میرا موراتی در سپتامبر ۲۰۲۴ OpenAI را ترک کرد تا کار خود را شروع کند. تقریباً دو سال بعد، نتیجه آن کاوش به ثمر نشست. Thinking Machines Lab، شرکتی که او تأسیس کرد، Inkling را منتشر کرد—یک مدل هوش مصنوعی چندوجهی که کاملاً از ابتدا آموزش دیده و تمام وزن‌های آن برای دانلود رایگان در دسترس است.

هنگامی که هیئت مدیره OpenAI در نوامبر ۲۰۲۳ سم آلتمن را اخراج کرد، موراتی—که در آن زمان مدیر ارشد فناوری (CTO) بود—به عنوان مدیر عامل موقت (interim CEO) معرفی شد. آلتمن پنج روز بعد دوباره به کار خود بازگشت، موراتی به سمت CTO برگشت، و سپس حدود ۱۰ ماه بعد برای همیشه از آنجا رفت. او در فوریه ۲۰۲۵ شرکت Thinking Machines Lab را تأسیس کرد.

سپس شرکت سکوت کرد—و ثروتمند شد. این شرکت در ژوئیه ۲۰۲۵، ۲ میلیارد دلار با ارزش‌گذاری ۱۲ میلیارد دلار جذب سرمایه کرد که رهبری آن را Andreessen Horowitz با همکاری انویدیا، Accel، ServiceNow، Cisco، AMD و Jane Street بر عهده داشتند—یکی از بزرگترین دورهای اولیه سرمایه‌گذاری (seed rounds) در تاریخ سیلیکون ولی در آن زمان.

گزارش‌ها در نوامبر ۲۰۲۵ حاکی از آن بود که این شرکت به دنبال یک دور جدید سرمایه‌گذاری با ارزش‌گذاری ۵۰ میلیارد دلار است. این مذاکرات تا ژانویه ۲۰۲۶ به شکست انجامید.

اینکلینگ چیست

اینکلینگ یک مدل ترکیب متخصصان (mixture-of-experts) است—معماری‌ای که در آن تنها بخشی از شبکه برای هر ورودی فعال می‌شود، که باعث می‌شود استنتاج سریع بماند بدون اینکه عمق فدا شود. این یک مدل بسیار بزرگ است: دارای ۹۷۵ میلیارد پارامتر کلی (تنظیمات داخلی که نحوه پردازش اطلاعات توسط مدل را تعریف می‌کنند)، با ۴۱ میلیارد پارامتر فعال برای هر وظیفه، بنابراین اجرای آن روی دستگاه محلی خود را فراموش کنید.

این مدل چندوجهی بوده و متن، تصاویر و صدا را می‌پذیرد و از یک پنجره متنی (context window)—میزان متنی که مدل می‌تواند به طور همزمان روی آن استدلال کند—به میزان ۱ میلیون توکن، تقریباً ۷۵۰,۰۰۰ کلمه پشتیبانی می‌کند. این مدل بر روی ۴۵ تریلیون توکن شامل متن، تصاویر، صدا و ویدئو از پیش آموزش داده شده است.

موراتی در X نوشت: "اولین مدل ما، Inkling. از ابتدا آموزش دیده، وزن‌های آن آزاد است و امروز در Tinker قابل تنظیم دقیق (fine-tunable) است." این واقعیت که از ابتدا آموزش دیده، اهمیت زیادی دارد، به خصوص در جامعه متن‌باز، زیرا می‌تواند نفس تازه‌ای برای توسعه‌دهندگان غربی به ارمغان آورد که نسبت به چین محتاط هستند اما نیاز به استفاده از مدل‌های آسیایی برای توسعه‌های خود دارند، زیرا شرکت‌های برتر هوش مصنوعی در جهان غرب عمدتاً بر عرضه مدل‌های کدبسته (close-source) تمرکز دارند.

تنظیم دقیق (Fine-tuning) فرآیند بازآموزی یک مدل موجود بر روی یک مجموعه داده تخصصی برای بهبود عملکرد آن در یک وظیفه خاص است. Tinker پلتفرم ابری Thinking Machines است که حول این مورد استفاده ساخته شده است. وزن‌های کامل این مدل نیز بدون محدودیت، تحت مجوز Apache 2.0 در Hugging Face قرار دارد.

بارزترین برتری‌های اینکلینگ در وظایف عامل‌گونه (agentic tasks) مشاهده می‌شود. در MCP Atlas—که میزان قابلیت اعتماد یک عامل هوش مصنوعی را در انجام وظایف دنیای واقعی با استفاده از پروتکل زمینه مدل (Model Context Protocol)، استاندارد باز برای اتصال دستیارهای هوش مصنوعی به ابزارها و خدمات خارجی، که به صورت درصد وظایف تکمیل‌شده امتیازدهی می‌شود—اینکلینگ ۷۴.۱% را کسب کرد. این تقریباً ۳۰ امتیاز بالاتر از Nemotron 3 Ultra انویدیا، رقیب اصلی غربی با وزن‌های آزاد در این مقایسه است.

در SWE-Bench Verified—تستی برای سنجش اینکه آیا یک عامل هوش مصنوعی می‌تواند به طور مستقل باگ‌های نرم‌افزاری واقعی GitHub را رفع کند، که به صورت درصد مشکلات حل‌شده امتیازدهی می‌شود—اینکلینگ ۷۷.۶% امتیاز گرفت که این نیز بالاتر از ۷۰.۷% نموترون است.

در مجموع، Thinking Machines این مدل را به عنوان یک مدل "جامع" و "عمومی" به بازار عرضه می‌کند. این بدان معناست که کیفیت آن در یک مجموعه وظایف خاص به دلیل تمرکز توانایی‌هایش بر چیز دیگری (مانند مدل‌هایی که در کدنویسی عالی هستند اما در نوشتن خلاقانه ضعیف‌اند) به خطر نمی‌افتد.

مدل‌های چینی همچنان در چندین جبهه برتری دارند. GLM 5.2 از Z.ai در Terminal Bench 2.1—معیاری برای اندازه‌گیری عوامل کدنویسی مستقل هوش مصنوعی در یک محیط ترمینال واقعی، که به صورت درصد وظایف تکمیل‌شده امتیازدهی می‌شود—نمره ۸۲.۷% را کسب کرد، در حالی که اینکلینگ ۶۳.۸% گرفت. Kimi K2.6 نیز در Humanity's Last Exam، تستی برای سنجش استدلال علمی در سطح دکترا، پیشتاز است.

Thinking Machines این را تأیید می‌کند. اینکلینگ قوی‌ترین مدل موجود در حال حاضر، چه باز و چه بسته، نیست.

آنچه این مدل هست، قدرتمندترین مدل با وزن‌های آزاد (open-weights) است که توسط یک آزمایشگاه غربی ساخته شده است. توسعه‌دهندگانی که—به دلایل قانونی، امنیتی یا انطباق—نمی‌خواهند بارهای کاری را از طریق مدل‌های ساخته شده در پکن هدایت کنند، اکنون یک جایگزین واقعی برای میزبانی خودکار مدل‌های چینی دارند.

اکنون، این توسعه‌دهندگان مدلی دارند که (اگرچه در تقریباً همه چیز از بهترین مدل‌های چینی ضعیف‌تر است) با ایده‌آل‌ها، انتظارات و ارزش‌های آنها همسوئی بهتری دارد. تنظیمات دقیق بعدی می‌توانند این مدل را در وظایف خاصی به برتری برسانند و آن تنظیمات دقیق را در بنچمارک‌ها در برابر مدل‌های آسیایی رقابتی کنند.

در FORTRESS Adversarial—که سنجش می‌کند یک مدل تا چه حد به طور مداوم از درخواست‌های واقعاً مضر بدون مسدود کردن بیش از حد درخواست‌های مشروع جلوگیری می‌کند، و به صورت درصد صحیح مدیریت‌شده امتیازدهی می‌شود—اینکلینگ ۷۸.۰% امتیاز گرفت که بالاترین نمره در بین تمام مدل‌های با وزن‌های آزاد در این مقایسه است.

در کنار Inkling، شرکت Thinking Machines پیش‌نمایشی از Inkling-Small را نیز ارائه داد: ۲۷۶ میلیارد پارامتر کلی، ۱۲ میلیارد پارامتر فعال، که در حال حاضر در بیشتر بنچمارک‌های استدلال با مدل بزرگتر برابری می‌کند. وزن‌های آن پس از اتمام آزمایش‌ها منتشر خواهد شد، اما زمان‌بندی مشخصی اعلام نشده است.