Mira Murati deixou a OpenAI em setembro de 2024 para seguir seu próprio caminho. Quase dois anos depois, essa exploração foi lançada. A Thinking Machines Lab, empresa que ela fundou, lançou o Inkling – um modelo de IA multimodal treinado inteiramente do zero, com cada peso disponível para download gratuito.

Quando o conselho da OpenAI demitiu Sam Altman em novembro de 2023, Murati – então CTO – foi nomeada CEO interina. Altman foi reintegrado cinco dias depois, Murati retornou ao cargo de CTO, e então saiu de vez cerca de 10 meses depois. Ela fundou a Thinking Machines Lab em fevereiro de 2025.

A empresa então ficou em silêncio – e rica. Levantou US$ 2 bilhões com uma avaliação de US$ 12 bilhões em julho de 2025, liderada pela Andreessen Horowitz com Nvidia, Accel, ServiceNow, Cisco, AMD e Jane Street, entre outros – uma das maiores rodadas seed na história do Vale do Silício na época.

Relatórios em novembro de 2025 indicavam que a empresa buscava uma nova rodada com uma avaliação de US$ 50 bilhões. Essas negociações colapsaram em janeiro de 2026.

O que é o Inkling

Inkling é um modelo Mixture-of-Experts – uma arquitetura onde apenas uma parte da rede é ativada para cada entrada, mantendo a inferência rápida sem sacrificar a profundidade. É um modelo muito grande: possui 975 bilhões de parâmetros totais (as configurações internas que definem como o modelo processa informações), com 41 bilhões ativos por tarefa, então esqueça de executá-lo em sua máquina local.

Sendo multimodal, este modelo aceita texto, imagens e áudio, e suporta uma janela de contexto – a quantidade de texto que o modelo pode processar de uma só vez – de 1 milhão de tokens, aproximadamente 750.000 palavras. Ele foi pré-treinado em 45 trilhões de tokens abrangendo texto, imagens, áudio e vídeo.

"Nosso primeiro modelo, Inkling. Treinado do zero, pesos abertos, ajustável (fine-tunable) no Tinker hoje", escreveu Murati no X. O fato de ter sido treinado do zero significa muito, especialmente na comunidade de código aberto, pois pode trazer um sopro de ar fresco para desenvolvedores ocidentais que desconfiam da China, mas precisam usar modelos asiáticos para seus desenvolvimentos porque as principais empresas de IA no mundo ocidental estão focadas principalmente em lançar modelos de código fechado.

O ajuste fino (fine-tuning) é o processo de retreinar um modelo existente em um conjunto de dados especializado para melhorar seu desempenho em uma tarefa específica. Tinker é a plataforma em nuvem da Thinking Machines construída para esse caso de uso. Os pesos completos também estão no Hugging Face sob uma licença Apache 2.0, sem restrições.

As vitórias mais claras do Inkling ocorrem em tarefas agentivas. No MCP Atlas – que mede a confiabilidade com que um agente de IA completa tarefas do mundo real usando o Model Context Protocol, o padrão aberto para conectar assistentes de IA a ferramentas e serviços externos, pontuado como porcentagem de tarefas concluídas – o Inkling atinge 74,1%. Isso é quase 30 pontos acima do Nemotron 3 Ultra da Nvidia, o principal rival ocidental de pesos abertos na comparação.

No SWE-Bench Verified – um teste para saber se um agente de IA consegue corrigir autonomamente bugs de software reais do GitHub, pontuado como porcentagem de problemas resolvidos – o Inkling atinge 77,6%, também acima dos 70,7% do Nemotron.

No geral, a Thinking Machines está vendendo este modelo como “bem-arredondado” e generalista. Isso significa que ele não compromete a qualidade em um conjunto específico de tarefas porque suas capacidades se concentram em outra coisa (como modelos que são ótimos em codificação, mas ruins na escrita criativa, por exemplo).

Os modelos chineses ainda têm vantagem em várias frentes. O GLM 5.2 da Z.ai atinge 82,7% no Terminal Bench 2.1 – um benchmark que mede agentes de codificação de IA autônomos em um ambiente de terminal real, pontuado como porcentagem de tarefas concluídas – contra 63,8% do Inkling. O Kimi K2.6 lidera no Humanity's Last Exam, um teste de raciocínio científico em nível de doutorado.

A Thinking Machines reconhece isso. O Inkling não é o modelo mais forte disponível hoje, aberto ou fechado.

O que ele é, é o modelo de pesos abertos mais capaz construído por um laboratório ocidental. Desenvolvedores que – por razões legais, de segurança ou conformidade – não querem direcionar cargas de trabalho por meio de modelos construídos em Pequim agora têm uma alternativa real à auto-hospedagem de modelos chineses.

Agora, esses desenvolvedores têm um modelo que (embora pior que os melhores modelos chineses em quase tudo) se alinha melhor com seus ideais, expectativas e valores. Ajustes finos subsequentes podem fazer com que este modelo se destaque em tarefas específicas, tornando esses ajustes finos competitivos em benchmarks contra modelos asiáticos.

No FORTRESS Adversarial – que testa a consistência com que um modelo recusa prompts genuinamente prejudiciais sem bloquear excessivamente os legítimos, pontuado como porcentagem corretamente tratada – o Inkling atinge 78,0%, a maior pontuação entre todos os modelos de pesos abertos na comparação.

Junto com o Inkling, a Thinking Machines apresentou o Inkling-Small: 276 bilhões de parâmetros totais, 12 bilhões ativos, já igualando o modelo maior na maioria dos benchmarks de raciocínio. Seus pesos chegam assim que os testes forem concluídos, sem um cronograma fornecido.