Inkling: हमारा ओपन-वेट्स मॉडल
एक अमेरिकी AI लैब ने Inkling जारी किया है, जो एक बड़ा ओपन-वेट्स मल्टीमोडल मॉडल है और इसे GLM 5.2, DeepSeek, और Kimi जैसे चीनी नेताओं के एक अनुकूलन योग्य विकल्प के रूप में पेश किया गया है। टिप्पणीकार इसे एक मज़बूत पहली कोशिश मानते हैं—खासकर instruction following और audio/vision के लिए—हालाँकि कई बेंचमार्क पर यह अब भी शीर्ष frontier और चीनी ओपन मॉडलों से पीछे है। बहस का बड़ा हिस्सा इस बात पर केंद्रित है कि क्या ओपन-वेट्स लैब्स fine-tuning और hosting के आधार पर टिकाऊ बिज़नेस बना सकती हैं, सस्ते model switching की दुनिया में कितना “moat” बचता है, और बढ़ते भू-राजनीतिक व नियामकीय दबाव के बीच घरेलू रूप से नियंत्रित ओपन मॉडलों का रणनीतिक महत्व क्या है।
मॉडल की क्षमताएँ और बेंचमार्क
- Inkling एक ओपन-वेट्स, मल्टीमोडल, लॉन्ग-कॉन्टेक्स्ट MoE मॉडल है; परीक्षण में इसका एक छोटा 276B-कुल / 12B-सक्रिय वेरिएंट भी है।
- बेंचमार्क इसे GLM‑5.2 और Kimi K2.7 जैसे शीर्ष चीनी ओपन मॉडलों से नीचे, और अग्रणी बंद मॉडलों (GPT‑5.x, Fable, आदि) से भी नीचे रखते हैं।
- कुछ लोगों का तर्क है कि पहली रिलीज़ पर GLM‑5.2 के “करीब” होना प्रभावशाली है और दिखाता है कि प्रशिक्षण का moat सिकुड़ रहा है; अन्य लोग बताते हैं कि यह किसी सार्वजनिक इंडेक्स पर लगभग #41 के आसपास शुरुआत करता है और प्रचार पर सवाल उठाते हैं।
- कई टिप्पणीकार इस बात पर ज़ोर देते हैं कि बेंचमार्क वास्तविक दुनिया की उपयोगिता को पूरी तरह नहीं पकड़ते; कुछ शुरुआती निजी evals में मॉडल को निच (विशेष) कार्यों पर उसके सार्वजनिक स्कोर से काफ़ी बेहतर बताया गया है।
मल्टीमोडैलिटी, कॉन्टेक्स्ट और व्यवहार
- मुख्य आकर्षण: विज़न और ऑडियो वाला ओपन-वेट्स मॉडल, लॉन्ग कॉन्टेक्स्ट (कागज़ पर ~1M tokens तक)।
- लॉन्ग-कॉन्टेक्स्ट उपयोगिता पर बहस है: कुछ लोगों को ~150–200k tokens के बाद प्रदर्शन गिरता दिखता है; अन्य का कहना है कि कुछ मॉडल (और कार्य) इससे कहीं आगे भी लाभ देते हैं, और task-specific evals की ज़रूरत पर ज़ोर देते हैं।
- कई उपयोगकर्ता Inkling के instruction following, tone, और “human” conversational style की तारीफ़ करते हैं; coding क्षमता को अग्रणी code-focused मॉडलों की तुलना में कमज़ोर माना जाता है।
ओपन-वेट्स पोज़िशनिंग और बिज़नेस मॉडल
- Thinking Machines को उन गिने-चुने US labs में से एक माना जा रहा है जिनके incentives मजबूत ओपन वेट्स रिलीज़ करने के साथ मेल खाते हैं, और यह उसके fine-tuning व hosting product (Tinker) से जुड़ा है।
- प्रस्तावित revenue models:
- उनके अपने ओपन मॉडल के लिए hosting/inference।
- Managed fine-tuning (SFT/RL) और custom models की serving।
- उन enterprises के लिए “infrastructure” बनना जो domain-specific, frontier से सस्ते मॉडल चाहते हैं।
- कई लोग moat पर सवाल उठाते हैं: अगर weights open हैं, तो कोई भी (hyperscalers सहित) उन्हें host कर सकता है; कुछ का निष्कर्ष है कि व्यावहारिक रूप से कोई स्थायी moat नहीं है और मौजूदा खर्च mindshare और domestic capability के लिए है, तुरंत मुनाफ़े के लिए नहीं।
US बनाम चीनी ओपन मॉडल और भू-राजनीति
- “domestic” open-वेट्स विकल्पों की ज़रूरत पर व्यापक चर्चा है, ताकि Chinese models (DeepSeek, GLM, Kimi, Z.ai) के विकल्प US और अन्य जगहों पर उपलब्ध रहें, खासकर regulatory blocks या censorship की स्थिति में।
- कुछ का तर्क है कि Chinese models पर भारी state constraints हैं (जैसे Tiananmen queries), जबकि अन्य कहते हैं कि US/EU models में भी राजनीतिक झुकाव और content restrictions होती हैं।
- finance/government और इसी तरह के क्षेत्रों में Chinese-origin models पर निर्भर होने को लेकर चिंता है, चाहे तकनीकी गुणवत्ता कुछ भी हो।
कम्युनिटी की प्रतिक्रिया
- बहुत से लोग उत्साहित हैं: मज़बूत पहली रिलीज़, American open-वेट्स, multimodal, और fine-tuning stack के साथ कसा हुआ एकीकरण।
- संशयवादी यह बताते हैं: कुल मिलाकर SOTA नहीं, सस्ते frontier APIs बनाम cost/performance साफ़ नहीं, और cost graphs का अभाव।
- सामान्य सहमति: प्रतिस्पर्धा का स्वागत है, debut promising है, लेकिन असली मूल्य fine-tuning workflows, pricing, और कितनी तेज़ी से iteration होती है, इस पर निर्भर करेगा।