Thinking Machines stellt Inkling Small vor und setzt auf kleinere Größe

Thinking Machines plädiert für kleinere Reasoning-Modelle

Thinking Machines, das von der ehemaligen OpenAI-CTO Mira Murati gegründete KI-Labor, hat Inkling Small veröffentlicht, ein Reasoning-Modell mit offenen Gewichten, das in der Leistungsfähigkeit konkurrieren soll, dabei aber einen deutlich kleineren aktiven Fußabdruck als das frühere Inkling-Modell des Unternehmens nutzt. Der Start signalisiert eine vertraute, aber zunehmend wichtige Verschiebung im KI-Markt: Effizienz wird zu einem eigenständigen Produktmerkmal und nicht nur zu einer technischen Fußnote.

Laut dem bereitgestellten Quelltext vergibt Artificial Analysis für Inkling Small einen Wert von 40 im Intelligence Index, also nur einen Punkt weniger als die 41 von Inkling. Diese Lücke ist klein genug, um die Schlagzeile klar zu machen. Das neue Modell wird als kleineres System positioniert, das sich dem Gesamtmaß des größeren Modells annähert und es bei ausgewählten Coding- und Reasoning-Benchmarks sogar übertrifft.

Das Größenprofil des Modells ist zentral für die Argumentation. Inkling Small wird mit 276 Milliarden Gesamtparametern und 12 Milliarden aktiven Parametern beschrieben, also laut Quelle mit weniger als einem Drittel der Größe des ursprünglichen Inkling. Artificial Analysis sagt zudem, dass kein offenes Modell gleicher oder geringerer Größe auf seinem Index höher punktet.

Benchmark-Ergebnisse deuten auf gezielte Zugewinne hin

Die Benchmark-Geschichte lautet nicht einfach, dass Inkling Small insgesamt fast so stark ist wie sein Vorgänger. Der Quelltext sagt, dass es das größere Inkling bei mehreren Coding- und Reasoning-Tests übertrifft. Zwei genannte Beispiele sind Humanity’s Last Exam, wo Inkling Small 32% gegenüber 30% von Inkling erreicht, und GPQA Diamond, wo es 89% gegenüber 87% von Inkling erzielt.

Diese Zahlen sind wichtig, weil sie nahelegen, dass das Modell nicht bloß eine komprimierte Version ist, die den Großteil der Fähigkeiten bewahrt. Bei zumindest einigen Aufgaben scheint es das größere System übertreffen zu können. Ein solches Ergebnis ist bemerkenswert in einem Markt, in dem größere Modelle oft als Standardweg zu höherer Leistung galten.

Gleichzeitig stellt die Quelle Inkling Small nicht als universelles Upgrade dar. Berichten zufolge liegt es bei agentenbasierten Aufgaben und bei Faktenwissen hinter dem ursprünglichen Inkling. Diese Einschränkung ist wichtig, weil sie den Start auf den Boden von Abwägungen zurückholt statt auf Hype. Nutzer, die stärkere autonome Aufgabenausführung oder breitere Wissensabdeckung suchen, könnten weiterhin ein größeres Modell bevorzugen, auch wenn das kleinere bei der Effizienz attraktiver ist.

Effizienz ist die tiefere Wettbewerbsbotschaft

Der stärkere Differenzierungsfaktor könnte die Token-Effizienz sein. Die Quelle sagt, dass Inkling Small im Schnitt 24.000 Output-Tokens pro Aufgabe erzeugt, verglichen mit 45.000 bei Deepseek V4 Flash und 78.000 bei GPT-5.4 mini. Auf den ersten Blick deutet das auf ein Modell hin, das erhebliche Reasoning-Arbeit mit weniger generierter Ausgabe als manche konkurrierenden Systeme leisten kann.

Diese Art von Effizienz ist sowohl für die Ökonomie als auch für das Produktdesign relevant. Ein geringerer Output-Token-Verbrauch kann Inferenzkosten und Latenz senken und die Bereitstellung in Umgebungen vereinfachen, in denen Durchsatz oder Budget ebenso wichtig sind wie rohe Benchmark-Stärke. Für Unternehmen, die KI-Funktionen in Produkte einbauen, kann ein Modell, das mit weniger Output-Tokens mehr leistet, attraktiv werden, selbst wenn es nicht jede Rangliste anführt.

Der Start verweist damit auf einen breiteren Wandel darin, wie KI-Anbieter Fortschritt formulieren. Statt nur die absolute Spitzenleistung zu betonen, konkurrieren Entwickler zunehmend über das Qualitäts-pro-Token-Verhältnis. Inkling Small passt in dieses Muster, indem es ein Modell bietet, das nach den vorliegenden Zahlen seinem größeren Bruder insgesamt nahe bleibt und zugleich sein Effizienzprofil verbessert.

Offene Gewichte und multimodale Eingaben erweitern die Attraktivität

Thinking Machines versucht außerdem, die praktische Reichweite des Modells zu vergrößern. Der Quelltext sagt, dass Inkling Small Text-, Bild- und Spracheingaben unterstützt und über ein Kontextfenster von 256.000 Tokens verfügt. Es wird unter der Apache-2.0-Lizenz veröffentlicht, die Gewichte liegen auf Hugging Face.

Diese Details sind wichtig, weil sie bestimmen, wer das Modell nutzen kann und wie schnell es angepasst werden kann. Eine Veröffentlichung unter Apache 2.0 senkt die Hürden für Experimente und kommerzielle Nutzung. Die Unterstützung multimodaler Eingaben macht das System für ein breiteres Spektrum von Anwendungen relevant als rein textbasiertes Reasoning. Ein langes Kontextfenster erhöht die Attraktivität für Aufgaben mit großen Dokumenten, langen Gesprächen oder umfangreichem Arbeitsgedächtnis.

Die Quelle sagt außerdem, dass Nutzer das Modell im Browser über Tinker Playground feinabstimmen können. Diese Funktion passt zur Positionierung von Thinking Machines, seine Modelle als Grundlage für Anpassungen mit den eigenen Daten der Nutzer zu verstehen. Mit anderen Worten: Das Unternehmen verkauft nicht nur eine Basismodell-Geschichte, sondern auch einen Workflow, in dem Nutzer dieses Basismodell auf engere Ziele zuschneiden.

Warum diese Veröffentlichung im aktuellen Modellmarkt wichtig ist

Inkling Small erscheint zu einem Zeitpunkt, an dem KI-Entwickler unter Druck stehen, praktischen Nutzen zu zeigen, nicht nur Größe. Immer größere Modelle zu trainieren bleibt teuer, und Produktteams, die sie einsetzen, müssen Kosten, Geschwindigkeit, Flexibilität und Lizenzierung neben der Leistungsfähigkeit abwägen. Das schafft Raum für Modelle, die vielleicht nicht die größten oder universell stärksten sind, aber bei den wichtigen Aufgaben gut genug und im Betrieb effizienter.

Die Quelle beschreibt Inkling Small genau als ein solches Angebot: ein kleineres Reasoning-Modell mit offenen Gewichten, das für seine Größe ungewöhnlich gut abschneidet. Wenn diese Positionierung sich im breiteren Einsatz bestätigt, könnte sie das Argument stärken, dass die Modellentwicklung in eine diszipliniertere Phase eintritt, in der Optimierung und Bereitstellungswert ebenso wichtig sind wie reine Expansion.

Sie lenkt auch weiter die Aufmerksamkeit auf ein wachsendes Marktsegment: offene Modelle, die sich feinabstimmen und in maßgeschneiderte Workflows einbetten lassen. Proprietäre Frontier-Systeme dominieren weiterhin viele Schlagzeilenvergleiche, aber Veröffentlichungen mit offenen Gewichten bleiben strategisch wichtig, weil sie Organisationen mehr direkte Kontrolle darüber geben, wie ein Modell angepasst, gehostet und gesteuert wird.

Ein gemessener Schritt statt eines maximalistischen

Das Interessanteste an Inkling Small ist vielleicht, was es nicht behauptet zu sein. Auf Basis des bereitgestellten Textes stellt Thinking Machines es nicht als das beste Modell in jeder Kategorie dar. Stattdessen argumentiert die Veröffentlichung für einen engeren, pragmatischeren Anspruch: nahe an Top-Leistung für seine Größe, ausgewählte Benchmark-Siege gegenüber einem größeren Bruder, multimodale Fähigkeiten, langer Kontext und ein deutlich schlankeres Output-Token-Profil.

Damit geht es bei dem Start weniger um Spektakel als um technische Prioritäten. Kleinere aktive Modelle, die gut reasoning können, offen bleiben und den Token-Verbrauch senken, dürften mit der Reifung von KI-Deployment weiterhin attraktiv bleiben. Inkling Small scheint eine direkte Wette auf diese Zukunft zu sein.

Ob es ein weit verbreitet eingesetztes Basismodell wird, hängt von realen Tests jenseits der hier zusammengefassten Zahlen ab. Doch auf Grundlage der verfügbaren Informationen ist die strategische Botschaft bereits klar. Thinking Machines versucht zu beweisen, dass Effizienz in der KI keine Kompromisskategorie mehr ist. Sie wird zu einer ernstzunehmenden Wettbewerbsbahn für sich allein.

Dieser Artikel basiert auf der Berichterstattung von The Decoder. Den Originalartikel lesen.