Mira Murati dejó OpenAI en septiembre de 2024 para emprender su propio camino. Casi dos años después, esa exploración dio frutos. Thinking Machines Lab, la compañía que fundó, lanzó Inkling, un modelo de IA multimodal entrenado completamente desde cero, con todos sus pesos disponibles para descarga gratuita.

Cuando la junta directiva de OpenAI despidió a Sam Altman en noviembre de 2023, Murati —entonces CTO— fue nombrada CEO interina. Altman fue restituido cinco días después, Murati regresó a su puesto de CTO y luego se fue definitivamente unos 10 meses más tarde. Fundó Thinking Machines Lab en febrero de 2025.

La compañía luego guardó silencio —y se hizo rica. Recaudó $2 mil millones con una valoración de $12 mil millones en julio de 2025, liderada por Andreessen Horowitz junto a Nvidia, Accel, ServiceNow, Cisco, AMD y Jane Street, siendo una de las mayores rondas de financiación inicial en la historia de Silicon Valley en ese momento.

Informes de noviembre de 2025 indicaban que la compañía buscaba una nueva ronda con una valoración de $50 mil millones. Esas conversaciones fracasaron en enero de 2026.

Qué es Inkling

Inkling es un modelo de mezcla de expertos, una arquitectura donde solo una porción de la red se activa para cualquier entrada dada, manteniendo la inferencia rápida sin sacrificar profundidad. Es un modelo muy grande: tiene 975 mil millones de parámetros totales (la configuración interna que define cómo el modelo procesa la información), con 41 mil millones activos por tarea, así que olvídese de ejecutarlo en su máquina local.

Al ser multimodal, este modelo acepta texto, imágenes y audio, y soporta una ventana de contexto —la cantidad de texto sobre la que el modelo puede razonar a la vez— de 1 millón de tokens, aproximadamente 750,000 palabras. Fue preentrenado con 45 billones de tokens que abarcan texto, imágenes, audio y video.

"Nuestro primer modelo, Inkling. Entrenado desde cero, los pesos son abiertos, ajustable en Tinker hoy", escribió Murati en X. El hecho de que esté entrenado desde cero significa mucho, especialmente en la comunidad de código abierto, ya que podría traer un soplo de aire fresco a los desarrolladores occidentales que desconfían de China pero necesitan usar modelos asiáticos para sus desarrollos porque las principales empresas de IA del mundo occidental se centran principalmente en lanzar modelos de código cerrado.

El ajuste fino es el proceso de reentrenar un modelo existente con un conjunto de datos especializado para mejorar su rendimiento en una tarea específica. Tinker es la plataforma en la nube de Thinking Machines construida en torno a ese caso de uso. Los pesos completos también están en Hugging Face bajo una licencia Apache 2.0, sin restricciones.

Las victorias más claras de Inkling se dan en tareas agénticas. En MCP Atlas —que mide la fiabilidad con la que un agente de IA completa tareas del mundo real utilizando el Protocolo de Contexto del Modelo, el estándar abierto para conectar asistentes de IA a herramientas y servicios, puntuado como porcentaje de tareas completadas— Inkling registra un 74.1%. Esto es casi 30 puntos por encima del Nemotron 3 Ultra de Nvidia, el principal rival occidental de pesos abiertos en la comparación.

En SWE-Bench Verified —una prueba sobre si un agente de IA puede corregir de forma autónoma errores de software reales en GitHub, puntuado como un porcentaje de problemas resueltos— Inkling obtiene un 77.6%, también por encima del 70.7% de Nemotron.

En general, Thinking Machines vende este modelo como “versátil” y generalista. Esto significa que no compromete la calidad en un conjunto específico de tareas porque sus capacidades se centran en otra cosa (como modelos que son excelentes en codificación pero malos en escritura creativa, por ejemplo).

Los modelos chinos todavía tienen ventaja en varios frentes. El GLM 5.2 de Z.ai obtiene un 82.7% en Terminal Bench 2.1 —un benchmark que mide agentes de codificación de IA autónomos en un entorno de terminal real, puntuado como porcentaje de tareas completadas— frente al 63.8% de Inkling. Kimi K2.6 lidera en Humanity's Last Exam, una prueba de razonamiento científico a nivel de doctorado.

Thinking Machines reconoce esto. Inkling no es el modelo más potente disponible hoy en día, ya sea abierto o cerrado.

Lo que sí es, es el modelo de pesos abiertos más capaz construido por un laboratorio occidental. Los desarrolladores que —por razones legales, de seguridad o de cumplimiento— no quieran enrutar cargas de trabajo a través de modelos construidos en Beijing, ahora tienen una alternativa real al autoalojamiento de modelos chinos.

Ahora, estos desarrolladores tienen un modelo que (aunque es inferior a los mejores modelos chinos en casi todo) se alinea mejor con sus ideales, expectativas y valores. Los ajustes finos posteriores pueden hacer que este modelo sobresalga en tareas específicas, haciendo que esos ajustes finos sean competitivos en los benchmarks frente a los modelos asiáticos.

En FORTRESS Adversarial —que evalúa la consistencia con la que un modelo rechaza peticiones genuinamente dañinas sin bloquear excesivamente las legítimas, puntuado como porcentaje manejado correctamente— Inkling obtiene un 78.0%, la calificación más alta entre todos los modelos de pesos abiertos en la comparación.

Junto a Inkling, Thinking Machines presentó Inkling-Small: 276 mil millones de parámetros totales, 12 mil millones activos, que ya iguala al modelo más grande en la mayoría de los benchmarks de razonamiento. Sus pesos estarán disponibles una vez que se complete la fase de pruebas, sin que se haya proporcionado un plazo.