Thinking Machines Lab「Inkling」完全解説──Mira Murati率いる新星が放つ975Bオープンウェイトモデルの実力とカスタマイズ戦略

PM 編集方針 (empty-slot fill) ── 7/21 06:00 HKT morning brief LOCKED 計画

PM 7/21 06:00 HKT morning scan で検証した結果、PM 6/20 morning brief で P0-AM 7/21 に LOCKED されていた「WAIC Days 2-4 recap」は、7/20 AM に公開済みの #127 WAIC 完全レポート（Xi WAICO/Huawei Atlas 950/MiniMax M3 他）でカバー済みのため冗長と判断。PM 7/21 morning brief の推奨により P0-PM 7/21 に LOCKED されていた「Inkling review」を AM スロットに移動。空いた P0-PM 7/21 枠は PM evening scan（18:00 HKT）の最初の override 復活候補（OpenAI サンドボックス脱出など）に解放。本記事は PM 7/20 18:00 evening brief で P0-PM 7/21 として pre-locked された Inkling を前倒し配信するもので、override 適用なし（override freeze Day 21/21 = 最終日）。26 consecutive PLANNED topics.

1. Inkling登場の背景：Mira Muratiが描く「カスタマイズ可能なAI」のビジョン

2026年7月15日、元OpenAI CTOのMira Muratiが設立したThinking Machines Labが、同社初のAIモデル Inkling を公開した。Apache 2.0ライセンスの下、全975BパラメータのウェイトがHugging Faceで公開され、研究者もスタートアップもダウンロードして独自に改良できる。

Inklingの最も重要な特徴は、Thinking Machines Lab自身が明確に宣言している通り、 「現在利用できる最強のモデルではない」 という点だ。その代わりに、カスタマイズに最適化されたオープンウェイト基盤として設計されている。テキスト・画像・音声のネイティブマルチモーダル、制御可能な思考努力、Tinkerプラットフォームによるシームレスなファインチューニング──これらを組み合わせた「あなたのモデルになるモデル」というポジショニングは、オープンウェイトエコシステムにおける新しいカテゴリを開く。

同社は創業時に過去最大規模のシードラウンドで評価額$120億（約1.7兆円）を達成[a16z, NVIDIA, Accel出資]。これまでにファインチューニングAPI「Tinker」（2025年10月）をリリースしており、Inklingは同社のミッション「人間の意志と判断を拡張するAI」の具現化となる。

2. アーキテクチャの核心：975Bパラメータの設計思想

Inklingのアーキテクチャは、**「効率性とカスタマイズ性の両立」**に最適化されている。

特徴	詳細
総パラメータ数	975B（41B active / token）
アーキテクチャ	MoE（Mixture-of-Experts）Transformer
MoE構成	256 routed experts + 2 shared experts、6 active / token
Attention	Sliding-window + Global 層 5:1 インターリーブ、8 KV heads
位置エンコーディング	Relative（RoPE非採用）
コンテキスト窓	1M tokens
学習データ	45T tokens（テキスト・画像・音声・動画）
最適化	Hybrid Muon + Adam、weight decay を LR² に結合
ポストトレーニング	SFT（synthetic data）+ RL（>30 million rollouts）
ハードウェア	NVIDIA GB300 NVL72 systems

256 active experts中6 experts / token という構成は、同規模のMoE（DeepSeek V4やQwen 3.8など）と比較しても高い専門化度を持つ。Relative Positional Encodingの採用は注目に値する──RoPE（Rotary Position Embedding）が業界標準である中、あえてRelativeを選んだ意図は、コンテキスト長に対する extrapolation 耐性の向上にあると同社は説明している。ベンチマーク上で1Mコンテキストを実用的に扱える数少ないオープンウェイトモデルの一つだ。

制御可能思考努力（Controllable Thinking Effort）

Inklingの最も革新的な機能の一つが、推論に費やす「思考の労力」を 0.2〜0.99 の単一パラメータで制御できる点だ。低い値では高速・低コスト、高い値では最大品質の推論が得られる。実測では、Nemotron 3 Ultraと同等のTerminal-Bench 2.1性能を約1/3のトークンで達成した。

BFWAIのハンズオンテストによると、2,400行のDjangoコードリファクタリングにおいて：

Effort 0.3：約4,000 reasoning tokens、機能的だが浅い修正
Effort 0.99：約19,000 tokens、通貨丸めバグを発見
最適点 0.6：95%の品質を約半分のトークンで達成

実運用では default 0.5-0.6、失敗時のみ0.99にエスカレーション というルーティング戦略が推奨される。

3. ベンチマーク実力：競合との比較

主要ベンチマークにおけるInkling（effort=0.99）のスコアと、Open-Weight勢・Closed勢との比較：

ベンチマーク	Inkling	Nemotron 3 Ultra	Kimi K2.6	Claude Fable 5 (max)	GPT-5.6 Sol (max)
AIME 2026	97.1%	94.2%	96.4%	99.9%	99.9%
GPQA Diamond	87.2%	86.7%	91.1%	92.6%	94.1%
SWE-bench Verified	77.6%	70.7%	80.2%	95.0%	82.2%
Terminal-Bench 2.1	63.8%	56.4%	71.3%	84.6%	89.5%
HLE text only	29.7%	26.6%	35.9%	53.3%	47.2%
MMMU Pro	73.5%	—	79.0%	84.2%	83.0%
SimpleQA Verified	43.9%	32.4%	38.7%	68.3%	71.6%
FORTRESS Adversarial	78.0%	77.6%	65.6%	96.0%	82.4%
FORTRESS Benign	95.9%	90.5%	97.2%	55.1%	98.1%
StrongREJECT	98.6%	98.7%	99.8%	98.7%	98.5%

3つの注目ポイント：

Safety性能はOpen-Weight No.1：FORTRESS Adversarial 78.0%はKimi K2.6（65.6%）を大きく引き離し、Nemotron 3 Ultra（77.6%）を上回る。Benign拒否率95.9%も極めて低く、「安全だが過剰拒否しない」バランスはオープンウェイトモデル最高水準。
事実性（SimpleQA 43.9%）は弱点：Claude Fable 5（68.3%）やGPT-5.6 Sol（71.6%）に大きな差をつけられている。同社も「search augmentationとの併用を前提」としており、事実性重視のタスクではRAG構成が必須。
エージェント性能は中堅：SWE-bench 77.6%はOpen-WeightとしてはKimi K2.6（80.2%）に次ぐが、Terminal-Bench 2.1（63.8%）はGLM-5.2（82.7%）に大きく劣る。コード特化ではなくマルチモーダル汎用モデルとしての位置づけ。

4. 本当の強み：「カスタマイズ基盤」としての設計

Inklingの戦略的優位性はベンチマークではなく、以下の3つの設計選択にある。

4.1 ネイティブマルチモーダル＋オープンウェイトの組み合わせ

画像・音声もネイティブに理解するオープンウェイトモデルは稀少だ。Vision encoderを持たず、dMelスペクトログラム（音声）と40×40パッチ（画像）を直接入力するencoder-free設計により、ファインチューニング時にモダリティ全体をまとめてカスタマイズできる。VoiceBench 91.4%、MMMU Pro 73.5%は実用的なマルチモーダル性能を示す。

4.2 自己ファインチューニングデモの衝撃

Thinking Machines LabはInklingの発表と同時に、Inkling自身が自らのファインチューニングコードを書き、実行し、評価するループのデモを公開した。

# self-finetune/objective.py — Inklingが自身で生成したコード
OBJECTIVE = "A lipogram model that avoids using the letter e in all answers."

def score(prompt, answer) -> float:
    if 'e' in answer or 'E' in answer:
        return 0.0
    return 10.0

このパイプラインは以下の4ステップで動作する：

Plan：自身に「文字’e’を使わないモデル」という目標を設定
Generate data：目標に沿った訓練データを生成
Fine-tune via Tinker API：TinkerのLoRAファインチューニングを呼び出し
Self-update weights：ファインチューニング後のウェイトを自己適用

結果は 約27分で「eを使わないモデル」へと自己変革。これは単なるデモンストレーション以上の意味を持つ──モデルが自らの限界を認識し、改善方法を自律的に設計・実行できるという、AI自己改善のプロトタイプとして位置づけられる。

4.3 Tinkerエコシステムとの一体化

Tinkerは2025年10月に発表されたThinking Machines LabのファインチューニングAPI。forward_backward、sampleなどの低レベルプリミティブを提供し、LoRAによる効率的な分散訓練をマネージドサービスとして実現する。

Tinker機能	詳細
対応コンテキスト	64K / 256K tiers（Inklingフル1Mはself-hosted）
ファインチューニング手法	LoRA（低ランク適応）ベース
提供形態	Managed service（分散GPU基盤はTinker側が管理）
初期費用	期間限定50%割引（ローンチプロモーション）
クックブック	Tinker Cookbook（Inklingレシピ Day-1対応）
プレイグラウンド	Inkling Playground（制限付き無料、Web検索付き）

5. エンタープライズ展開：Databricks Unity AI Gateway

Inklingはリリースから即座に Databricks Unity AI Gateway 上で利用可能となった。DatabricksはDay Zero Launch Partnerとして、エンタープライズ顧客向けに以下の3つの価値を提供する：

Context：自社コードベースや内部文書でのファインチューニングにより、特定タスクの精度向上
Control：Unity AI Gatewayによるセキュリティ・アクセス権限・監査ログ・ポリシー適用──データは顧客の管理環境内に留まる
Choice：単一プロバイダへのロックインなし。要件に応じてモデルを切り替え・組み合わせ可能

エンタープライズ向けには、InklingをCursorやOpenCodeなどのコーディングエージェントと接続するワークフローが標準サポートされている。これにより、機密コードベース上でのAIコーディング支援を、データ外部送出なしで実現できる。

6. オープンウェイトエコシステムにおけるInklingの位置づけ

既存のOpen-Weightモデルと比較したInklingの最適ユースケース：

モデル	得意領域	ライセンス	パラメータ（総/活性）
Inkling（本稿）	マルチモーダル汎用＋カスタマイズ基盤	Apache 2.0	975B / 41B
GLM-5.2（Z.ai）	Terminalコーディング最強（82.7%）	MIT	744B / 40B
Kimi K3（Moonshot）	総合性能No.1 Open-Weight	独自	2.8T / —
DeepSeek V4	事実性・価格最適	MIT	1T / —
Qwen 3.8（Alibaba）	コーディング・推論	Apache 2.0（partial）	2.4T / —

6/18のGLM-5.2ガイドでも論じた通り、Open-Weight市場は 「特化型リーダー」（GLM-5.2はコード、Kimi K3は総合）と 「基盤型プラットフォーム」（Inklingはカスタマイズ）に分化しつつある。Inklingの戦略は、ベンチマーク競争に参加するのではなく、ファインチューニングエコシステムごとモデルを提供することだ。

7. 5軸フレームにおけるInklingの位置

2026年6月に本ブログが確立した5軸フレームにおいて、Inklingは ② US Open-Weight（Reflection AI系列） に分類される──ただし、アメリカ発のオープンウェイトでありながら、Apache 2.0の完全オープン性でGLM-5.2（MIT）に近いポジションを取る点が特徴だ。

重要なのは、Inklingが カスタマイズ可能性で差別化することで、既存の軸分類に新たなサブ軸を生み出したことだ：

軸	代表モデル	開放度	カスタマイズ戦略
②a 完全公開型	GLM-5.2 (MIT) / Inkling (Apache 2.0)	完全開放	self-hosted + community fine-tune
②b 部分的開放型	Reflection AI / Qwen 3.8	ウェイト＋制限	hosted API + 限定fine-tune

この二層化は、GLM-5.2マージン崩壊の記事で論じた「90%粗利ビジネスモデルの終焉」と表裏一体の動きだ。Closedモデル（Claude Fable 5 / GPT-5.6 Sol）が高価格を維持する一方、Open-Weight層は「無料で使えて改造できる」方向へと競争軸をシフトしている。

8. 日本企業向け実装ガイド

8.1 ユースケース別推奨構成

ユースケース	推奨構成	推定月額コスト
社内コードレビュー	Inkling + Tinker 64K fine-tune on 自社コード	$2,000-5,000
多言語ドキュメント解析	Inkling（音声+画像）+ RAG	$1,000-3,000
カスタマーサポート品質向上	Inkling fine-tuned on 過去対応履歴	$3,000-8,000
セキュリティ監査支援	Inkling (FORTRESS 78%) + custom guardrails	$5,000-12,000
PoC → 本番検証	Inkling Playground → Tinker 50%割引 → Databricks	$500-2,000（初期）

8.2 実装手順（5ステップ）

# Step 1: ウェイトの取得
git lfs install
git clone https://huggingface.co/thinkingmachines/Inkling

# Step 2: Tinker API セットアップ
pip install tinker-client
echo "TINKER_API_KEY=<your-key>" >> .env

# Step 3: 自社データでのファインチューニング
cat > finetune_inkling.py << 'PYEOF'
from tinker import Tinker
import json

tinker = Tinker()
base_model = "thinkingmachines/Inkling"

with open("training_data.jsonl") as f:
    records = [json.loads(line) for line in f]

job = tinker.create_finetune_job(
    model=base_model,
    data=records,
    method="lora",
    context_length=65536,
    effort=0.6,
)
job.wait()
print(f"Fine-tuned model ID: {job.model_id}")
PYEOF
python3 finetune_inkling.py

# Step 4: Databricks Unity AI Gateway 経由のデプロイ
# Unity AI Gateway から REST API エンドポイントを作成
curl -X POST https://<workspace>.databricks.com/api/2.0/ai-gateway/endpoints \
  -H "Authorization: Bearer $DATABRICKS_TOKEN" \
  -d '{
    "name": "inkling-finetuned",
    "model": "thinking-machines-inkling",
    "type": "open-weights"
  }'

# Step 5: Cursor/OpenCode との接続
# Cursor 設定 → Models → Custom Provider → Databricks endpoint URL を指定

8.3 運用上の注意点

事実性担保にはRAG必須：SimpleQA 43.9%はCLIツールや検索連携なしでは信頼性に欠ける
self-hostedには相当なGPUリソース：41B activeとはいえ975B総パラメータのMoEは、最低でも2-4×GB200（または同等）を想定すべき
日本語性能は未検証：45Tトークンの学習データに日本語がどの程度含まれるかは未公開。日本語タスクでは独自評価が必要

9. 今後の展望：Inkling-Smallとロードマップ

同時にプレビュー公開された Inkling-Small（276B total、12B active）は、同じレシピで小型化したモデルだ。多くのベンチマークでInklingに匹敵する性能を示しており、テスト完了後にウェイトが公開される予定。これは Apple Intelligenceのオンデバイス要件（7/17のApple China記事で論じたBonsai 27Bの3.9GB圧縮）と同方向の流れであり、エッジAI展開を視野に入れた小型版の重要性を示唆する。

また、7/14の Protocol War 記事で論じたMCP/A2A/ARD規格競争の中で、Inkling + Tinker の組み合わせはカスタムAIエージェントの基盤として機能する可能性がある──標準プロトコルに準拠しつつ、完全に自社カスタマイズ可能なモデルを提供できる稀有なポジションだからだ。

10. まとめ

Inklingは「ベンチマークNo.1」を競うモデルではない。しかし、**「あなたのデータであなたの用途に合わせて改造できる」**という価値提案は、オープンウェイトエコシステムに新しいカテゴリを定義したと言える。

評価軸	評価	根拠
カスタマイズ基盤	⭐⭐⭐⭐⭐	Tinker + Apache 2.0 + 自己ファインチューニングデモ
マルチモーダル性能	⭐⭐⭐⭐	VisionBench 73.5%、VoiceBench 91.4%（Open-Weight最高）
安全性（Safety）	⭐⭐⭐⭐⭐	FORTRESS Adversarial 78.0%（Open-Weight最高）
事実性（Factuality）	⭐⭐	SimpleQA 43.9%—RAG必須
エンタープライズ対応	⭐⭐⭐⭐	Databricks Unity AI Gateway Day Zero
コード性能	⭐⭐⭐	SWE-bench 77.6%（Kimi K3 80.2%には及ばず）

特に、7月16日にサブスクリプション停止に追い込まれたKimi K3や、マージン崩壊の象徴となったGLM-5.2と並び、Inklingは「Open-Weightの2026年夏」を象徴する3本柱の一本だ。Mira MuratiというOpenAIの出自を持ち、アメリカ発でApache 2.0の完全開放、かつエンタープライズ展開（Databricks）まで含めたecosystemを提供する──この組み合わせは、FLI Safety IndexでAnthropic C+ / OpenAI C / Z.ai D- / DeepSeek F と評価された安全性ガバナンスの文脈でも、注目に値するポジショニングである。

この記事はAIによって生成され、人間の編集を経て公開されています。 Appwright AI は AI によるコンテンツ制作の可能性を探求する実験的プロジェクトです。

1. Inkling登場の背景：Mira Muratiが描く「カスタマイズ可能なAI」のビジョン#

2. アーキテクチャの核心：975Bパラメータの設計思想#

制御可能思考努力（Controllable Thinking Effort）#

3. ベンチマーク実力：競合との比較#

4. 本当の強み：「カスタマイズ基盤」としての設計#

4.1 ネイティブマルチモーダル＋オープンウェイトの組み合わせ#

4.2 自己ファインチューニングデモの衝撃#

4.3 Tinkerエコシステムとの一体化#

5. エンタープライズ展開：Databricks Unity AI Gateway#

6. オープンウェイトエコシステムにおけるInklingの位置づけ#

7. 5軸フレームにおけるInklingの位置#

8. 日本企業向け実装ガイド#

8.1 ユースケース別推奨構成#

8.2 実装手順（5ステップ）#

8.3 運用上の注意点#

9. 今後の展望：Inkling-Smallとロードマップ#

10. まとめ#