新しいAIの発表は、ふつう「どこで1位を取ったか」から始まります。その一行を、自分から外したモデルが出ました。
2026年7月15日、Thinking Machines Labが初の汎用AIモデル「Inkling」を公開しました[1]。同ラボは、OpenAIでCTOを務めたMira Murati氏が2025年に設立した研究組織です[3]。注目すべきは順位ではありません。公開した本人が「今日利用できる中で最も強いモデルではない、オープン・クローズドを問わず」と明言している点です[1]。そのうえで重みをApache 2.0で配布し、「カスタマイズのための良い土台」だと位置づけています。
つまりこれは、借りて使うAIではなく、持って育てるAIという提案です。この記事で分かること——①何が公開されたのか（スペックと入手経路） ②「最強を狙わない」と宣言することの意味 ③Apache 2.0で重みが配られると何ができるようになるか ④自分自身を訓練し直してみせたデモ ⑤導入前に知っておくべき限界。数値と仕様はすべて公式発表とモデルカードに基づくもので、CAG自身が検証したものではありません。
01何が公開されたのか
まず事実関係を整理します[1][2]。
| 項目 | 内容 |
|---|---|
| 名称 | Inkling（プレビュー版の小型モデル Inkling-Small も同時公開） |
| 規模 | 総パラメータ 975B、1トークンあたり実際に動くのは 41B（Inkling-Small は 276B / 12B） |
| 構造 | 66層のMoE（混合エキスパート）。256個の専門家のうち6個＋共有2個だけが毎回働く |
| 入力 | テキスト・画像・音声 |
| 出力 | テキストのみ |
| コンテキスト | 最大 100万トークン（Tinker上の提供は64K / 256K） |
| ライセンス | Apache 2.0 |
| 重みの入手 | Hugging Face（thinkingmachines/inkling） |
| API | Together AI / Fireworks / Modal / Databricks / Baseten など第三者経由 |
| 学習 | 45兆トークン（テキスト・画像・音声・動画）、NVIDIA GB300 NVL72で訓練 |
「975Bだが41Bしか動かない」という書き方に戸惑うかもしれません。MoE（混合エキスパート）は、社内に256人の専門家を抱えつつ、案件ごとに担当6人だけを呼び出す組織のような仕組みです。全員を毎回動員しないので、規模のわりに動作が軽くなります。
もう一つ、後で効いてくる仕様があります。入力は音声も画像も受け取るが、出力はテキストだけ。話しかけることはできても、話し返してはくれません。
報告された性能はこうです[1][2]。
| ベンチマーク | スコア |
|---|---|
| AIME 2026（数学） | 97.1% |
| GPQA Diamond（大学院レベルの科学） | 87.2% |
| SWEBench Verified（実際のバグ修正） | 77.6% |
| Humanity's Last Exam（道具なし／道具あり） | 29.7% ／ 46.0% |
| SimpleQA Verified（事実の正確さ） | 43.9% |
強い部類ではあります。ただし最上位ではない、というのが本人たちの評価です。
02「最強を狙わない」と宣言することの意味
新しいモデルの発表は、ふつう「どこで1位を取ったか」から始まります。Inklingの発表はそこを外しました。
今日利用できる中で最も強いモデルではない。オープンかクローズドかを問わず[1]。
そして狙いを「広さ（breadth）」に置き、「一つのベンチマーク系統に狭く最適化すること」を避けたと述べています[1]。
これは謙遜ではなく、設計の宣言だと読むほうが正確です。順位表は、特定の課題形式に合わせ込むほど上がります。一方で実務のAIは、手元のデータに合わせて作り替えられるかどうかで効き方が変わる。どちらに寄せるかを選んだ、という話です。
発表文にはもう一つ、路線を示す一節があります。Inklingを対話の裏で考える側（background reasoning model）として想定している、という記述です[1]。前面で人と話す部分ではなく、その後ろで重い推論を引き受ける層。役割を限定して、そこを深くする設計思想が見て取れます。この「会話する層と、裏で考える層を分ける」構図は、いま各社が同時に向かっている方向でもあります。
関連記事 ｜ 二層構造の話GPT-Liveとは何か ──ChatGPTの音声が「話しながら裏で調べる」二層構造になった理由を解説
→
03Apache 2.0で重みが配られると、何が変わるか
ここが実務にいちばん効く部分です。オープンウェイトとは、モデルの中身（重み＝学習で得られた膨大な数値）が配布され、手元にダウンロードして動かせる状態を指します。Apache 2.0は、商用利用・改変・再配布を広く認める代表的なライセンスです。
普段使っているクラウドのAIと比べると、違いはこうなります。
| 借りるモデル（API利用） | 持てるモデル（オープンウェイト） | |
|---|---|---|
| 置き場所 | 提供元のサーバー | 自社のサーバー・自社が選んだクラウド |
| データの通り道 | 社外に出る | 社内に留められる |
| 中身の改変 | できない | できる（自社データで訓練し直せる） |
| 提供終了・仕様変更 | 受け入れるしかない | 手元の重みは残る |
| 費用の性質 | 使った分だけの従量課金 | 計算資源と運用の固定的な負担 |
見落とされがちなのは4行目です。クラウドのモデルは、ある日提供が終わったり、挙動が変わったりします。私たちも「最強」と紹介したモデルが3日後に提供停止された件を記事にしたことがあります。手元に重みがあるということは、その決定に巻き込まれないということです。
関連記事 ｜ 巻き込まれた側「最強」と紹介したAIは、3日後に消えた ──Fable 5 / Mythos 5 提供停止を、開発の現場から読む
→
もちろん代償もあります。動かす計算資源、更新、監視。「無料」ではなく「自前」というだけです。
04自分自身を訓練し直してみせたデモ
発表で分かりやすいのは、InklingがInkling自身を訓練し直すデモです[1]。課題は「文字『e』を一切使わずに書く」という制約（リポグラム）。英語で『e』を避けるのは、日本語で「い段の音を使わずに書く」に近い無茶ぶりです。これを96ステップの訓練で身につけさせた、と報告されています。
小さな見せ物に見えますが、示しているのは手順です。プロンプトの工夫で粘るのではなく、望む振る舞いを訓練で焼き付ける。そのための道具も同時に整えられています[1]——同ラボのファインチューニング基盤 Tinker（期間限定で50%割引）、Inkling向けのレシピを加えた Tinker cookbook、推論側は SGLang / vLLM / llama.cpp / Hugging Face transformers などが対応。
補足として、訓練の内訳にも興味深い記述があります。事後学習の出発点となる教師データに、別の研究所のモデル（Kimi K2.5）から作った合成データが使われている[1]。モデルが別のモデルを育てる材料になる、という循環が、もはや当たり前の道具立てとして書かれています。
05導入前に知っておくべき限界
モデルカードには、限界がはっきり書かれています[2]。ここは省略せずに読む価値があります。
① 事実を作ってしまう。もっともらしいが誤った内容を生成する（ハルシネーション）と明記されています。事実の正確さを測る SimpleQA Verified が43.9%というのは、半分以上は当てにならないということでもあります。
② 医療・法務・安全に関わる判断には、追加の訓練なしで使うべきでないと明示されています。汎用のまま重要判断に載せることは、作った側が推奨していません。
③ 学習データの偏りを引き継ぐ。人口統計・文化・言語的なバイアスが反映されうる、と記載があります。
④ 断り方の癖が残る。害のない質問まで断ってしまう傾向（過剰拒否）が競合より高めであること、また役割演劇や遠回しな聞き方には応じてしまう残存リスクがあることが、両方書かれています。
⑤ ファインチューニングは安全性の挙動を変えうる。自社向けに訓練し直すと安全対策の効き方が変わる可能性があり、これは研究途上だと述べられています[1]。「自由に作り替えられる」は「作り替えた結果の責任も持つ」と同義です。
⑥ マルチモーダルは初版。音声と画像の能力は汎用データでゼロから訓練した第一弾で、今後改善していく見込みだと明記されています[1]。
06まとめ ──「借りる」以外の選択肢が増えた
Inklingが示したのは、新しい最強モデルではありません。強さの順位とは別の軸で選ばれるモデルが、実用的な水準で出てきたという事実です。
自社で持つ選択肢を検討するなら
- 社外に出せないデータがあるか。ないなら、わざわざ自前で運用する理由は薄い。あるなら、重みが手元にある構成は現実的な解になります。
- 作り替えたい振る舞いが具体的にあるか。「賢くしたい」では訓練になりません。96ステップのデモが成立したのは、課題が一文で言い切れたからです。
- 運用を続けられるか。計算資源・更新・監視は、導入したあとに毎月かかり続けます。
- 変更の責任を引き受けられるか。訓練し直せば安全性の挙動も変わります。作り替える自由は、検証する義務とセットです。
順位表のいちばん上を追いかけるのは分かりやすい。ただ実務で効くのは、手元のデータに合わせて作り替えられるかどうかのほうです。
出典・注記
- Thinking Machines Lab「Inkling: Our open-weights model」2026年7月15日公開。https://thinkingmachines.ai/news/introducing-inkling/ 本文中のスペック・ベンチマーク・訓練内容・デモの記述は同発表に基づきます。電脳技巧集団による検証は行っていません。
- Thinking Machines Lab「Inkling Model Card」https://thinkingmachines.ai/model-card/inkling/ ライセンス（Apache 2.0）・入出力仕様・限界と非推奨用途の記述は同モデルカードに基づきます。
- Thinking Machines Lab は2025年2月設立。創業者の Mira Murati 氏は2024年9月までOpenAIのCTOを務めました。
電脳技巧集団（AI職人ギルド）
自社データを使うAIの構成づくりを、設計から実装・検証まで一気通貫で行っています。相談する
