Token (in)
Unbekannt
Token (out)
Unbekannt
Latenz
Unbekannt
USD / 1M Input
1,00 $
USD / 1M Output
4,05 $
Throughput
Unbekannt
Inkling
Veröffentlichung
Juli 2026
Knowledge Cutoff
Unbekannt
Parameter
975 Mrd.
Modellfamilie
Inkling
Apache 2.0
Inkling Modell-Übersicht
Inkling ist das erste vollständig trainierte Foundation-Model von Thinking Machines Lab und wurde am 15. Juli 2026 unter Apache 2.0 als Open-Weights-Modell veröffentlicht. Inkling ist ein nativ multimodales Mixture-of-Experts-Modell mit 975 Mrd. Gesamt- und 41 Mrd. aktiven Parametern, das Text, Bilder und Audio als Eingabe verarbeitet und Text ausgibt. Mit bis zu 1 Mio. Token Kontextfenster und Benchmark Scores, die viele andere Open Weights Modelle übertreffen, etabliert sich Inkling als US-Alternative zum chinesischen GLM-5.2.
Features
Tools
Websuche, Bildgenerierung, Computer Use und MCP-Server.
Multimodalität
Das Modell kann Text, Bilder, Audio und PDFs als Input verarbeiten.
Finetuning
Finetuning des Modells ist aktuell nicht möglich.
Details zum Modell
Max. Input
1 Mio. Token
Max. Output
256k Token
Trainingsdaten
45.000 Mrd.
Parameter
975 Mrd.
Input Preis
1,00 $
Output Preis
4,05 $
Vokabular
201,02k
Dateigröße
1773,94 GB
Inkling Benchmark Scores
Im KI-Kontext bezeichnet Performance die Leistungsfähigkeit eines Modells in Bereichen wie Sprachverständnis, Logik oder Programmierung – gemessen anhand standardisierter Benchmarks zur objektiven Vergleichbarkeit.
Technologie & Daten
Technische Spezifikationen
| Architektur | Multimodaler Sparse-MoE Transformer |
|---|---|
| Input Kontextlänge | 1 Mio. |
| Output Kontextlänge | 256k |
| Tokenizer | Unbekannt |
Besonderheiten
| Encoder-freie Multimodalität | Text, Bild und Audio laufen ohne separate Encoder in ein Modell |
|---|---|
| Agentic Tool-Use | Function Calling, Code-Execution, Browser-Nutzung und Websuche |
Vorteile & Nachteile
Vorteile
- Starke Reasoning- und Coding-BenchmarksBei effort=0.99 erreicht Inkling laut Model Card 97,1 % in AIME, 87,2 % in GPQA Diamond und 77,6 % auf SWE-Bench Verified und ist damit konkurrenzfähig zu Claude Opus 4.8 und GPT-5.5.
- Open Weights unter Apache 2.0Die vollständigen Gewichte von Inkling lassen sich auf Hugging Face unter der Apache-2.0-Lizenz herunterladen. Damit ist das Modell auch kommerziell nutzbar und lokal deploybar (vLLM, SGLang, llama.cpp).
- Native Audio- und BildeingabeOhne separate Encoder oder vorgeschaltete Modelle kann Inkling Text, Bilder und Audio al Input verarbeiten.
- Token-Effizientes ReasoningÜber die steuerbare Thinking-Tiefe erreicht Inkling in Terminal Bench 2.1 laut Thinking Machine Labs die Qualität von Nemotron 3 Ultra mit rund einem Drittel der Token, also deutlich niedrigeren Inference-Kosten.
Nachteile
- Sehr hohe Hardware-AnforderungenDer BF16-Checkpoint braucht laut Thinking Machine Labs rund 2 TB aggregierten VRAM, selbst die NVFP4-Quantisierung noch ca. 600 GB. Lokaler Betrieb ist damit realistisch nur auf Multi-GPU-Datacenter-Hardware.
- Nur Text-AusgabeTrotz multimodaler Eingabe gibt Inkling ausschließlich Text aus. Bild-, Audio- oder Video-Generierung ist nicht Teil des Modells.
Vergleiche Inkling mit anderen LLMs
Vergleiche Inkling mit anderen Sprachmodellen anhand wichtiger Metriken wie Kontextgröße, Parameteranzahl, Preisen und Benchmark-Leistung.
Provider & APIs
Du kannst Thinking Machines Lab Inkling über die API folgender Anbieter nutzen.