Inkling: Nuestro modelo de pesos abiertos

Artículo original ↗ Discusión en Hacker News ↗

Un laboratorio de IA estadounidense ha lanzado Inkling, un gran modelo multimodal de pesos abiertos posicionado como una alternativa personalizable a líderes chinos como GLM 5.2, DeepSeek y Kimi. Los comentaristas lo ven como un primer esfuerzo sólido —especialmente en seguimiento de instrucciones y audio/visión—, aunque todavía queda por detrás de los mejores modelos de frontera y de los modelos abiertos chinos en muchos benchmarks. Gran parte del debate gira en torno a si los laboratorios de pesos abiertos pueden construir negocios sostenibles sobre el ajuste fino y el hosting, cuánto “foso competitivo” existe en un mundo de cambios de modelo baratos y la importancia estratégica de los modelos abiertos controlados domésticamente ante la creciente presión geopolítica y regulatoria.

Capacidades del modelo y benchmarks

  • Inkling es un modelo MoE multimodal y de contexto largo con pesos abiertos; también hay en pruebas una variante más pequeña de 276B totales / 12B activos.
  • Los benchmarks lo sitúan por debajo de los mejores modelos abiertos chinos como GLM‑5.2 y Kimi K2.7, y por debajo de los modelos cerrados de frontera (GPT‑5.x, Fable, etc.).
  • Algunos sostienen que estar “cerca” de GLM‑5.2 en una primera versión es impresionante y muestra que la ventaja de entrenamiento se está reduciendo; otros señalan que debuta alrededor del puesto #41 en un índice público y cuestionan la expectativa generada.
  • Varios comentaristas subrayan que los benchmarks no capturan بالكامل la utilidad en el mundo real; algunas evaluaciones privadas tempranas informan que el modelo supera de forma notable sus puntuaciones públicas en tareas de nicho.

Multimodalidad, contexto y comportamiento

  • El gran atractivo: un modelo con pesos abiertos con visión y audio, y contexto largo (hasta ~1M de tokens sobre el papel).
  • Hay debate sobre la utilidad del contexto largo: algunos ven que el rendimiento se desploma después de ~150–200k tokens; otros afirman que ciertos modelos (y tareas) siguen beneficiándose mucho más allá de eso, subrayando la necesidad de evaluaciones específicas para cada tarea.
  • Varios usuarios elogian el seguimiento de instrucciones de Inkling, su tono y su estilo conversacional “humano”; la capacidad de programación se considera más débil que la de los modelos líderes centrados en código.

Posicionamiento de pesos abiertos y modelos de negocio

  • Thinking Machines es visto como uno de los pocos laboratorios de EE. UU. cuyos incentivos se alinean con publicar pesos abiertos potentes, ligado a su producto de ajuste fino y hosting (Tinker).
  • Modelos de ingresos propuestos:
    • Hosting/inferencia para su propio modelo abierto.
    • Ajuste fino gestionado (SFT/RL) y servicio de modelos personalizados.
    • Ser “infraestructura” para empresas que quieren modelos específicos de dominio y más baratos que los de frontera.
  • Muchos cuestionan el foso competitivo: si los pesos son abiertos, cualquiera (incluidos los hyperscalers) puede alojarlos; algunos concluyen que, en la práctica, no hay un foso duradero y que el gasto actual busca cuota de mente y capacidad doméstica, no beneficios inmediatos.

EE. UU. frente a modelos abiertos chinos y geopolítica

  • Hilo amplio sobre la necesidad de alternativas “domésticas” de pesos abiertos a los modelos chinos (DeepSeek, GLM, Kimi, Z.ai), tanto en EE. UU. como en otros lugares, en caso de bloqueos regulatorios o censura.
  • Algunos argumentan que los modelos chinos están fuertemente restringidos por el Estado (p. ej., consultas sobre Tiananmen), mientras que otros responden que los modelos de EE. UU./UE también tienen sesgos políticos y restricciones de contenido.
  • Hay preocupación en finanzas, gobierno y sectores similares por depender de modelos de origen chino, independientemente de su calidad técnica.

Recepción de la comunidad

  • Muchos están entusiasmados: una primera versión fuerte, pesos abiertos estadounidenses, multimodalidad y una integración ajustada con una pila de ajuste fino.
  • Los escépticos destacan: no es SOTA en conjunto, la relación coste/rendimiento frente a APIs de frontera baratas no está clara y faltan gráficos de costes.
  • El consenso general: competencia bienvenida, debut prometedor, pero el valor real dependerá de los flujos de trabajo de ajuste fino, los precios y la rapidez con la que itere.