 37.000 token tüketiyor.
Thinking Machines, Inkling’in sürekli ayarlanabilen bir “akıl yürütme yoğunluğu” sunduğunu söylüyor. Kullanıcılar, maliyet ve performans arasında tercih ettikleri dengeyi seçerek, aynı sonuç kalitesini korurken token kullanımını azaltabiliyor.
Inkling-Small Bazı Kıyaslama Testlerinde Büyük Modeli Geride Bırakıyor
Thinking Machines ayrıca, toplam 276 milyar parametreye ve 12 milyar aktif parametreye sahip daha kompakt bir model olan Inkling-Small‘un ön gösterimini yapıyor. Küçük model, birkaç kıyaslama testinde Inkling ile benzer veya ondan daha iyi sonuçlar sunuyor.
Inkling-Small, GPQA Diamond testinde %88,3 puan alırken, Inkling %87,2 puanda kalıyor. Araç destekli HLE kıyaslama testinde ise %46,6 puan alarak %46,0 puan alan Inkling‘in biraz önüne geçiyor. Şirket, bu sonuçları ön eğitim verilerindeki ve eğitim sürecindeki değişikliklere bağlıyor ve testler tamamlandıktan sonra tüm ağırlıkları yayınlamayı planlıyor.
Kaynak: https://the-decoder.com/ex-openai-cto-muratis-thinking-machines-drops-inkling-a-975b-parameter-model-that-leads-us-labs-but-trails-china/
