Inkling-Small gjør åpen modellstrategi mer realistisk

Thinking Machines Lab har lansert Inkling-Small, en ny åpenvektsmodell som treffer et interessant punkt i markedet: høy nok ytelse til at den bør tas seriøst, liten nok aktiv størrelse til at den ikke bare er et forskningsobjekt for hyperscalere.

Dette er ikke enda en «vi har også en modell»-nyhet. Den viktige delen er kombinasjonen: Mixture-of-Experts-arkitektur med 276 milliarder totalparametere, 12 milliarder aktive parametere per token, opptil 1 million token kontekstvindu, native multimodalitet for tekst, bilde og lyd, variable thinking effort-nivåer og full release av vektene på Hugging Face.

For ledere betyr det én ting: open weights beveger seg fra prinsippdebatt til praktisk arkitekturvalg.

Hva som faktisk er nytt

Thinking Machines beskriver Inkling-Small som en mer effektiv versjon av Inkling. Den større Inkling-modellen har 41 milliarder aktive parametere og 975 milliarder totalparametere. Inkling-Small skal levere sammenlignbar ytelse med rundt en fjerdedel av aktiv størrelse. Det er kjernen i saken. Ikke bare «mindre modell», men bedre forhold mellom kost, ytelse og kontroll.

Modellen er trent på NVIDIA GB300 NVL72-systemer og bygger videre på samme familie som Inkling. Den støtter resonnering over tekst, bilder og lyd i samme modell, og Thinking Machines fremhever særlig agentisk verktøybruk, programmering og visuell resonnering. Den kan bruke Python for å inspisere bilder, zoome, beskjære og jobbe mer presist med dokumenter, diagrammer og små detaljer i visuelt materiale.

På evalsiden rapporterer selskapet blant annet 80,2 prosent på SWE-Bench Verified, 64,7 prosent på Terminal Bench 2.1 med beste harness, 31,6 prosent på Humanity’s Last Exam uten verktøy og 40,0 på Artificial Analysis Intelligence Index. Den ligger dermed tett på større Inkling i samlet indeks, og slår den på flere coding- og reasoning-målinger som Thinking Machines selv fremhever.

Det viktigste for virksomheter er likevel ikke ett enkelt benchmark. Det er at modellen kan justeres med variable thinking effort. Det gjør at team kan bruke lavere innsats på billige, hyppige oppgaver og skru opp innsatsen når jobben er vanskeligere. Det er akkurat slik gode produksjonssystemer bør bygges: ikke én modellmodus for alt, men styrt kost per oppgavetype.

Hvorfor CIO bør bry seg

Mange norske virksomheter har havnet i et litt kunstig valg: enten kjøpe alt som ferdig SaaS fra de store leverandørene, eller late som at open source alene løser datasuverenitet, kostnad og innovasjon. Inkling-Small gjør mellomrommet mer interessant.

En åpenvektsmodell med denne profilen kan brukes som del av en portefølje. Ikke nødvendigvis for å erstatte GPT, Claude eller Gemini i morgen, men for å eie mer av verdikjeden der det betyr noe: interne agentløp, kodehjelp i sensitive repoer, dokumentforståelse, bransjespesifikke assistenter, og finjustering på egne arbeidsflyter.

Det er særlig relevant for selskaper som har tre problemer samtidig:

• De vil ha bedre kontroll på data og logging.
• De vil redusere avhengigheten til én AI-leverandør.
• De trenger modeller som kan tilpasses egen domenepraksis uten at all kunnskap må sendes ut i en ekstern svart boks.

Open weights betyr ikke automatisk tryggere, billigere eller enklere. Det betyr at ops, sikkerhet og arkitektur får flere reelle valg. Det er en stor forskjell.

CISO-vinkelen: frihet gir ansvar

Denne typen modell er også en påminnelse om at «åpent» ikke er det samme som «ufarlig». Inkling-Small rapporteres med sterke resultater på coding og agentiske oppgaver. Den typen kapasitet er nyttig i utvikling, drift og automatisering, men den krever kontroll.

Hvis en virksomhet vil teste Inkling-Small, bør det ikke starte med fri tilgang i Slack. Start heller med et avgrenset miljø: separate credentials, streng nettverkstilgang, audit logs, policy for hvilke datatyper som kan brukes, og en klar eier på risikovurderingen.

Dette er spesielt viktig fordi modellen støtter lange kontekster og multimodal input. Det gjør den nyttig på kontrakter, teknisk dokumentasjon, saksmapper, lyd og skjermbilder. Men det øker også konsekvensen av dårlig dataklassifisering. En modell som kan lese mye, kan også få tilgang til for mye hvis arkitekturen er slapp.

For CISO er den riktige reaksjonen ikke å si nei. Den riktige reaksjonen er å kreve en ordentlig innføringsmodell: data classification først, sandboxing først, evals mot egne risikoscenarier først.

Kode og agentarbeid er den konkrete inngangen

Det mest praktiske første bruksområdet er trolig utvikling. SWE-Bench Verified over 80 prosent og sterk Terminal Bench-score gjør Inkling-Small relevant for kodeagenter, testgenerering, refaktorering og intern dev tooling. Ikke fordi en enkelt benchmark beviser produksjonskvalitet, men fordi profilen passer en kjent smerte: mange engineering-team vil ha mer agentisk hjelp, men de vil ikke at alt skal være låst til én ekstern modell og én prismodell.

For en norsk virksomhet med egne systemer, eldre kodebaser og compliance-krav kan dette bli viktig. Ikke nødvendigvis som den «beste» modellen i absolutt forstand, men som en kontrollerbar modell i en bredere agentplattform.

Jeg ville testet den på tre konkrete oppgaver:

• Reproduserbar bugfix i en isolert kopi av et repo, med krav om test først og patch etterpå.
• Dokumentanalyse på egne, ikke-sensitive maler for å måle om multimodaliteten faktisk gir nytte.
• Koststyrt agentløp der thinking effort varieres mellom enkel triage og tung feilsøking.

Målet er ikke å kåre vinneren i modellkrigen. Målet er å finne ut hvor en åpen modell kan gi bedre kontroll, lavere marginalkost og mindre leverandørrisiko uten å senke kvaliteten.

Min vurdering

Inkling-Small er ikke en grunn til å kaste eksisterende AI-avtaler på båten. Det er en grunn til å slutte å bygge AI-arkitektur som om én leverandør skal eie hele stacken.

Den sterke ledervinkelen her er portabilitet. Hvis virksomheten allerede bygger agenter, bør modellen være en komponent, ikke en skjebne. Agentlaget, minne, verktøy, sikkerhet, logging og evals bør ligge i egen kontroll. Da kan du bruke Claude der Claude er best, GPT der GPT er best, Gemini der det passer, og åpne modeller som Inkling-Small der kontroll, tilpasning eller kost gjør dem riktige.

Det er slik modne AI-miljøer kommer til å jobbe. Ikke modellreligion. Modellportefølje.

Thinking Machines er fortsatt en ny aktør sammenlignet med OpenAI, Anthropic og Google DeepMind. Det betyr at virksomheter bør teste nøkternt. Sjekk faktisk kvalitet på egne data. Sjekk latency. Sjekk lisens- og driftsmodell. Sjekk om fine-tuning på Tinker passer egen risikoprofil. Og ikke undervurder arbeidet rundt modellen: evalsett, kontrollflater, fallback, observability og kostmåling.

Men retningen er tydelig. Når åpne vekter kommer nærmere de store modellene på agentisk arbeid, blir det vanskeligere å forsvare en AI-strategi som bare er innkjøp av lisenser.

For CIO er spørsmålet ikke «skal vi bytte til Inkling-Small?». Spørsmålet er bedre: Hvilke deler av AI-plattformen vår bør være leverandøruavhengige innen 12 måneder?

Kilder og medier

Primærkilde: Thinking Machines Lab, Introducing Inkling-Small, https://thinkingmachines.ai/news/inkling-small/ Thumbnail: OpenAI Image 2 / hogby.ai