元OpenAI CTOのMira Murati氏が創業したThinking Machines Labが、同社として初めてとなる自社学習のAIモデル「Inkling」を公開した。総パラメータ975B（活性化41B）のMixture-of-Experts(MoE)構成で、企業が自由に商用利用・改変できるApache 2.0ライセンスのオープンウェイトモデルとして重み一式がダウンロード可能になっている。
Inklingの中身
Inklingはテキスト・画像・音声・動画を横断的に扱うネイティブなマルチモーダルモデルで、45兆トークン規模のデータで事前学習されている。コンテキストウィンドウは最大100万トークンに対応し、コーディング能力を測るSWE-bench Verifiedでは77.6%を記録した。MoE構成により、975Bという総パラメータ数に対して推論時に実際に使う「活性化パラメータ」は41Bにとどまり、コストと性能のバランスを取っている。同時に、より軽量な「Inkling-Small」（活性化12B）もプレビュー公開され、低コスト・低レイテンシ用途向けの選択肢も用意された。
同社はInklingを、自社が提供するファインチューニング基盤「Tinker」とセットで使うことを想定している。Tinkerのコンソールには、Inklingと直接対話しながら挙動を確かめられる「Inkling Playground」も追加された。
公開に合わせて公開されたデモも興味深い。Thinking Machines LabはInkling自身に「アルファベットのeを一切使わずに応答するモデル」へ自分をファインチューニングするタスクを与えた。Inklingは学習データと評価基準を自分で書き、Tinker上で学習ジョブを実行し、結果を評価した上で、更新後の重みへ自ら切り替えるところまでを一気通貫でこなした。
実務への影響
Apache 2.0での重み公開は、企業がAPI従量課金やベンダーロックインを避けて自社環境でモデルを保有・運用できることを意味する。Inkling自体は「現時点で最強のモデル」ではないと開発元も明言しているが、マルチモーダル対応・効率的な推論・Tinkerによるファインチューニング環境がセットで揃っている点は、特定ドメイン向けにモデルを育てたい企業にとって現実的な選択肢になる。社内文書やコールセンター音声など複数モダリティを扱う用途で、自社データによるチューニングを検討している担当者は候補に入れておく価値がある。軽量なInkling-Smallを使えば、エッジ環境やレイテンシ要件の厳しい用途にも展開しやすい。
筆者の見解
モデル単体の性能競争ではなく「誰でも自分の用途に合わせて育てられる基盤」を志向した設計思想は理にかなっている。オープンな重みとファインチューニング環境をセットで提供する戦略は、特定ドメインに特化させたい企業にとって参入障壁を下げる。
個人的にもっとも注目したいのは、Inklingが自分自身のファインチューニングジョブを書き、実行し、評価した上で新しい重みへ切り替えるところまでを自律的にこなしたデモだ。人間が逐一確認・承認するのではなく、目的だけを渡せば自律的にタスクを完遂するエージェント像がここでも体現されている。こうした「自律的に判断・実行・検証のループを回す」設計こそ、いま最も注目すべきAIエージェントの方向性だと考えている。
新しいモデルが出るたびに全部を追いかける必要はない。ただ、Tinkerのように自社データで独自モデルを育てる基盤が整ってきたこと自体は、実際に手を動かして試す価値のある動きだ。まずは今使っているツールを使い倒すことを優先しつつ、こうした基盤の進化は押さえておきたい。
出典: この記事は Inkling: Our open-weights model の内容をもとに、筆者の見解を加えて独自に執筆したものです。