מוראטי שחררה את Inkling בקוד פתוח

כמעט שנה וחצי עבדה Thinking Machines Lab הרחק מאור הזרקורים. הסטארטאפ של מירא מוראטי — לשעבר CTO ב-OpenAI — גייס 2 מיליארד דולר בשלב ה-seed לפי שווי של 12 מיליארד דולר, בלי שמוצר אחד יצא לשוק. אתמול (ד') החברה סוף סוף הראתה את הקלפים: מודל AI ראשון בשם Inkling, עם 975 מיליארד פרמטרים, במשקלים פתוחים.

אז מה בעצם קיבלנו?

לא המודל החזק ביותר — וזה בכוונה

בואו נבהיר משהו מראש: Thinking Machines לא טוענים ש-Inkling הוא המודל הכי חזק בשוק. "הוא לא המודל החזק ביותר הקיים היום, פתוח או סגור", נכתב בחומרי ההשקה של החברה. וזה לא בושה — זה האסטרטגיה.

Inkling הוא מודל מסוג Mixture-of-Experts עם 975 מיליארד פרמטרים סה"כ, אבל הוא מפעיל רק כ-41 מיליארד מהם בכל משימה — עיצוב שמאפשר למודלים גדולים להיות מהירים וזולים יותר להרצה. הוא אומן על 45 טריליון טוקנים של טקסט, תמונות, אודיו ווידאו, והוא מסוגל לנתח את כולם באופן נייטיב.

חלון ההקשר מגיע עד מיליון טוקנים. החברה גם מציגה תצוגה מקדימה של Inkling-Small — גרסה קלה יותר עם 12 מיליארד פרמטרים פעילים.

ההימור: התאמה אישית, לא כוח גולמי

ההימור המרכזי של Thinking Machines הוא שארגונים לא צריכים את המודל הכי חכם — הם צריכים מודל שהם יכולים להתאים לעצמם. במקום למכור לכולם את אותו מוצר גנרי, החברה בונה על כך שארגונים יקחו את Inkling ויעשו עליו fine-tuning עם הנתונים הספציפיים שלהם.

הפלטפורמה לכך היא Tinker, שהושקה באוקטובר 2025. דרך Tinker אפשר להתאים את המודל, ולפי החברה — גם לארח אותו. זו נקודת ההכנסה העיקרית שלהם כרגע.

דוגמה מוחשית מגיעה מ-Bridgewater Associates, קרן הגידור הגדולה בעולם (שאינה משקיעה ב-Thinking Machines). חוקרים משתי החברות לקחו מודל קוד פתוח קיים, אימנו אותו על המומחיות הפיננסית של Bridgewater, והתוצאה קיבלה 84.7% במבחני חשיבה פיננסית — יותר ממודלים קינייניים מובילים — בעלות של בערך אחד-עשר מההרצה שלהם.

ביצועים: יעילות על פני עוצמה

אחד הנתונים המעניינים: על Terminal Bench 2.1, מבחן ל-agentic coding, Inkling מגיע לאותה רמת ביצועים כמו Nemotron 3 Ultra של Nvidia עם שליש מכמות הטוקנים. זה אומר פחות זמן, פחות כסף, פחות חשמל — ובפרודקשן, זה מה שחשוב.

ל-Inkling יש גם תכונה מעניינת: "thinking effort" מתכוונן. אפשר "לסובב" את רמת המאמץ שהמודל משקיע בפתרון בעיה, מאפס-עשר ל-0.99, ולראות איך זה משפיע על הביצועים מול עלות. זה כלי שימושי כשמתאימים מודל למקרה שימוש ספציפי.

המודל גם מאמן תשובות שמסמנות אי-וודאות במקום לנחש — תכונה שארגונים שעובדים עם AI ביישומים קריטיים מעריכים.

מ-OpenAI לשוק הפתוח

מוראטי הייתה ב-OpenAI בשנת 2019, כשהמעבדה — שקמה על הבטחה של פתיחות — החליטה לא לשחרר את הגרסה המלאה של GPT-2 מחשש לשימוש לרעה. זה היה הרגע שבו OpenAI התחילה לסגת ממודלים פתוחים.

שבע שנים אחרי, מוראטי בוחרת בכיוון ההפוך. Inkling פתוח לחלוטין להורדה ב-Hugging Face. אבל החברה לא מתחייבת שכל המודלים העתידיים יהיו פתוחים גם כן — הגישה היא לפי שיקול סיכונים, מקרה אחרי מקרה.

שאלת ה-distillation

אחד הדברים שלא מדברים עליהם מספיק: האם Inkling אומן על פלטים ממודלים מתחרים? זו פרקטיקה שנקראת distillation, והיא מעוררת מחלוקת בתעשייה.

Thinking Machines מודה: כן, חלקית. החברה עשתה pre-training מאפס, אבל בשלב post-training מוקדם הם השתמשו במודלים אחרים בקוד פתוח — כולל Kimi K2.5 של Moonshot AI הסינית — כדי לייצר נתוני אימון. לדבריהם, במודל הבא הם יעברו ל-post-training מלא בעצמם.

הכסף הגדול

Thinking Machines גייסה 2 מיליארד דולר ב-2025, עוד לפני שהיה לה מוצר. Nvidia היא בין המשקיעות, והחברות העמיקו את השותפות: Thinking Machines אימנה את Inkling כולו על מערכות ה-GB300 NVL72 של Nvidia, במסגרת שותפות אסטרטגית שנחתמה במרץ 2026 להקצאת גיגה-וואט של יכולת מחשוב Vera Rubin.

דיווחים מ-2025 דיברו על סבב גיוס נוסף של 50 מיליארד דולר, אבל מקורות שונים ציינו בינואר האחרון שהוא נתקע. מאז, החברה לא מדברת על מצב המימון שלה.

החברה חתמה גם על עסקת ענן עם Google Cloud, ומעסיקה כיום כ-200 עובדים — עלייה מרמות שנרשמו אחרי גל עזיבות מוקדם יותר השנה, כולל שני מייסדים משותפים שעברו ל-OpenAI בינואר.

למה זה רלוונטי למי שעובד פה?

בשביל אנשי ההיי-טק הישראלים, הידיעה הזו רלוונטית בכמה מישורים:

ראשית, המגמה של מודלים פתוחים בהתאמה אישית צוברת תאוצה. אם אתם מפתחים מוצרים שמשתמשים ב-AI, יש כאן עוד אופציה רצינית לשכבת הבסיס. Fine-tuning על מודל כמו Inkling יכול להיות רלוונטי לחברות שרוצות שליטה מלאה בפריסה, בעלויות ובקניין רוחני.

שנית, Satya Nadella מ-Microsoft הזהיר לאחרונה שארגונים שמשתמשים במודלים קינייניים משלמים בעצם פעמיים: פעם אחת בדמי מנוי, ופעם שנייה בכך שכל הידע שטמון בפרומפטים ובהנחיות שלהם נספג למודל ויכול להופיע בגרסאות עתידיות. זו הסיבה שמודלים פתוחים — בהם אתם שולטים בפריסה ובטביעת הדאטה — הופכים לאלטרנטיבה אטרקטיבית.

ושלישית, Thinking Machines מראה שקצב הפיתוח בעולם ה-AI רק מואץ. החברה טוענת שהגיעה לשבכנס הכנסות תוך תשעה חודשים — לעומת חמש שנים ב-OpenAI ושלוש ב-Anthropic.

לאן ממשיכים מפה?

השאלה הגדולה היא האם האסטרטגיה של התאמה אישית על פני כוח גולמי תוכיח את עצמה. Thinking Machines מתחרה ישירות ב-OpenAI, ב-Anthropic וב-Google — כולן מציעות מודלים חזקים יותר במבחנים סטנדרטיים, אבל כולן גם סגורות יותר ויותר.

בינתיים, Inkling מתחיל מנקודה צנועה יחסית: לא המודל הכי חזק, אבל כן אחד שארגונים יכולים באמת לאמץ ולשלוט עליו. ואם לשפוט לפי הכסף שמשקיעים שמים על השולחן — מישהו מאמין שההימור הזה ישתלם.

רק אל תשאלו כמה זה עלה עד כה — אף אחד בחברה לא מוכן לענות על השאלה הזו.