Thinking Machines rilascia Inkling, modello multimodale aperto da 975 miliardi
Testo scritto con l’intelligenza artificiale a partire da fonti pubbliche, senza revisione umana prima della pubblicazione.
Inkling è un Mixture-of-Experts multimodale con pesi Apache-2.0, 41 miliardi di parametri attivi e addestrato su 45 trilioni di token.
Thinking Machines Lab pubblica i pesi di Inkling: modello multimodale Mixture‑of‑Experts, 975 miliardi di parametri totali, 41 miliardi attivi, licenza Apache‑2.0.
L’addestramento usa 45 trilioni di token su testo, immagini, audio e video. Il post di lancio chiarisce struttura e contesto: indicazione della distinzione tra parametri complessivi e attivi, e posizionamento esplicito fuori dalla categoria dei modelli di frontiera.
La documentazione è scarna. La model card rimanda a una Training Data Documentation altrettanto sintetica. In quel testo, Thinking Machines afferma l’impiego di contenuti in pubblico dominio e di contenuti che “possono essere soggetti a diritti di proprietà intellettuale”. Cita inoltre l’uso di materiale dall’“internet aperto”, da “depositi pubblicamente accessibili” e da “dataset forniti da terze parti”. Non compaiono elenchi di dataset né percentuali per tipologia.
Un punto testuale emerge netto: Inkling non è un “frontier model”. La formula compare nel post, senza eccezioni o condizioni. L’enfasi ricade sul rilascio dei pesi e sulla natura multimodale del sistema.
Accanto al modello principale, il laboratorio lavora a Inkling‑Small. La variante in test dichiara 276 miliardi di parametri totali e 12 miliardi attivi. I pesi non sono ancora disponibili; arriveranno “once that work is complete”.
Qui i materiali pubblici si fermano. Restano chiari l’architettura Mixture‑of‑Experts, i volumi dichiarati per parametri e token, il perimetro d’uso dei dati e la scelta di rendere disponibili i pesi del modello principale. Restano invece non specificati la lista dettagliata dei dataset e altri elementi tecnici non menzionati nelle note.
Per chi sviluppa e testa pipeline multimodali, i pesi aperti di un sistema di questa scala possono accelerare prove su compiti reali, dal parsing di immagini con testo all’allineamento audio‑video. La prossima mossa è già scritta nel post: pubblicare i pesi di Inkling‑Small al termine dei test, “once that work is complete”.
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate nel pezzo. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Il filo della storia
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.