Thinky pubblica Inkling: modello multimodale aperto da 975B con contesto a 1M token
Testo scritto con l’intelligenza artificiale a partire da fonti pubbliche, senza revisione umana prima della pubblicazione.
Family Mixture-of-Experts con 41B parametri attivi e versione leggera Inkling‑Small per costi e latenza ridotti.
Sviluppi Ne abbiamo scritto di nuovo il 17 lug: Thinking Machines rilascia Inkling, modello multimodale aperto da 975 miliardi
Thinky pubblica Inkling, modello multimodale a pesi aperti: 975 miliardi di parametri totali, 41 miliardi attivi, finestra di contesto da 1.000.000 di token.
È il primo LLM completo dell’azienda. Thinky lo inquadra come avvio di una famiglia “American open model”: non punta al primato dei benchmark, ma a una baseline solida e verificabile.
Architettura Mixture‑of‑Experts, con routing pensato per bilanciare costo e qualità. L’azienda parla di “thinking effort” efficiente e controllabile: meno parametri usati per token quando possibile, più capacità dove serve durante la generazione.
Multimodalità nativa per progetto. Il preaddestramento ha usato 45 trilioni di token che includono testo, immagini, audio e video. Il ragionamento nativo copre testo, immagini e audio. La finestra estesa a un milione di token consente input lunghi e compositi senza segmentazioni aggressive.
Rilascio con pesi aperti sotto licenza Apache 2.0. L’uso include scenari commerciali, nei limiti della licenza stessa.
La linea comprende anche Inkling‑Small. Variante più leggera con 12 miliardi di parametri attivi, addestrata con ricetta simile. Il titolo dell’annuncio indica 276 miliardi di parametri totali per questa edizione. Thinky la posiziona come opzione a costi e latenza inferiori, mantenendo l’impostazione metodologica e l’obiettivo di prestazioni forti dove contano.
Thinky rimanda a un “breakdown” su Hugging Face con le evidenze tecniche del progetto. Il documento promette una lettura puntuale di architettura e training, utile per chi deve valutare adozione, inferenza o fine‑tuning nel proprio stack.
Il posizionamento è esplicito: modello statunitense, pesi aperti, scala ampia, multimodalità integrata. Non come vertice dei benchmark, ma come riferimento condiviso e riproducibile. In un mercato segnato da licenze restrittive e metriche che cambiano di frequente, una base comune con contesto da 1M token e MoE controllabile offre un terreno stabile per confronto e verifica indipendente.
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.