Thinking MachinesのInklingとは｜Muratiのラボ初のオープンウェイトLLMを業務目線で読み解く

元OpenAI CTOのMira Muratiが率いるThinking Machines Labが2026年7月15日、同社初となる基盤モデル「Inkling」を公開しました。注目すべきは、これがオープンウェイトで、重みがHugging Faceで配布される点です。ただし同社自身が「現時点で最強のモデルではない」と明言しており、業務でLLMを使う立場からは、規模やベンチの数字より「何のために出されたモデルなのか」を読み解くことが判断材料になります。この記事では、Inklingを業務目線で整理します。

何が公開されたのか#

今回のトピックは、Thinking Machines LabによるInklingの公開です。同社は、OpenAIでCTOを務めたMira Muratiが創業したAIスタートアップで、Inklingはその初の基盤モデルにあたります。公式発表(2026年7月15日)によると、Inklingはオープンウェイトのモデルで、外部の開発者や企業が重みをダウンロードして直接改変できる形で提供されます。これは、OpenAIやAnthropic、Googleの旗艦モデルが基本的にクローズドAPIで提供されているのとは異なる公開形態です。

同社の狙いは明快です。TechCrunchの報道によれば、Thinking Machinesは「組織が自分たちで適応させられるAIは、大手が売る画一的(one-size-fits-all)なモデルを上回る」という賭けに立っています。つまりInklingは、そのまま使う完成品ではなく、各組織が微調整して育てる出発点として設計されています。

アーキテクチャと数値を報道値として読む#

公式ページによると、Inklingは総パラメータ約975B、アクティブ約41BのMixture-of-Experts(MoE、混合エキスパート)Transformerです。MoEは、モデル内に多数の「エキスパート」を持ち、トークンごとにその一部だけを稼働させる仕組みです。総パラメータは巨大でも、1トークンあたりに実際に計算されるのは限られた範囲(ここでは約41B)にとどまるため、規模のわりに推論を速く・安く回せるのが特徴です。公式は、256のルーテッドエキスパートと2つの共有エキスパートを持ち、トークンごとに6つのルーテッドエキスパートが稼働する構成だと説明しています。

コンテキスト長は最大約100万(1M)トークンまで対応するとされます。事前学習はテキスト・画像・音声・動画を含む約45兆(45 trillion)トークンで行われ、これら4つのモダリティをネイティブに扱うマルチモーダルモデルだと報じられています。加えて、より小さいプレビュー版「Inkling-Small」(総276B・アクティブ12B)も示されています。数値の規模感は大きいものの、これらはあくまで発表値であり、業務での価値は数字そのものより実タスクでの挙動で測るべきものです。

約975B総パラメータ・41Bアクティブ・256+2エキスパート構成・最大1Mトークン・45兆トークン学習という骨子は、Thinking Machines Labの公式発表に基づきます。ベンチマーク値は同社および提携先の自己評価を含み、独立検証とは異なる場合があるため、本文では帰属付きで扱っています。

Tinkerでの微調整を前提にした設計#

Inklingを理解するうえで欠かせないのが、同社のカスタマイズ基盤「Tinker」の存在です。公式によると、Inklingの重みはHugging Face(thinkingmachines/inkling)で公開されると同時に、Tinker上での微調整(ファインチューニング)に対応しています。TechCrunchは、Thinking Machinesの収益源を「トレーニングや微調整、そして重みを取り巻くホスティング環境からの取り分」と説明しており、モデル単体の販売ではなく、カスタマイズのエコシステムにビジネスを置いていることがうかがえます。

この設計思想は、性能の位置づけにも表れています。同社は公式ブログで、Inklingを「現時点で最強のモデルではない、オープンでもクローズドでも」と明言したうえで、「カスタマイズのための良いオープンウェイト基盤」だと位置づけています。マルチモーダル対応、効率的なthinking(推論)、そしてTinkerでの微調整のしやすさという組み合わせで価値を出す、という主張です。単体ベンチでの首位を狙うのではなく、各組織が自社データで仕立て直す前提のモデルだと読むのが自然です。

オープンウェイトであることの業務的な意味#

Inklingが業務担当者にとって意味を持つのは、単に大きいからではなく、オープンウェイトという公開形態にあります。TechCrunchは「いったん重みが公開されれば、ダウンロードした側がThinking Machinesに実行料を払う義務は生じない」と指摘しており、プライベートな環境での運用が想定されています。業務目線で意味が大きいのは、次のような点です。

• データ主権と自社ホスティング: 重みを自社やプライベートな環境で動かせれば、入力データを外部APIに送らずに処理する構成が取りやすくなります。機微なデータを扱う業務では、これが導入可否を左右します。
• カスタマイズ: 重みが手元にあり、かつTinkerで微調整できるため、社内知識やドメイン特有の言い回しに合わせた調整の余地が、クローズドAPIより広がります。
• コストの見通し: 従量課金のAPIと違い、自社インフラで動かすなら初期投資と運用コストで見積もる形になります。ただし約975B規模を推論させるには相応の計算資源が要ります。公式はNVIDIA Blackwell向けにNVFP4チェックポイントも用意していると説明しています。

一方で、これらは「自社で運用する体力がある」場合の話です。約975Bパラメータ級を自前で推論させるハードルは高く、多くの現場では当面、提供されるAPIやTinker経由での利用が現実的でしょう。もう一点、TechCrunchは「カスタマイズが安全かどうかの責任は、Thinking Machinesではなく顧客側にある」と報じています。自社で改変・運用する以上、安全性の担保も自社の責任範囲に入る点は押さえておくべきです。

クローズド旗艦との棲み分けと、他のオープンウェイトとの違い#

では、Inklingは実務でどこに置くべきモデルでしょうか。クローズドの旗艦モデル(GPTやClaude、Geminiの上位版)は、そのまま高い汎用性能を得たい場合に向きます。対してInklingは、汎用ベンチの首位を求める用途ではなく、自社データで仕立て直したい・データを外に出したくない・改変の自由が欲しい、という要件に噛み合います。TechCrunchが紹介するBridgewater Associatesとの事例では、金融推論テストで84.7%というスコアが示されていますが、これは両社の自己評価であり独立検証ではない、と同記事は明記しています。効率面では、あるコーディングタスクでNVIDIAのNemotron 3 Ultraの約3分の1のトークン数で済んだとも報じられていますが、いずれも発表値として控えめに読むべき数字です。

近い時期には、Moonshot AIのKimi K3のような大規模オープンウェイトも登場しています。Inklingとの違いは、規模の数字よりも設計思想にあります。Inklingは、Muratiのラボが初めて出したモデルであり、Tinkerでの微調整を前提に「カスタマイズの基盤」として明確に位置づけている点が特徴です。どのオープンウェイトが自社に向くかは、パラメータ規模ではなく、ライセンス条項・微調整のしやすさ・運用コスト・自社タスクでの品質で比較するのが確実です。

よくある質問#

まとめ#

Inklingは、Muratiのラボが初めて世に出したオープンウェイトの基盤モデルとして注目に値しますが、その価値は規模やベンチの数字にはありません。作り手が「最強ではない」と言い切ったうえで、マルチモーダル・効率的な推論・Tinkerでの微調整という組み合わせで「カスタマイズの基盤」を狙った点にこそ、このモデルの狙いがあります。業務で判断するなら、汎用の順位ではなく、自社データで仕立て直せるか、重みを自社環境に置けるか、ライセンスが用途に耐えるかを、報道値に振り回されず一次情報で確かめることが、冷静な導入判断につながります。