Inkling
Veröffentlichung
Juli 2026
Kontextfenster
1 Mio. Token
API-Preis In / Out
1,00 $ / 4,05 $
Parameter
975 Mrd.
Daten aktualisiert: 17. Juli 2026
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 & Modalitäten
Verfügbar
ReasoningToolsMultimodalitätWebsucheStrukturierte AusgabenQuellenangabenFinetuning
Input:TextBildAudio
Output:TextJson
Inkling Benchmark Scores
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, Preisen und Benchmark-Leistung.
Inkling ausprobieren
Inkling hat offene Gewichte: Du kannst das Modell herunterladen und selbst hosten — oder es bei einem der API-Provider unten nutzen.
Provider & APIs
Du kannst Thinking Machines Lab Inkling über die API folgender Anbieter nutzen.
Das Modell ist derzeit bei keinen Anbietern verfügbar.
Häufige Fragen zu Inkling
Ist Inkling Open Source?
Inkling wird unter der Lizenz „Apache 2.0“ veröffentlicht. Details stehen in den Lizenzbedingungen des Anbieters.
Welche Eingabeformate versteht Inkling?
Inkling verarbeitet folgende Eingabeformate: Text, Bild, Audio.
Was kostet Inkling über die API?
Über die API kostet Inkling 1,00 $ pro 1 Mio. Input-Token und 4,05 $ pro 1 Mio. Output-Token. Bei Reasoning-Modellen kommen Thinking-Tokens hinzu, die als Output abgerechnet werden.
Wie groß ist das Kontextfenster von Inkling?
Inkling verarbeitet bis zu 1 Mio. Token in einer Anfrage.
