Inkling: Qué puede hacer el nuevo modelo open weights

Por Alec Chizhik 16 julio 2026 5 min de lectura

Thinking Machines Lab publicó el 15 de julio de 2026 Inkling, un modelo MoE de pesos abiertos bajo licencia Apache 2.0. Procesa texto, imágenes y audio, genera texto y, según el fabricante, ofrece una ventana de contexto de hasta un millón de tokens. Los pesos están disponibles en Hugging Face y el fine-tuning es posible mediante Tinker. El fabricante no clasifica Inkling como el modelo más potente en términos absolutos; para las empresas, la adaptabilidad, la infraestructura, los costes y las pruebas propias son más relevantes que los rankings genéricos.

Qué ofrece Inkling a nivel técnico

¿Qué es Inkling? Inkling es un modelo de pesos abiertos de Thinking Machines Lab. La empresa publica los pesos del modelo entrenado bajo licencia Apache 2.0, lo que permite a los equipos revisarlos, integrarlos en sus propios sistemas y continuar el entrenamiento para tareas específicas.

Inkling sigue el patrón de grandes arquitecturas de Mixture-of-Experts: el número total de parámetros asciende a 975.000 millones, de los cuales, según el fabricante, 41.000 millones son activos en cada paso de inferencia. Esto separa el volumen del modelo en términos de almacenamiento de la carga en tiempo de ejecución, un aspecto relevante para la adquisición y la arquitectura, ya que la licencia, los requisitos de almacenamiento y los de cálculo son palancas distintas.

Como modelo de pesos abiertos bajo licencia Apache 2.0, los pesos y los artefactos asociados pueden descargarse, revisarse e integrarse en pipelines propias bajo las condiciones de la licencia. La publicación de los pesos en Hugging Face reduce la barrera de entrada para equipos que ya utilizan flujos de trabajo en Hugging Face, catálogos internos de modelos o pipelines de evaluación basadas en CI.

La multimodalidad está ampliamente implementada en la entrada: texto, imágenes y audio pueden fluir conjuntamente en el contexto. La salida es texto. Para escenarios empresariales típicos, esto significa, por ejemplo, la generación de actas, la búsqueda en documentos y capturas de pantalla, el análisis de llamadas de soporte o la combinación de especificaciones y capturas de interfaz. Según el fabricante, la ventana de contexto máxima es de un millón de tokens. Esto permite procesar briefings extensos, historiales de tickets voluminosos o documentación de proyectos agrupada en un solo paso. Sin embargo, queda por demostrar en la práctica si y cómo se mantiene este límite bajo carga, con tokenizaciones reales y con las pilas de servidores elegidas.

Funcionamiento, adaptación y lo que el propio fabricante relativiza

El Thinking Machines Lab especifica explícitamente que Inkling no es el modelo más potente en términos generales. Se trata de una valoración poco común, pero útil: desvincula el marketing de la cuestión de si el modelo es económicamente viable y cumple con los estándares de calidad en el caso de uso concreto. Los benchmarks de los fabricantes son datos proporcionados por estos. Pueden servir como punto de partida para formular hipótesis, pero no sustituyen una evaluación independiente con datos propios, prompts personalizados y los requisitos reales de latencia, rendimiento y seguridad.

El ajuste fino está previsto a través de Tinker. Para empresas que deseen adaptar el modelo al lenguaje de su sector, formatos internos o tonos de cumplimiento normativo, esta es la palanca práctica además del prompting puro y el retrieval. Los pesos abiertos y una vía de ajuste fino implican que los equipos pueden versionar los modelos, realizar pruebas A/B y definir rutas de retroceso, siempre que se contemplen la gobernanza, el acceso a los datos y los registros de auditoría.

A nivel de infraestructura, se plantean opciones como el alojamiento propio, clústeres de GPU gestionados y configuraciones híbridas. Los 41.000 millones de parámetros activos por solicitud definen la clase de cómputo aproximada; los 975.000 millones de parámetros totales, la cuestión de almacenamiento y distribución. Quien planee seriamente Inkling debería resolver con antelación, junto al área financiera y de plataforma, aspectos como cuantización, paralelismo experto, batching y costes de almacenamiento. La licencia Apache 2.0 facilita legalmente el uso interno y la redistribución bajo las condiciones habituales, aunque la aprobación jurídica dentro del grupo corporativo sigue siendo un paso independiente.

Qué deben evaluar los decisores

Para el caso de negocio, cuatro magnitudes pesan más que cualquier ranking público: adaptabilidad a los datos y procesos especializados, infraestructura disponible y modelo operativo, costes continuos de inferencia y almacenamiento, y la calidad en la evaluación propia. Los pesos abiertos trasladan el presupuesto de licencias de API puras a tiempo de GPU, ingeniería y monitorización. No es automático, pero es planificable si se modelan con transparencia los precios por token, la ocupación y las colas de espera.

Las entradas multimodales incrementan la complejidad de integración: las pipelines de imagen y audio requieren normas claras de protección de datos y conservación, especialmente con grabaciones de clientes o capturas internas. Un contexto amplio puede tentar a incluir todo en un solo prompt. Es preferible un diseño arquitectónico con retrieval, segmentación y fuentes verificables para controlar costes y riesgos de alucinaciones.

Entrada pragmática: piloto acotado con tareas medibles, línea base frente al modelo actualmente en uso, mismos conjuntos de prueba para calidad y costes, y luego decidir sobre el ajuste fino mediante Tinker y la vía de despliegue. Así, Inkling se convierte en una herramienta con métricas claras, no en una apuesta genérica por una plataforma.

Preguntas frecuentes

¿Qué es Inkling?

Inkling es un modelo MoE de pesos abiertos publicado el 15 de julio de 2026 por Thinking Machines Lab bajo licencia Apache 2.0. Procesa texto, imagen y audio, y genera texto.

¿Qué tamaño tiene el modelo?

Según el fabricante, Inkling cuenta con 975.000 millones de parámetros en total y 41.000 millones de parámetros activos por paso de inferencia. El contexto máximo se indica en un millón de tokens.

¿Dónde están los pesos y cómo se pueden adaptar?

Los pesos están disponibles en Hugging Face. El ajuste fino es posible mediante Tinker. Ambos aspectos facilitan la adopción para equipos con procesos existentes de MLOps y evaluación.

¿Inkling es, según el fabricante, el modelo más potente?

No. El fabricante especifica explícitamente que Inkling no es el modelo más potente en términos generales. Los benchmarks públicos del fabricante deben interpretarse como datos proporcionados por el propio fabricante y complementarse con pruebas propias.

¿A qué deben prestar atención las empresas?

A la adaptabilidad, las opciones de infraestructura, los costes continuos y una evaluación propia en el caso de uso objetivo. Estos factores son más relevantes para la operación que cualquier afirmación genérica de un ranking.