TITLE

Thinking Machines Lab、初のオープンウェイトモデル「Inkling」を発表——AIを「借りる」から「鍛える」へ

投稿日：2026.07.16

Thinking Machines Lab、初のオープンウェイトモデル「Inkling」を発表——AIを「借りる」から「鍛える」へ

2026年7月15日、元 OpenAI CTO の Mira Murati 氏が率いる Thinking Machines Lab が、同社初のオープンウェイト AI モデル「Inkling」を発表しました。フルウェイトを公開し、企業が自社データでファインチューニングして使うことを前提にした設計です。同社は Inkling を「最強のフロンティアモデル」ではないと明言したうえで、カスタマイズ性を主な訴求点に据えています。多くの AI 企業が性能競争でしのぎを削るなか、あえて「鍛えられること」を売りにした製品ポジショニングです。

Inkling の仕様——MoE で975B、コンテキスト最大1M

Inkling は、975B の総パラメータ・41B のアクティブパラメータを持つ MoE(Mixture-of-Experts)構成の transformer モデルです。軽量プレビュー版の Inkling-Small は 276B 総パラメータ・12B アクティブという構成で、用途や計算資源に応じて選べるようになっています。

コンテキストウィンドウは最大 1M トークン。事前学習には 45 兆トークンを投じており、テキストだけでなく画像・音声・動画を含むマルチモーダルデータをネイティブに扱える設計です。Thinking Machines Lab 公式は、思考にかける労力を利用者側で調整できる「調整可能な思考労力(controllable thinking effort)」を特徴として挙げ、安全性と認識論的特性(モデルが自身の知識の限界をどう扱うか)に焦点を置いていると説明しています。

ベンチマーク(effort=0.99 設定時)は、HLE with tools 46.0%・AIME 2026 97.1%・SWEBench Verified 77.6%・MMMU Pro 73.5% と公式発表されています。フルウェイトは Hugging Face で公開されており、同社のファインチューニング/カスタマイズ基盤「Tinker」経由での提供に加え、Together AI や Fireworks といった複数の推論プラットフォームでも利用できます。

「鍛えられること」を選んだ理由

TechCrunch・Axios・Fortune の報道によれば、Thinking Machines Lab は Inkling を発表するにあたり、これが「最強のフロンティアモデル」ではないと自ら明言しています。そのうえで訴求点に据えたのが、企業が自社データ・自社用途に合わせてファインチューニングし、カスタマイズできる点です。

この設計は Tinker という同社のファインチューニング基盤とセットになっています。フルウェイトが公開されているからこそ、企業は Inkling を自社の環境に持ち込み、自社のデータで調整した「自社専用モデル」に育てることができます。少数の巨大プロバイダが提供するクローズドなフロンティアモデルをそのまま「借りて」使うのではなく、企業自身がモデルを「鍛える」という選択肢を提示する——これが今回の発表が示す業界内の対抗軸です。

Thinking Machines Lab は 2025年2月設立で、創業者は Mira Murati 氏(元 OpenAI CTO)・John Schulman 氏・Lilian Weng 氏です。

クローズドなフロンティアモデルを「借りる」とオープンウェイト×Tinkerで「鍛える」の対比図

借りるから鍛えるへ——企業の AI 内製化に何をもたらすか

上の図が示す対比が、今回の発表の核心です。企業が「クローズドなフロンティアモデルを API 経由で借りる」以外の道として、Llama や DeepSeek をはじめとするオープンウェイトモデルを自社データで調整する選択肢はこれまでも存在していました。ただし、そうしたオープンウェイトモデルの多くは、GPT や Claude などのクローズドなフロンティアモデルを追いかける立場のプレイヤーから生まれたものです。

Inkling が示す意外性はそこにあります。Thinking Machines Lab は「最強のフロンティアモデル」を目指すのではなく、最初から「企業が鍛えられること」を主軸にモデルを設計しました。フルウェイトが公開されている以上、企業は Inkling を自社のデータで調整し、「自社専用モデル」に育てることができます。Thinking Machines Lab 自身が Inkling を最強のフロンティアモデルではないと位置づけていることからも、勝負の軸を汎用性能でなくカスタマイズ性に置いていることが読み取れます。

私たちは、この対比構造そのものが AI 内製化を検討する企業にとっての判断材料になると考えています。なかでも投資が先に報われやすいのは、自社の専門領域の判断や独自ノウハウが絡む業務——つまり、汎用モデルのままでは差がつきにくく、自社データで鍛えて初めて競争優位に変わる業務を抱える企業です。逆に、定型的な処理や汎用性の高いタスクが中心であれば、フロンティアモデルを借りて使う道を維持するほうが理にかなっています。

まとめ

Thinking Machines Lab の Inkling は、性能競争の最前線に立つモデルとしてではなく、企業が自社データで鍛えて使うための土台として設計されています。975B 総パラメータの MoE 構成、最大 1M トークンのコンテキスト、フルウェイト公開、そして Tinker というファインチューニング基盤——これらの仕様はすべて「カスタマイズ性」という一つの訴求点に向かって組み立てられています。

AI を「借りる」時代から「鍛える」時代へ。この転換がどこまで広がるかはまだ分かりませんが、自社データで鍛える道を検討するなら、まず Hugging Face で公開されている Inkling のフルウェイトと、Tinker のドキュメントを確認するところから始まります。