¿Por qué Thinking Machines apuesta por la eficiencia?
Thinking Machines, el laboratorio de IA creado por la ex CTO de OpenAI, Mira Murati, ha lanzado oficialmente Inkling Small. Según datos de Artificial Analysis, este modelo de razonamiento de pesos abiertos alcanza una puntuación de 40 en el Índice de Inteligencia, situándose apenas un punto por debajo de Inkling (41), pero utilizando menos de un tercio de los parámetros totales (276 mil millones en total, con solo 12 mil millones activos). La consultora destaca que ningún otro modelo abierto de tamaño igual o inferior logra un puntaje superior.
El modelo Inkling Small supera a su versión de mayor tamaño en diversas pruebas de codificación y razonamiento lógico, incluyendo Humanity's Last Exam (32% frente al 30%) y GPQA Diamond (89% frente al 87%). Aunque presenta un rendimiento ligeramente inferior en tareas basadas en agentes y conocimientos fácticos, es significativamente más eficiente en el uso de tokens. Promedia 24 mil tokens de salida por tarea, comparado con los 45 mil tokens de Deepseek V4 Flash y los 78 mil tokens del GPT-5.4 mini.
Especificaciones técnicas y disponibilidad
El modelo es capaz de procesar entradas de texto, imágenes y voz, integrando una ventana de contexto de 256 mil tokens bajo la licencia Apache 2.0. Los pesos del modelo ya se encuentran disponibles en Hugging Face, y los usuarios pueden realizar ajustes (fine-tuning) directamente desde el navegador mediante Tinker Playground.
Thinking Machines ha posicionado a sus modelos como una base sólida para el ajuste fino con datos privados de los usuarios. Esta estrategia es vista por diversos expertos como la próxima frontera en el desarrollo de la inteligencia artificial, donde la especialización y la eficiencia superan a la carrera por el escalado bruto de parámetros.
