Du bestellst einen maßgeschneiderten Anzug, der Schneider hält dir nur vorgefertigte Größen hin. Dieses Gefühl kennen Entwickler, wenn sie mit großen KI-Modellen arbeiten. Die Modelle sind stark, aber nicht auf die eigene Aufgabe zugeschnitten. Das Team hinter der Plattform Tinker hat Inkling veröffentlicht – ein offenes Modell, das sich anpassen lässt. Es geht darum, KI nicht als Blackbox zu nutzen, sondern als Werkzeug, das du formen kannst.
Inkling ist kein reines Benchmark-Modell. Es ist ein Mixture-of-Experts Transformer mit 975 Milliarden Parametern, wovon bei einer Abfrage 41 Milliarden aktiv sind. Nicht alle Musiker spielen gleichzeitig, nur die für das Stück benötigten. Das spart Rechenleistung, ohne Ausdruckskraft zu verlieren. Das Modell wurde auf 45 Billionen Token aus Text, Bildern, Audio und Video trainiert. Die Kontextlänge beträgt bis zu einer Million Token, genug für ganze Buchreihen oder stundenlange Audioaufnahmen.
Die Entwickler betonen, dass Inkling nicht das stärkste Modell ist – weder unter offenen noch unter geschlossenen. Stattdessen kombiniert es offene Gewichte, multimodale Fähigkeiten, effizientes Denken und Verfügbarkeit auf der Tinker-Plattform für Feintuning. Der Autor schreibt, es gehe darum, KI zu bauen, die menschliches Urteilsvermögen erweitert – keine KI, die dich ersetzt, sondern eine, die du nach deinen Vorstellungen formst. Weg von der Einheitslösung, hin zum anpassbaren Werkzeug.
Denken nach Maß: Die kontrollierte Denkanstrengung
Inkling hat eine steuerbare Denkanstrengung. Normalerweise geben Modelle bei jeder Aufgabe ihr Maximum – das kostet Zeit und Rechenleistung. Inkling lässt sich einstellen, wie intensiv es über eine Antwort nachdenken soll. Für einfache Fragen braucht es kein langes Grübeln, für komplexe Programmieraufgaben mehr. Auf dem Terminal-Benchmark erreicht Inkling mit einem Drittel der Tokens die gleiche Leistung wie Nemotron-3-Ultra. Das bedeutet niedrigere Kosten und geringere Latenz bei gleicher Qualität.
Das Team trainierte Inkling mit einem Verfahren, das die Denktiefe während des Trainings variiert. Das Modell lernt nicht nur die richtige Antwort, sondern auch den effizientesten Weg dahin. Wie ein Schachspieler, der nicht alle Züge berechnet, sondern nur die vielversprechenden. Du bekommst ein Modell, das sich deinem Budget anpasst – ob schnelle Antworten oder tiefgründige Analysen. Du kannst diesen Regler selbst justieren.
Multimodalität: Sehen, Hören, Verstehen
Inkling verarbeitet Text, Bilder und Audio. Die Architektur ist encoderfrei: Bilder werden in 40×40 Pixel große Kacheln zerlegt und mit einer leichten neuronalen Schicht in eine gemeinsame Darstellung mit Text überführt. Audio wird als Spektrogramm kodiert. Du kannst dem Modell ein Bild zeigen und etwas dazu fragen – oder eine Sprachaufnahme machen und sie transkribieren oder zusammenfassen lassen. Auf VoiceBench erreicht Inkling 91,4 Prozent, auf AudioMC 56,6 Prozent. Respektable Werte für ein nicht auf eine Modalität spezialisiertes Modell.
Die Entwickler sehen die multimodalen Fähigkeiten als Anfang. Sie setzten auf eine einfache, skalierbare Architektur, um in zukünftigen Versionen besser zu werden. Du kannst jetzt mit einem Modell arbeiten, das Sprache, Bilder und Töne gleichberechtigt behandelt. Das eröffnet Anwendungen, die vorher mehrere spezialisierte Modelle erforderten – etwa ein Assistenzsystem, das auf gesprochene Befehle reagiert und ein Diagramm analysiert.
Epistemik: Wissen, was man nicht weiß
Viele Modelle geben klare Antworten, auch wenn sie raten. Inkling wurde darauf trainiert, seine Unsicherheit angemessen auszudrücken. Das Team nennt das Epistemik. Dazu wurde Reinforcement Learning mit Proper Scoring Rules eingesetzt. Auf ForecastBench (ohne Suchwerkzeuge) erreicht Inkling einen Brier-Index von 61,1 Prozent – die Fähigkeit, Wahrscheinlichkeiten für zukünftige Ereignisse zu schätzen. Mit Suchwerkzeugen steigt der Wert auf 63,7 Prozent. Das liegt auf dem Niveau von GPT-5.5 oder Claude Opus.
Ein gut kalibriertes Modell signalisiert, wann es unsicher ist. Das spart Zeit und erhöht Vertrauen. Besonders bei Prognosen oder Entscheidungen auf Basis unsicherer Informationen ist das ein Vorteil. Inkling wurde auf Instruktionsbefolgung getrimmt: Ein automatischer Gutachter prüft, ob alle geforderten Punkte vorkommen, ein zweiter prüft jede Behauptung auf Fakten. Das verhindert bloß plausible Sätze ohne Belege.
Feintuning für alle: Der Tinker-Ansatz
Inkling ist nicht nur zum Herunterladen da. Es ist das erste Modell einer Familie, die auf der Tinker-Plattform feinabgestimmt werden kann. Im Inkling Playground kannst du es interaktiv ausprobieren, bevor du mit dem Feintuning beginnst. Das Team ließ Inkling sich selbst feintunen: Das Modell schrieb seinen eigenen Fine-Tuning-Job, führte ihn aus und evaluierte das Ergebnis. Ein Schritt hin zu KI-Systemen, die sich selbst verbessern können – unter menschlicher Aufsicht.
Die Idee: KI soll nicht nur von wenigen großen Firmen maßgeschneidert werden. Jeder Entwickler, jedes Unternehmen soll ein Modell auf die eigenen Daten trimmen können. Ohne monatelanges Training von Grund auf. Inkling ist das Basismodell, auf dem du aufbauen kannst. Die offenen Gewichte sorgen dafür, dass du nicht an eine Plattform gebunden bist, aber Tinker bietet eine bequeme Umgebung für den Einstieg.
Agentisches Arbeiten: Mehr als nur Textgenerierung
Inkling wurde für Handlungen trainiert. Es läuft in Agenten-Frameworks wie OpenCode und kann mit Werkzeugen umgehen. Demos zeigen: Inkling erstellt aus einer Aufforderung eine voll funktionsfähige Web-App und steuert einen eingebetteten Browser-Assistenten, der die App bedient. Oder es verfeinert ein Spiel über 40 Iterationen, basierend auf Feedback eines anderen KI-Modells. Die Fähigkeit, über längere Zeiträume zu iterieren, ist der Schlüssel zu Mensch-Maschine-Zusammenarbeit.
Auf der Design-Arena-Plattform, wo menschliche Gutachter generierte Web-Apps vergleichen, liegt Inkling auf Augenhöhe mit Claude Opus oder Gemini. Das Modell wurde nicht auf eine einzelne Benchmark optimiert, sondern auf Breite. Du bekommst ein Modell, das Code schreibt, Seiten designed, Diagramme analysiert und aus Rückmeldungen lernt. Weil es offen ist, kannst du es für deine spezifischen Agenten-Workflows anpassen.
Einordnung: Was Inkling konkret bedeutet
Inkling bricht keine Rekorde. Es trifft eine Aussage: KI-Modelle müssen anpassbar sein, um nützlich zu werden. Offene Gewichte, multimodale Fähigkeiten, steuerbare Denkanstrengung und eine Plattform für Feintuning ergeben ein starkes Werkzeug für Entwickler. Die Epistemik – die Kommunikation von Unsicherheit – fehlt in vielen Modellen. Für Anwendungen, die Vertrauen und Nachvollziehbarkeit brauchen, ist das ein Gewinn.
Die KI-Technologie entwickelt sich rasant hin zur Individualisierung. Inkling zeigt, wie du als Entwickler oder Unternehmen ein Modell zu deinem eigenen machst. Es ist eine Einladung, mit einem Fundament zu arbeiten, das du selbst ausbaust. Nicht als Blackbox, sondern als offenes Baukastensystem. Der Weg beginnt nicht an der Spitze der Benchmark-Tabelle, sondern bei der Flexibilität für reale Anwendungen.
Quelle: thinkingmachines.ai
