Cựu CTO OpenAI ra mắt Inkling: Mô hình 975 tỷ tham số dẫn đầu các phòng thí nghiệm Mỹ

Thinking Machines Lab, startup do cựu CTO OpenAI Mira Murati sáng lập, vừa ra mắt Inkling, một mô hình open-weights với 975 tỷ tham số. Mô hình này được xây dựng để tối ưu hiệu suất và các tác vụ dựa trên tác nhân (agent-based), nhưng vẫn xếp sau các mô hình mã nguồn mở tốt nhất của Trung Quốc về hiệu năng tổng thể.

Thinking Machines Lab đã phát hành mô hình ngôn ngữ sẵn sàng cho sản xuất đầu tiên của mình. Inkling là một mô hình Mixture-of-Experts Transformer với tổng cộng 975 tỷ tham số, trong đó có 41 tỷ tham số hoạt động tại bất kỳ thời điểm nào. Đây là mô hình đầu tiên từ startup do Mira Murati sáng lập, người từng giữ vai trò chủ chốt trong việc phát triển ChatGPT tại OpenAI.

Tinh chỉnh (Fine-tuning) như một mô hình kinh doanh

Không giống như nhiều mô hình AI mã nguồn mở khác, Inkling xử lý trực tiếp văn bản, hình ảnh và âm thanh, đồng thời hỗ trợ cửa sổ ngữ cảnh (context window) lên đến một triệu token. Các trọng số (weights) được cung cấp miễn phí trên Hugging Face. Thinking Machines cũng cung cấp quyền truy cập thông qua Tinker, nền tảng của họ dành cho việc tùy chỉnh các mô hình AI cho những tác vụ cụ thể.

Công ty đang định vị Inkling như một mô hình nền tảng linh hoạt để tùy biến. Thông báo cho biết: "Inkling không phải là mô hình mạnh nhất hiện nay". Thinking Machines kỳ vọng sự kết hợp giữa hỗ trợ đa phương thức, khả năng xử lý hiệu quả và các tùy chọn tinh chỉnh sẽ giúp mô hình này tạo nên sự khác biệt.

Thinking Machines cho biết họ đã tiền huấn luyện Inkling trên 45 nghìn tỷ token bao gồm văn bản, hình ảnh, bản ghi âm và video công khai và tổng hợp. Tập dữ liệu huấn luyện cũng bao gồm các dữ liệu công khai "có thể chịu sự bảo hộ của quyền sở hữu trí tuệ". Công ty đã sử dụng mô hình AI Kimi K2.5 của Trung Quốc, cùng với các phương pháp khác, để tạo ra dữ liệu tổng hợp. Kimi K2.5 cũng là nền tảng cho mô hình lập trình của Cursor. Các chi tiết kỹ thuật chuyên sâu hơn có sẵn trong model card.

Inkling dẫn đầu các mô hình mở của Mỹ nhưng vẫn xếp sau những mô hình tốt nhất của Trung Quốc

Theo nền tảng đánh giá AI Artificial Analysis, Inkling ra mắt với số điểm 41 trên chỉ số Artificial Intelligence Index. Điều này giúp nó trở thành mô hình open-weights dẫn đầu từ một phòng thí nghiệm tại Mỹ. Nó xếp trên ba điểm so với người dẫn đầu trước đó là Nemotron 3 Ultra (38 điểm), và vượt xa Gemma 4 31B (29 điểm) cùng gpt-oss-120b (24 điểm).

Trên GDPval-AA v2, một bộ tiêu chuẩn đánh giá dựa trên tác nhân mô phỏng các tác vụ tri thức, Inkling đạt chỉ số Elo là 1.238. Nó vượt qua Kimi K2.6 (1.190) và DeepSeek v4 Flash max (1.189). Inkling cũng đạt 24% trên bộ tiêu chuẩn đánh giá ngân hàng Tau-3, xếp trên Kimi K2.6 (21%) và DeepSeek v4 Flash max (23%).

Inkling thể hiện khá kém về độ chính xác thực tế. Artificial Analysis chỉ chấm cho mô hình này số điểm +2 trên bộ tiêu chuẩn AA Omniscience. Điều này đặt nó ở dưới các mô hình open-weights hàng đầu, mặc dù vẫn cao hơn các mô hình khác của Mỹ như Nemotron 3 Ultra (-1). Độ chính xác của Inkling là 40%, trong khi tỷ lệ ảo tưởng (hallucination rate) là 63%. Những kết quả này có khả năng sẽ hạn chế việc sử dụng nó trong các ứng dụng đòi hỏi thông tin có độ chính xác cao.

Với cửa sổ ngữ cảnh 64K, Inkling có giá 1,87 USD cho mỗi triệu token đầu vào và 4,68 USD cho mỗi triệu token đầu ra. Mức giá này cao hơn một chút so với các mô hình mã nguồn mở của Trung Quốc như GLM-5.2 và DeepSeek v4, vốn cung cấp hiệu năng tương đương hoặc tốt hơn trong các tác vụ văn bản và lập trình. Đối với cửa sổ ngữ cảnh lên đến 256.000 token, giá tăng lên 3,74 USD cho đầu vào, 0,748 USD cho đầu vào được lưu trữ (cached input) và 9,36 USD cho đầu ra.

Tuy nhiên, Inkling sử dụng ít token đầu ra hơn so với các mô hình open-weights tương đương. Theo Artificial Analysis, nó sử dụng trung bình 25.000 token đầu ra cho mỗi tác vụ trên Intelligence Index. GLM-5.2 max sử dụng 43.000, Kimi K2.6 sử dụng khoảng 38.000 và DeepSeek v4 Pro max sử dụng khoảng 37.000 token cho cùng các tác vụ đó.

Thinking Machines cho biết Inkling cung cấp khả năng điều chỉnh "nỗ lực tư duy" (thinking effort) liên tục. Người dùng có thể chọn sự cân bằng ưa thích giữa chi phí và hiệu năng, giúp giảm mức sử dụng token trong khi vẫn duy trì chất lượng kết quả.

Inkling-Small vượt qua mô hình lớn hơn ở một số tiêu chuẩn đánh giá

Thinking Machines cũng đang giới thiệu trước Inkling-Small, một mô hình nhỏ gọn hơn với tổng cộng 276 tỷ tham số và 12 tỷ tham số hoạt động. Mô hình nhỏ hơn này mang lại kết quả tương đương hoặc tốt hơn Inkling trên một số bộ tiêu chuẩn đánh giá.

Inkling-Small đạt 88,3% trên GPQA Diamond, so với 87,2% của Inkling. Trên bộ tiêu chuẩn HLE với các công cụ, nó đạt 46,6%, nhỉnh hơn một chút so với Inkling ở mức 46,0%. Thinking Machines cho rằng kết quả này đến từ những thay đổi trong dữ liệu tiền huấn luyện và quy trình huấn luyện. Công ty dự định sẽ công bố toàn bộ trọng số sau khi quá trình thử nghiệm hoàn tất.

Tin tức AI không cường điệu – Được tuyển chọn bởi con người

Đăng ký THE DECODER để đọc không quảng cáo, nhận bản tin AI hàng tuần, báo cáo chuyên sâu "AI Radar" độc quyền sáu lần mỗi năm, quyền truy cập toàn bộ kho lưu trữ và tham gia phần bình luận của chúng tôi.

Đăng ký ngay