Thinking Machines Lab publikoi modelin e saj të parë bazë, një sistem multimodal me 975 miliardë parametra, dritare konteksti prej një milion tokenësh dhe pesha të shkarkueshme. Inkling nuk synon ta mposhtë menjëherë ChatGPT-në apo Claude, por të ndryshojë mënyrën se si kompanitë ndërtojnë, personalizojnë dhe kontrollojnë inteligjencën artificiale.
Kompania amerikane Thinking Machines Lab, e themeluar dhe drejtuar nga ish-drejtoresha e teknologjisë e OpenAI-t, Mira Murati, publikoi më 15 korrik 2026 modelin e saj të parë të madh të inteligjencës artificiale, të quajtur Inkling.
Bëhet fjalë për një model multimodal me pesha të hapura, 975 miliardë parametra gjithsej dhe 41 miliardë parametra aktivë gjatë përpunimit. Ai pranon tekst, imazhe dhe audio, mbështet një dritare konteksti deri në një milion tokenë dhe prodhon përgjigje tekstuale, përfshirë kod kompjuterik, të dhëna të strukturuara dhe materiale të formatuara.
Publikimi shënon hyrjen e parë të drejtpërdrejtë të Thinking Machines në tregun e modeleve bazë dhe një përpjekje serioze për t’u ofruar zhvilluesve dhe ndërmarrjeve perëndimore një alternativë ndaj modeleve kineze me pesha të hapura, të cilat kanë fituar terren për shkak të kostos, mundësisë së vetëhostimit dhe përshtatshmërisë së tyre.
Megjithatë, Inkling nuk paraqitet nga vetë kompania si modeli më i fuqishëm në botë. Thinking Machines pranon shprehimisht se ai “nuk është modeli më i fuqishëm në përgjithësi që është sot i disponueshëm, qoftë ndër modelet e hapura apo ato të mbyllura”. Qëllimi është një tjetër: krijimi i një baze të gjerë, të ekuilibruar dhe të personalizueshme, mbi të cilën organizatat mund të ndërtojnë sisteme të përshtatura për njohuritë, proceset dhe nevojat e tyre.
Nga largimi prej OpenAI-t te krijimi i Thinking Machines
Mira Murati u largua nga OpenAI në shtator 2024, pas më shumë se gjashtë vjetësh në kompani, ku kishte mbajtur postin e drejtoreshës së teknologjisë dhe kishte luajtur rol të rëndësishëm në zhvillimin dhe prezantimin e produkteve si ChatGPT dhe DALL-E.
Në nëntor 2023, gjatë krizës së drejtimit në OpenAI, Murati u emërua përkohësisht drejtore ekzekutive, pasi bordi shkarkoi Sam Altmanin. Altman u rikthye në krye të kompanisë pesë ditë më vonë, ndërsa Murati vijoi si drejtoreshë e teknologjisë deri në largimin e saj në shtatorin pasues.
Më 18 shkurt 2025, ajo prezantoi publikisht Thinking Machines Lab në San Francisko. Kompania nisi me rreth 30 studiues dhe inxhinierë nga OpenAI, Meta dhe Mistral, ndërsa afërsisht dy të tretat e ekipit fillestar kishin punuar më parë në OpenAI. Synimi i shpallur ishte ndërtimi i sistemeve të IA-së më të kuptueshme, më të personalizueshme, më të sigurta dhe të zbatueshme në një gamë më të gjerë fushash.
Vetëm pesë muaj pas themelimit, në korrik 2025, Thinking Machines siguroi rreth 2 miliardë dollarë në një raund të udhëhequr nga Andreessen Horowitz, duke arritur një vlerësim prej 12 miliardë dollarësh. Në financim morën pjesë edhe Nvidia, Accel, ServiceNow, Cisco, AMD dhe Jane Street. Ky ishte një nga raundet më të mëdha fillestare të financimit në historinë e Silicon Valley-t për një kompani që në atë kohë ende nuk kishte produkt publik ose të ardhura të deklaruara.
Në nëntor 2025 u raportua se kompania po zhvillonte bisedime të hershme për një raund të ri financimi, me një vlerësim të mundshëm prej rreth 50 miliardë dollarësh, që sipas disa burimeve mund të shkonte deri në 55 ose 60 miliardë. Kushtet nuk ishin përfundimtare dhe kompania nuk i komentoi publikisht. Raportime të mëvonshme thanë se procesi kishte ngecur, por nuk ka konfirmim publik se një raund i tillë është mbyllur apo anuluar përfundimisht. Në mars 2026, Reuters raportonte se Thinking Machines vazhdonte të kërkonte kapital të ri me një vlerësim prej dhjetëra miliardë dollarësh.
Tinker, produkti që parapriu Inkling
Produkti i parë publik i Thinking Machines nuk ishte një chatbot, por Tinker, një platformë për përshtatjen e modeleve me pesha të hapura.
Tinker u prezantua më 1 tetor 2025 si një ndërfaqe API për trajnimin e mëtejshëm të modeleve. Platforma u jep studiuesve dhe zhvilluesve kontroll mbi të dhënat dhe algoritmet e trajnimit, ndërsa Thinking Machines merret me menaxhimin e infrastrukturës së shpërndarë, planifikimin e punëve, ndarjen e burimeve dhe rikuperimin pas problemeve teknike.
Kjo platformë është thelbësore për modelin e biznesit të kompanisë. Në vend që të mbështetet vetëm te tarifimi i çdo kërkese të dërguar te Inkling, Thinking Machines synon të fitojë nga shërbimet e trajnimit, përshtatjes dhe vendosjes së modeleve për organizata të ndryshme.
Inkling është i disponueshëm për trajnim të mëtejshëm në Tinker me dritare konteksti prej 64.000 ose 256.000 tokenësh. Peshat e shkarkueshme, ndërkohë, mbështesin deri në një milion tokenë, ndërsa modeli ofrohet edhe përmes kompanive të tjera të infrastrukturës dhe shërbimeve API.
Çfarë është teknikisht Inkling?
Inkling është një transformues autoregresiv multimodal me 66 shtresa dhe arkitekturë të rrallë “Mixture of Experts” – përzierje ekspertësh.
Ai ka 975 miliardë parametra gjithsej, por nuk i përdor të gjithë për çdo token ose kërkesë. Secila pjesë e përmbajtjes drejtohet te gjashtë prej 256 ekspertëve të specializuar, krahas dy ekspertëve të përbashkët që mbeten aktivë vazhdimisht. Në këtë mënyrë aktivizohen rreth 41 miliardë parametra, duke ulur kërkesat llogaritëse krahasuar me një model ku të gjithë parametrat punojnë njëkohësisht.
Modeli pranon:
tekst në format UTF-8;
imazhe të zakonshme digjitale;
audio në format WAV, me mostërzim 16 kHz dhe gjatësi të rekomanduar deri në 20 minuta.
Përgjigjet gjenerohen vetëm në formë teksti. Kjo përfshin tekst të zakonshëm, kod, tabela, struktura të dhënash dhe materiale të formatuara. Videoja është përdorur në trajnimin e modelit, por nuk renditet si hyrje e mbështetur drejtpërdrejt në kartën zyrtare të versionit të publikuar. (Thinking Machines Lab)
Dritarja e kontekstit prej një milion tokenësh i lejon modelit të përpunojë dokumente shumë të gjata, baza të mëdha kodi ose koleksione të shumta materialesh brenda së njëjtës detyrë. Megjithatë, kapaciteti teorik i kontekstit nuk garanton automatikisht të njëjtën saktësi në çdo pjesë të një hyrjeje kaq të gjatë.
Është me pesha të hapura, jo domosdoshmërisht plotësisht me burim të hapur
Disa media e kanë përshkruar Inkling si model “plotësisht me burim të hapur”. Ky formulim është më i gjerë sesa dokumentacioni zyrtar.
Thinking Machines e quan Inkling një model me pesha të hapura. Peshat janë publikuar në Hugging Face nën licencën Apache 2.0 dhe mund të shkarkohen, ekzekutohen, integrohen në produkte dhe përshtaten përmes trajnimit të mëtejshëm.
Megjithatë, publikimi i peshave nuk do të thotë se janë publikuar të gjitha të dhënat origjinale të trajnimit, çdo element i kodit të përdorur, infrastruktura e plotë, procesi i filtrimit ose receta që do t’i mundësonte një pale të tretë ta riprodhonte modelin nga fillimi.
Karta zyrtare thotë se të dhënat janë marrë nga burime publike, palë të treta dhe materiale të krijuara ose të përpunuara në mënyrë sintetike. Ajo përshkruan pastrim, deduplikim dhe filtrim, por nuk jep një listë të plotë të çdo burimi. Prandaj, termi më i saktë gazetaresk dhe teknik është “model me pesha të hapura”.
45 trilionë tokenë dhe trajnim në sistemet e Nvidia-s
Inkling është paratrajnuar me 45 trilionë tokenë që përfshijnë tekst, imazhe, audio dhe video. Thinking Machines thotë se modeli është trajnuar nga fillimi, çka nënkupton se peshat bazë nuk janë marrë nga një model ekzistues dhe më pas vetëm janë modifikuar.
Trajnimi kryesor u krye në sistemet Nvidia GB300 NVL72. Kjo duhet dalluar nga marrëveshja më e gjerë që Thinking Machines arriti me Nvidia-n në mars 2026 për të siguruar të paktën një gigavat kapacitet të gjeneratës së ardhshme Vera Rubin.
Sistemet Vera Rubin pritet të vendosen duke filluar nga viti 2027 dhe do të përdoren për modelet e ardhshme. Inkling, përkundrazi, është trajnuar në pajisjet GB300 NVL72 që kompania kishte në dispozicion gjatë zhvillimit të tij.
Marrëveshja shumëvjeçare me Nvidia-n përfshin edhe një investim të ri “të konsiderueshëm”, por vlera financiare nuk është bërë publike. Ekspertë të industrisë të cituar nga Reuters kanë vlerësuar se ndërtimi dhe funksionimi i një gigavati kapaciteti të tillë mund të kushtojë rreth 50 miliardë dollarë, ndonëse kjo nuk është paraqitur si vlera zyrtare e kontratës mes dy kompanive.
Arkitekturë e frymëzuar nga DeepSeek dhe të dhëna sintetike nga Kimi
Një nga aspektet më të diskutuara të Inkling është lidhja teknike me modelet kineze.
Thinking Machines deklaron se struktura e pjesës “Mixture of Experts” ndjek në masë të madhe projektimin e DeepSeek-V3. Inkling përdor 256 ekspertë të drejtuar, dy ekspertë të përbashkët dhe gjashtë ekspertë aktivë për token, si dhe një mekanizëm drejtimi me funksion sigmoid dhe balancim të ngarkesës pa humbje ndihmëse.
Kjo nuk do të thotë se Inkling është kopje e DeepSeek-V3 ose se është trajnuar mbi peshat e tij. Thinking Machines thotë se paratrajnimi u krye nga fillimi, ndërsa ngjashmëria lidhet me zgjedhje të caktuara arkitekturore.
Në fazën fillestare pas trajnimit, kompania përdori një sasi të dhënash sintetike të gjeneruara nga modele të tjera me pesha të hapura, përfshirë Kimi K2.5 të Moonshot AI. Sipas kompanisë, kjo fazë përfaqëson vetëm një pjesë të vogël të fuqisë totale llogaritëse të përdorur, ndërsa pjesa më e madhe e pas-trajnimit u mbështet në mësim përforcues në shkallë të gjerë, me mjedise sintetike dhe të krijuara nga njerëzit.
Thinking Machines thotë se kreu më shumë se 30 milionë cikle ose tentativa të mësimit përforcues. Kompania ka bërë të ditur gjithashtu se synon që modeli i ardhshëm ta realizojë fazën pas trajnimit pa u mbështetur në modele të tjera për krijimin e të dhënave fillestare.
Kontrolli i “përpjekjes së të menduarit”
Inkling u lejon zhvilluesve të përcaktojnë nivelin e “përpjekjes së të menduarit”. Praktikisht, kjo do të thotë se modeli mund të udhëzohet të përdorë më pak ose më shumë tokenë arsyetimi, në varësi të kompromisit që kërkohet ndërmjet shpejtësisë, kostos dhe cilësisë.
Në testin Terminal Bench 2.1, Thinking Machines thotë se Inkling arrin të njëjtin nivel performance si Nemotron 3 Ultra i Nvidia-s duke përdorur afërsisht një të tretën e tokenëve.
Artificial Analysis llogariti se Inkling përdor mesatarisht rreth 25.000 tokenë dalës për çdo detyrë të Intelligence Index. Për krahasim, GLM-5.2 Max përdor rreth 43.000, Kimi K2.6 rreth 38.000 dhe DeepSeek V4 Pro Max rreth 37.000 tokenë.
Kompania thotë gjithashtu se modeli është trajnuar për të shprehur pasiguri dhe për të shmangur përgjigjet e sigurta kur nuk ka informacion të mjaftueshëm. Megjithatë, rezultatet e pavarura mbi saktësinë tregojnë se kjo aftësi ka ende kufizime të rëndësishme.
Kryeson modelet amerikane me pesha të hapura
Sipas platformës së pavarur Artificial Analysis, Inkling debutoi me 41 pikë në Artificial Analysis Intelligence Index.
Ky rezultat e vendosi si modelin me pesha të hapura me performancën më të lartë të publikuar nga një laborator amerikan, tri pikë mbi Nemotron 3 Ultra, i cili kishte 38. Gemma 4 31B kishte 29 pikë, ndërsa gpt-oss-120b 24.
Inkling tregoi rezultate të forta veçanërisht në detyrat agentike, në të cilat modeli nuk prodhon vetëm tekst, por përdor mjete, ekzekuton hapa dhe përpiqet të përfundojë detyra të ndërlikuara.
Në GDPval-AA v2, i cili simulon punë të bazuar në njohuri, Artificial Analysis i dha Inkling vlerësim Elo prej 1.238 pikësh, kundrejt 1.190 të Kimi K2.6 dhe 1.189 të DeepSeek V4 Flash Max. Në Tau-3 Banking, Inkling arriti afërsisht 24 për qind, kundrejt 21 për qind të Kimi K2.6 dhe 23 për qind të DeepSeek V4 Flash Max.
Në MCP Atlas, një test për përdorimin e mjeteve përmes Model Context Protocol, Inkling shënoi 74,1 për qind. Kjo ishte shumë më lart se 44,7 për qind e Nemotron 3 Ultra, por poshtë GLM 5.2 me 77,8 për qind, Gemini 3.1 Pro me 78,2 për qind, GPT-5.6 Sol me 81,8 për qind dhe Claude Fable 5 me 83,3 për qind.
Kina dhe modelet e mbyllura mbeten përpara në disa teste
Inkling nuk i tejkalon modelet kryesore kineze dhe sistemet e mbyllura të OpenAI-t, Anthropic-ut dhe Google-it në të gjitha kategoritë.
Në SWE-Bench Verified, Inkling arriti 77,6 për qind. Ky rezultat ishte më i lartë se 70,7 për qind i Nemotron 3 Ultra, por mbeti pas Kimi K2.6 me 80,2 për qind, GLM 5.2 me 80 për qind dhe DeepSeek V4 Pro me 80,6 për qind.
Në Terminal Bench 2.1, Inkling mori 63,8 për qind. Kimi K2.6 arriti 71,3 për qind, GLM 5.2 82,7 për qind, Claude Fable 5 84,6 për qind dhe GPT-5.6 Sol 89,5 për qind.
Në Humanity’s Last Exam pa mjete, Inkling shënoi 29,7 për qind, krahasuar me 35,9 për qind të Kimi K2.6, 40,1 për qind të GLM 5.2, 47,2 për qind të GPT-5.6 Sol dhe 53,3 për qind të Claude Fable 5.
Këto rezultate mbështesin përfundimin se Inkling është një nga alternativat më të forta perëndimore me pesha të hapura, por nuk e ka marrë epërsinë absolute nga modelet kineze dhe as nuk i ka arritur modelet më të mira pronësore në performancën e përgjithshme.
Problemi i saktësisë dhe norma prej 63 për qind e halucinacioneve
Artificial Analysis evidentoi një dobësi të rëndësishme në saktësinë faktike të Inkling.
Në testin AA Omniscience, modeli mori rezultat rreth +2, me saktësi prej 40 për qind dhe normë halucinacionesh prej 63 për qind. Ai ishte mbi Nemotron 3 Ultra, i cili kishte rezultat -1, por dukshëm poshtë modeleve kryesore të hapura dhe të mbyllura.
Shifra prej 63 për qind nuk duhet interpretuar si pretendim se 63 për qind e të gjitha përgjigjeve të Inkling janë të rreme. Ajo i referohet sjelljes së modelit në metodologjinë dhe grupin specifik të pyetjeve të AA Omniscience.
Megjithatë, rezultati tregon se modeli nuk duhet përdorur pa verifikim në fusha ku kërkohet saktësi e lartë faktike, si mjekësia, drejtësia, financat, gazetaria ose vendimmarrja institucionale.
Ka gjithashtu dallime të vogla ndërmjet versioneve të tabelave të publikuara. Faqja kryesore e Thinking Machines dhe Artificial Analysis raportojnë 1.238 pikë në GDPval-AA v2, ndërsa një version i kartës në Hugging Face shfaq 1.233. Të dhënat e benchmark-eve mund të përditësohen pas lançimit, ndaj këto rezultate duhet parë si matje të një momenti të caktuar dhe jo si renditje të pandryshueshme.
Siguria dhe përgjegjësia pas personalizimit
Në FORTRESS Adversarial, test që mat aftësinë për të refuzuar kërkesat e dëmshme pa bllokuar pa arsye kërkesa të ligjshme, Inkling shënoi 78 për qind. Ky ishte rezultati më i lartë ndër modelet me pesha të hapura të përfshira në krahasimin e Thinking Machines, por mbeti pas Claude Fable 5 me 96 për qind dhe GPT-5.6 Sol me 82,4 për qind.
Në StrongREJECT, Inkling shënoi 98,6 për qind, në nivel të ngjashëm me shumicën e modeleve të tjera kryesore.
Megjithatë, Thinking Machines pranon se siguria e modeleve të personalizueshme është një problem i vazhdueshëm. Përshtatja e Inkling me të dhëna të reja mund të ndryshojë sjelljen, mekanizmat e refuzimit dhe kufijtë e sigurisë. Organizatat që e trajnojnë më tej mbajnë përgjegjësi për testimin, mbrojtjen dhe kontrollin e versioneve që krijojnë.
Peshat janë falas, por ekzekutimi nuk është i lirë
Formulimi se Inkling “mund të përdoret nga kushdo” është juridikisht i kuptueshëm për shkak të licencës, por teknikisht duhet sqaruar.
Versioni BF16 kërkon një grup procesorësh grafikë me të paktën 2 terabajt memorie VRAM të bashkuar. Thinking Machines jep si konfigurime të mundshme tetë procesorë Nvidia B300 ose 16 Nvidia H200.
Versioni i kuantizuar NVFP4 ul kërkesën në të paktën 600 gigabajt VRAM dhe mund të funksionojë, sipas konfigurimit, në katër Nvidia B300 ose tetë Nvidia H200.
Kjo e bën praktikisht të pamundur ekzekutimin e modelit të plotë në një kompjuter personal ose në një server të zakonshëm. Zhvilluesit e vegjël do të varen nga ofruesit cloud, shërbimet API ose infrastruktura e përbashkët.
Sipas çmimeve të regjistruara nga Artificial Analysis, në një kontekst prej 64.000 tokenësh, Inkling kushton rreth 1,87 dollarë për një milion tokenë hyrës, 0,374 dollarë për hyrjet e ruajtura në cache dhe 4,68 dollarë për një milion tokenë dalës.
Për kontekst deri në 256.000 tokenë, çmimi rritet në rreth 3,74 dollarë për hyrjen, 0,748 dollarë për hyrjen e ruajtur dhe 9,36 dollarë për daljen. Këto çmime mund të ndryshojnë dhe varen nga ofruesi dhe niveli i shërbimit.
Inkling-Small, modeli më i vogël që në disa fusha është më i mirë
Krahas Inkling, Thinking Machines prezantoi paraprakisht Inkling-Small, një model me 276 miliardë parametra gjithsej dhe 12 miliardë aktivë.
Pavarësisht madhësisë më të vogël, Inkling-Small e tejkalon modelin kryesor në disa teste. Në GPQA Diamond arrin 88,3 për qind, kundrejt 87,2 për qind të Inkling. Në Humanity’s Last Exam me mjete shënon 46,6 për qind, kundrejt 46 për qind, ndërsa në MCP Atlas arrin 74,9 për qind, kundrejt 74,1 për qind.
Në teste të tjera, veçanërisht në saktësinë faktike, kodimin agentik dhe përpunimin audio, modeli i madh mbetet përpara. Thinking Machines ia atribuon disa nga përmirësimet e versionit të vogël ndryshimeve në të dhënat dhe metodën e paratrajnimit.
Peshat e plota të Inkling-Small nuk janë publikuar ende. Kompania thotë se do t’i vërë në dispozicion pasi të përfundojë testimi, pa dhënë një datë të saktë.
Bridgewater dhe prova e modelit të personalizuar
Një shembull i strategjisë së Thinking Machines erdhi nga bashkëpunimi me fondin Bridgewater Associates.
Studiuesit përdorën Tinker për të përshtatur Qwen3-235B, një model kinez me pesha të hapura, me të dhëna dhe vlerësime të specialistëve financiarë të Bridgewater-it. Modeli i përshtatur arriti saktësi mesatare prej 84,7 për qind në gjashtë detyra të filtrimit dhe interpretimit të informacionit financiar, kundrejt 78,2 për qind të modelit më të mirë të përgjithshëm të testuar. (Thinking Machines Lab)
Sipas vlerësimit të vetë projektit, kostoja për detyrë ishte 13,8 herë më e ulët. Rezultati nuk është benchmark i Inkling dhe nuk është vlerësim plotësisht i pavarur; ai është eksperiment i Bridgewater-it i publikuar në faqen e Thinking Machines. Megjithatë, ilustron tezën se një model më i vogël, i trajnuar me njohuri të specializuara, mund të jetë më i dobishëm se një model i përgjithshëm shumë më i madh në një fushë të caktuar.
Një strategji ndryshe nga ChatGPT dhe Claude
ChatGPT, Claude dhe Gemini ofrohen kryesisht si produkte të kontrolluara nga kompanitë që i zhvillojnë. Përdoruesit mund të ndërveprojnë me modelet përmes aplikacioneve ose API-ve, por nuk mund t’i shkarkojnë dhe ndryshojnë peshat e sistemeve më të avancuara.
Inkling synon një treg tjetër. Ai nuk është paraqitur si aplikacion konsumator i përfunduar, por si bazë teknike që ndërmarrjet mund ta marrin, përshtatin dhe përfshijnë në sistemet e tyre.
Kjo u jep organizatave më shumë kontroll mbi të dhënat, mënyrën e vendosjes, sjelljen dhe koston afatgjatë. Në të njëjtën kohë, u kalon atyre një pjesë më të madhe të përgjegjësisë për sigurinë, mirëmbajtjen, infrastrukturën dhe saktësinë.
Strategjia e Thinking Machines është se njohuritë më të vlefshme shpesh janë lokale: ato ndodhen brenda kompanive, ekipeve dhe profesionistëve dhe nuk mund të përfshihen plotësisht në një model të vetëm “një zgjidhje për të gjithë”.
Rëndësia për garën SHBA–Kinë
Inkling vjen në një moment kur modelet kineze me pesha të hapura kanë fituar epërsi në një pjesë të madhe të ekosistemit të zhvilluesve.
Kompanitë si DeepSeek, Moonshot AI, Z.ai dhe Alibaba kanë publikuar modele të fuqishme, të përshtatshme për vetëhostim dhe shpesh më të lira se shërbimet e mbyllura amerikane. Reuters e përshkroi Inkling si një nga alternativat e pakta perëndimore ndaj këtij ekosistemi.
Rëndësia e modelit nuk qëndron vetëm te rezultatet e benchmark-eve. Ai tregon se një laborator i financuar fuqishëm në SHBA është i gatshëm të publikojë peshat e një modeli pothuajse njëtrilion-parametrik dhe të ndërtojë biznesin rreth përshtatjes, jo vetëm rreth mbylljes së modelit pas një API-je.
Në të njëjtën kohë, përdorimi i ideve arkitekturore nga DeepSeek-V3 dhe të dhënave sintetike nga Kimi K2.5 tregon se inovacioni në IA është bërë ndërkombëtar dhe i ndërvarur. Teknologjitë kineze nuk janë më vetëm konkurrente të modeleve amerikane; ato janë bërë edhe pika referimi dhe mjete zhvillimi për laboratorët perëndimorë.
Çfarë mbetet e paqartë?
Thinking Machines nuk ka publikuar koston e plotë të zhvillimit dhe trajnimit të Inkling.
Nuk është bërë publike lista e plotë e të dhënave të trajnimit, as përbërja e saktë ndërmjet materialeve publike, të licencuara, sintetike dhe të marra nga palë të treta.
Ende nuk dihet se sa organizata do të jenë të gatshme të marrin përsipër koston dhe kompleksitetin e vendosjes së një modeli kaq të madh, në vend që të përdorin një API të gatshme.
Mbetet gjithashtu për t’u parë nëse të ardhurat nga Tinker, trajnimi dhe ekosistemi i hostimit do të jenë të mjaftueshme për të mbuluar kostot e mëdha të infrastrukturës së kompanisë.
Benchmark-et e para tregojnë se Inkling është i fortë në detyrat agentike dhe efikas në përdorimin e tokenëve, por dobësitë në saktësinë faktike dhe epërsia e disa modeleve kineze e të mbyllura dëshmojnë se ai nuk është ende një zëvendësues universal për sistemet më të mira në treg.
Inkling është fillimi, jo përfundimi
Inkling nuk e rrëzon menjëherë ChatGPT-në, Claude, Gemini-n apo modelet kryesore kineze. Ai nuk është as produkt konsumator i gatshëm që synon t’i tërheqë drejtpërdrejt përdoruesit e chatbot-ëve ekzistues.
Rëndësia e tij qëndron në faktin se ofron një alternativë të re amerikane me pesha të hapura, multimodalitet, kontekst shumë të gjatë, efikasitet relativisht të lartë dhe mundësi të drejtpërdrejtë personalizimi.
Për Mira Muratin, publikimi është prova e parë e madhe se Thinking Machines mund ta shndërrojë financimin, ekipin dhe infrastrukturën e saj në teknologji konkrete.
Për industrinë, Inkling është një provë e një modeli tjetër ekonomik: peshat hapen, ndërsa biznesi ndërtohet rreth trajnimit, personalizimit dhe shërbimeve që i bëjnë ato të dobishme.
Dhe për garën globale të inteligjencës artificiale, ai përfaqëson një hyrje serioze amerikane në një fushë ku kompanitë kineze kanë udhëhequr deri më tani – por jo ende një ndryshim përfundimtar të ekuilibrit./Tetova News
