La frase que un laboratorio puntero no suele publicar

En el anuncio de Inkling que Thinking Machines Lab difundió el 15 de julio se esconde una línea que ningún otro laboratorio puntero ha querido publicar. El modelo, escribió la compañía, "no es el mejor modelo disponible hoy en términos generales". Y a continuación describió lo que sí cree que es: "una buena base de pesos abiertos para la personalización". Todos los lanzamientos de modelos de los últimos tres años han abierto con un gráfico de resultados. Este abrió con una limitación.

Léalo como estrategia, no como modestia. Mira Murati, antigua directora de tecnología de OpenAI, fundó Thinking Machines y tardó unos nueve meses en sacar un modelo de escala frontera, frente a algo más cercano a cinco años en el caso de OpenAI y tres en el de Anthropic. El laboratorio emplea a unas 200 personas y perdió a dos cofundadores que se marcharon a OpenAI en enero. Una compañía en esa posición no gana una carrera de benchmarks contra laboratorios con cien veces su presupuesto de cómputo. Así que decidió no entrar en ella.

La parte útil para quien compra IA es que una limitación honesta es información con la que se puede planificar. Un proveedor que presume de la puntuación más alta en una clasificación pública le está hablando de un número que quedará superado en semanas, muy posiblemente antes de que termine su proceso de compra. Un proveedor que le dice lo que su producto no es le ha dado algo duradero. Eso escasea más de lo que debería, y vale más de lo que parece.

Qué hay realmente dentro de la caja

Inkling es un transformador de mezcla de expertos con 975.000 millones de parámetros totales y 41.000 millones activos en cada momento. Se preentrenó con 45 billones de tokens de texto, imagen, audio y vídeo, y admite una ventana de contexto de hasta 1 millón de tokens. Razona sobre texto, imagen y audio, aunque por ahora solo devuelve texto, incluidos código y datos estructurados. Una variante más ligera, Inkling-Small, suma 276.000 millones de parámetros totales con 12.000 millones activos.

Dos decisiones de diseño revelan para qué está optimizado. El modelo expone un esfuerzo de razonamiento controlable, que permite a quien lo invoca cambiar profundidad de razonamiento por gasto en tokens petición a petición, una palanca de coste que la mayoría de las API no le entrega. Thinking Machines eligió además incrustaciones posicionales relativas en lugar de RoPE, y sostiene que extrapolan mejor a secuencias largas. La compañía afirma que Inkling utiliza aproximadamente un tercio de los tokens del Nemotron 3 Ultra de Nvidia para un rendimiento equivalente en programación. En una factura por consumo, la eficiencia en tokens no es un detalle técnico.

Revise los números prácticos antes que los titulares. Los pesos están en Hugging Face, e Inkling se ofrece a través de Tinker, la plataforma de ajuste fino de la compañía, con longitudes de contexto de 64.000 y 256.000 tokens y, por tiempo limitado, un descuento del 50%. Fíjese en la distancia: el modelo admite hasta un millón de tokens de contexto, mientras que la plataforma gestionada ofrece hoy la cuarta parte. Si su caso de uso depende de la ventana completa, tendrá que alojarlo usted mismo, y alojar un modelo de 975.000 millones de parámetros es un compromiso serio de infraestructura, no el trabajo de una tarde.

La frontera abierta ya es una herencia compartida

El detalle de procedencia de este lanzamiento merece más atención que el recuento de parámetros. Thinking Machines declara que el diseño de mezcla de expertos de Inkling sigue en buena medida a DeepSeek-V3, con 256 expertos enrutados y dos expertos compartidos, y seis expertos enrutados activos por token. También empleó modelos de pesos abiertos, entre ellos el Kimi K2.5 de Moonshot AI, para generar datos del primer postentrenamiento antes del aprendizaje por refuerzo a gran escala. Un laboratorio de San Francisco fundado por la antigua directora de tecnología de OpenAI levantó su arquitectura sobre el diseño publicado por un laboratorio chino y la arrancó con el modelo de otro laboratorio chino.

Así es como se ve una frontera abierta en la práctica. No una carrera por plantar banderas entre dos bloques, sino una herencia técnica compartida que circula en todas las direcciones y no pide permiso en ninguna aduana. La ingeniería viajó de Hangzhou y Pekín a San Francisco porque estaba publicada, y el resultado se publicó a su vez.

Para un propietario europeo esto tiene un valor concreto y nada sentimental. El acceso a un modelo frontera alojado es una relación comercial sujeta a decisiones de política, precio y disponibilidad tomadas en otra jurisdicción, como ya ha aprendido cualquiera cuyo modelo se lanzó en 47 países pero no en la Unión Europea. Un conjunto descargado de pesos abiertos es otro tipo de activo. No se lo pueden restringir, ni encarecer, ni retirar por debajo de los pies, porque ya lo tiene. Esto no es un argumento de que los pesos abiertos sean mejores. Es un argumento de que fallan de otra manera, y saber cómo falla una dependencia es casi todo aquello para lo que sirve la función de compras.

Si esta es una compra que a usted le conviene

La línea que hay que trazar separa alquilar inteligencia de poseer una capacidad. Si su trabajo con IA es amplio, variado y cambia cada semana, alquílelo: pague por token el mejor modelo alojado y cámbielo cuando aparezca otro mejor, porque lo que está comprando es flexibilidad. Si su trabajo es estrecho, repetitivo, de alto volumen y propio de su negocio, una base personalizable que usted ajuste y conserve puede superar a un modelo general que jamás ha visto su dominio, y su coste deja de crecer con el uso. En España ese perfil es más común de lo que parece: la gestoría que procesa el mismo tipo de documento miles de veces al mes, la aseguradora que clasifica partes, el servicio de atención al cliente que responde siempre a las mismas veinte preguntas.

Sea honesto sobre lo que exige la personalización, porque aquí es donde suele romperse el plan. El ajuste fino necesita datos de entrenamiento que sean realmente suyos y que tenga permiso para usar. Necesita un conjunto de evaluación construido con su trabajo real, no con un benchmark público, o no tendrá forma de saber si su versión es mejor que aquello de lo que partió. Y necesita una persona con nombre y apellidos que sea dueña del modelo en producción, porque un modelo ajustado que nadie mantiene se degrada en silencio mientras el negocio cambia a su alrededor. Si falta cualquiera de esas tres cosas, una base de pesos abiertos es una descarga, no una capacidad.

La lectura honesta de Inkling es que la confesión es la característica. Thinking Machines ya le ha dicho lo que no es, así que la única pregunta que queda es si la adaptabilidad es lo que usted necesita. Para la mayoría de las compañías que ejecutan un puñado de tareas generales de IA no lo es, y alquilar sigue siendo lo correcto. Para las menos, las que tienen un problema estrecho de alto volumen y datos propios de verdad, además de razones de protección de datos para alojar el modelo en casa, una base que se pueda poseer y moldear es una propuesta económica genuinamente distinta del acceso medido al modelo de otro. Las dos posturas son defendibles. Comprar la segunda mientras se presupuesta la primera no lo es.

Leer a continuación: China autoriza a sus laboratorios a comprar el H200  |  Un modelo chino podría estar respondiendo sus prompts