1. O que é o Inkling, o novo modelo da Thinking Machines Lab?
2. Quem está por trás do Inkling: Thinking Machines Lab e Mira Murati
3. Os diferenciais técnicos do Inkling
4. Como o Inkling se compara a outros modelos de IA
5. O que o lançamento do Inkling sinaliza para o mercado de IA
A Thinking Machines Lab, startup de Mira Murati (ex-diretora de tecnologia da OpenAI), lançou nesta semana o seu primeiro modelo de IA, batizado de Inkling. A empresa é conhecida desde já por evitar anúncios até ter algo pronto para mostrar, e o lançamento chega marcado por uma declaração pouco comum no mercado de IA: o Inkling não é o modelo mais forte disponível hoje, nem pretende ser.
Essa escolha de posicionamento diferencia o modelo de lançamentos recentes como o GPT-5.6 Sol, da OpenAI, o Claude Fable 5, da Anthropic, ou os supermodelos que disputam o topo dos rankings de benchmark. Enquanto boa parte do mercado compete por liderar tabelas de desempenho, a Thinking Machines Lab aposta em outra tese: entregar um modelo aberto, multimodal e fácil de personalizar, para que cada empresa o torne o melhor possível para o seu próprio caso de uso.
Entender esse lançamento é entender também para onde a competição entre modelos de IA está se deslocando: da corrida por benchmarks para a corrida por customização. A seguir, veja o que ele é, quem está por trás e por que esse lançamento importa para empresas que decidem sua estratégia de IA.
O Inkling é o primeiro modelo de inteligência artificial lançado pela Thinking Machines Lab, startup fundada pela ex-CTO da OpenAI Mira Murati. É um modelo de arquitetura Mixture-of-Experts, com 975 bilhões de parâmetros totais e 41 bilhões ativos por token, treinado para raciocinar nativamente sobre texto, imagem, áudio e vídeo, com janela de contexto de até 1 milhão de tokens.
Diferente da maioria dos lançamentos recentes de IA, o Inkling é disponibilizado como modelo open-weight. Isso significa que qualquer empresa pode baixar os pesos completos, hospedar o modelo em infraestrutura própria e customizá-lo para seu contexto, sem depender de chamadas pagas por API a cada uso.
O modelo foi pré-treinado com 45 trilhões de tokens de conteúdo multimodal, segundo o anúncio oficial da Thinking Machines Lab (2026). Ao lado do Inkling, a empresa também revelou uma versão prévia do Inkling-Small, com 276 bilhões de parâmetros totais e 12 bilhões ativos, pensada para operações em que custo e latência pesam mais do que desempenho máximo.
A Thinking Machines Lab foi fundada em fevereiro de 2025 por Mira Murati, que atuou como CTO da OpenAI por mais de seis anos e chegou a assumir a posição de CEO interina da empresa por poucos dias, durante a crise de governança que afastou temporariamente Sam Altman em novembro de 2023.
Ao lado de Murati, o time fundador reúne outros nomes que também passaram pela OpenAI, entre eles John Schulman, Barret Zoph, Lilian Weng, Andrew Tulloch e Luke Metz.
Sem produto nem receita, a Thinking Machines Lab levantou USD 2 bilhões em uma rodada seed liderada pela Andreessen Horowitz, avaliando a empresa em USD 12 bilhões. O aporte contou também com Nvidia, Accel, ServiceNow, Cisco, AMD e Jane Street entre os investidores, e a rodada figura entre as maiores já registradas no Vale do Silício para uma empresa em estágio seed.
O primeiro produto da Thinking Machines Lab, batizado Tinker, chegou ao mercado em outubro de 2025: uma plataforma para fine-tuning de modelos de IA sem a complexidade de treinamento distribuído tradicional. O Inkling é o modelo pensado para rodar dentro dessa plataforma.
Meses depois da rodada seed, a Bloomberg (2025) noticiou que a empresa chegou a buscar uma nova captação a uma avaliação em torno de USD 50 bilhões. A negociação não avançou, e a Thinking Machines Lab manteve a avaliação original até o lançamento do Inkling.
Colocar esse modelo em produção envolve um conjunto específico de escolhas de arquitetura. Três delas resumem essa proposta.
O Inkling é disponibilizado com os pesos completos no Hugging Face, incluindo uma versão otimizada para inferência em chips Nvidia Blackwell. Qualquer time de dados pode baixar o modelo, ajustá-lo com dados proprietários e rodá-lo na própria infraestrutura, sem depender de um provedor externo a cada chamada.
A Thinking Machines Lab reforça essa proposta com o Tinker, a plataforma própria de fine-tuning que já suporta o modelo com desconto promocional por tempo limitado. A empresa também disponibilizou o Inkling Playground, ambiente para testar o modelo antes de comprometer recursos com um treinamento completo.
O Inkling permite ajustar quanto esforço de raciocínio o modelo aplica a cada tarefa, balanceando custo e latência contra profundidade de resposta. Em testes de codificação no Terminal Bench 2.1, segundo dados divulgados pela própria Thinking Machines Lab (2026), ele igualou o desempenho do Nemotron 3 Ultra, da Nvidia, usando cerca de um terço dos tokens gerados.
Para empresas que rodam modelos de IA em escala, essa eficiência de token pesa diretamente no custo de operação. Cada resposta mais curta para o mesmo resultado significa menos gasto computacional multiplicado por milhões de chamadas ao longo de um mês.
Diferente de modelos que anexam um encoder de visão ou áudio a uma arquitetura de texto já treinada, o Inkling foi treinado do zero para processar texto, imagem e áudio de forma conjunta. Isso o coloca entre os modelos abertos com melhor desempenho em benchmarks de compreensão de áudio como VoiceBench e MMAU, além de bom desempenho em tarefas visuais como leitura de gráficos e diagramas.
Essa multimodalidade nativa é o que permite ao modelo servir como motor de raciocínio dos interaction models, sistema de colaboração em tempo real por voz e visão que a Thinking Machines Lab já havia apresentado antes deste lançamento.
A Thinking Machines Lab não escondeu, no anúncio, que o Inkling perde em desempenho bruto para concorrentes abertos chineses como GLM, DeepSeek e Kimi em boa parte dos benchmarks de raciocínio e codificação. É uma admissão pouco comum: a maioria dos laboratórios de IA anuncia cada novo modelo como o melhor de sua categoria, inclusive quando comparado a modelos fechados como o Claude Fable 5.
Onde o Inkling se destaca é em critérios menos óbvios de benchmark. Segundo a Thinking Machines Lab (2026), o modelo apresenta os melhores índices de resistência à censura entre os avaliados pela Cognition em seu teste de confiabilidade, além de calibração competitiva em provas de previsão como o ForecastBench. Isso importa para empresas que usam IA para decisões baseadas em probabilidade e incerteza, não apenas para gerar texto ou código.
Essa combinação de eficiência, multimodalidade e peso aberto é o que a Thinking Machines Lab está vendendo, mais do que um número de benchmark isolado.
Para quem ainda está organizando os fundamentos de IA generativa dentro da empresa, esse lançamento é um recordatório de que escolher um modelo de IA já não se resume a qual API responde melhor: envolve decidir entre customizar um modelo aberto ou operar dentro dos limites de um modelo fechado.
O Inkling chega em um momento em que empresas amadurecem o uso de agentes de IA em processos internos, e a decisão entre modelo aberto e modelo fechado deixou de ser apenas técnica. Um modelo open-weight como esse permite rodar inferência dentro do perímetro de segurança da empresa e ajustar comportamento a dados proprietários, sem depender de um único fornecedor de API, o que pesa especialmente para setores regulados, com restrições sobre onde os dados podem ser processados.
Ao mesmo tempo, o lançamento reforça uma tendência que vinha se desenhando desde a chegada do Tinker: modelos de fundação deixam de competir apenas por inteligência bruta e passam a competir por quão bem servem como ponto de partida para customização. Empresas que constroem soluções próprias de IA precisam avaliar não só o desempenho de um modelo em benchmark, mas o custo e a facilidade de adaptá-lo ao problema real que enfrentam.
O Inkling não é, e a própria Thinking Machines Lab admite isso, o modelo mais inteligente disponível hoje. É, em vez disso, uma aposta deliberada de Mira Murati em outro critério de competição: peso aberto, eficiência de raciocínio e multimodalidade nativa, empacotados para que cada empresa personalize o modelo até ele se tornar o mais adequado para o seu próprio problema.
Esse posicionamento tende a ganhar peso à medida que mais empresas amadurecem sua estratégia de IA e passam a questionar o custo de depender exclusivamente de modelos fechados via API. A entrada da Thinking Machines Lab no mercado de modelos abertos também devolve aos Estados Unidos um competidor relevante nesse segmento, hoje dominado por laboratórios chineses como DeepSeek, GLM e Kimi. Nos próximos meses, o teste real do Inkling não será a posição em um ranking de benchmark, mas quantas empresas o escolherem como base para construir sobre ele.
Em suma, o Inkling não tenta ser o modelo mais forte do mercado: tenta ser o ponto de partida mais maleável para quem precisa de IA sob medida.
Para ficar por dentro desse lançamento e de outras notícias relevantes relacionadas a IA e inovação, assine a AI Factory News, newsletter de inteligência artificial do Distrito, e receba toda quinta-feira as principais novidades do setor diretamente na sua caixa de e-mail.
