Inklingとは？
Inklingは、Mira MuratiのThinking Machines Labが初めて出したモデルで、2026年7月15日にApache 2.0の完全な重みとともに公開されました。総パラメータ9,750億（975 billion）、トークンあたり410億（41 billion）がアクティブなmixture-of-expertsモデルで、テキスト、画像、音声、動画の45兆（45 trillion）トークンで事前学習しています。テキスト、画像、音声を1つのネットワークで読み、テキストを出力します。コンテキストは最大100万（1 million）トークンです。
ラボは主に、ファインチューニングサービスTinkerを通じたカスタマイズの土台として位置づけており、Tinkerでは64Kと256Kのコンテキストで提供しています。より小さいInkling-Small（2,760億（276 billion）パラメータ、120億（12 billion）アクティブ）が7月下旬に続き、Inkling 2 Smallは2026年11月5日にTinkerで公開されました。その重みは外部の安全性テスト後に公開予定です。
Inklingの料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Weights | Free | Apache 2.0 |
| OpenRouter | $1.00 / $4.05 per million tokens | 入力 / 出力、Together経由 |
重みはApache 2.0で無料。OpenRouter（Together）：入力100万トークンあたり$1.00、出力100万トークンあたり$4.05、コンテキストは524,288トークン。Tinkerの料金はドキュメントを参照。
Inklingは使う価値があるか？
Inklingは堅実なオープンのベースモデルですが、作り手自身がオープンでもクローズドでも最強ではないと述べており、視覚のスコアもそれを裏付けます。ラボ自身の表では、MMMU Proが73.5%で、MoonshotのKimi K2.6の79.0%、Gemini 3.1 Proの82.0%に届かず、CharXivの推論も78.1%でK2.6の80.4%を下回ります。しかもKimi K2.6はすでに1世代前のモデルです。
珍しいのは音声です。Thinking Machinesはこれをオープンウェイトで最も強い音声モデルの1つとしており、InklingはVoiceBenchで91.4%、MMAUで77.2%を記録しています。Gemini 3.1 Proは94.3%と82.5%です。スクリーンショットとボイスメモを同じリクエストで読めるオープンモデルを1つだけ求めるなら、候補はわずかです。
もう1つの魅力はApache 2.0ライセンスです。収益の上限、地域の除外、出力の制限がなく、こうした条件は競合するオープンライセンスのいくつかにはあります。OpenRouterでは入力100万トークンあたり$1.00、出力100万トークンあたり$4.05で、規模の割に安く、先月のHugging Faceでのダウンロード数は1,792,792回です。
セルフホストはデータセンター規模の作業です。BF16の重みには約2TBのGPUメモリ、つまりB300 8基かH200 16基が必要で、NVFP4版でも600GB、B300 4基かH200 8基が要ります。Inkling-Smallは2,760億（276 billion）パラメータで同等の性能をうたい、NVFP4ならB300 1基に収まるため、多くのチームにとって現実的なダウンロード先です。
真価を発揮する場面
コールセンター分析ベンダー
録音された通話と、オペレーターが添付したスクリーンショットについての質問に答える
WAV音声（16kHz、理想は20分未満）と画像を1つのリクエストでOpenRouterに送ります。入力100万トークンあたり$1.00なので費用の大半は入力です。Apache 2.0なのでベンダーは結果を再販できます。
リーガルテック企業のMLチーム
自社の文書ワークフローでオープンモデルをファインチューンし、重みを手元に残す
Tinkerで64Kか256Kのコンテキストで学習し、エクスポートしてセルフホストします。フルモデルの実行にはBlackwellかH200のマルチGPUノードが必要なため、多くのチームはInkling-Smallをファインチューンするでしょう。
オープンなマルチモーダルモデルを比較する研究グループ
音声と視覚をネイティブに 扱うエンコーダー不要のモデルを調べる
完全な重み、Transformers、SGLang、vLLM、llama.cppでの初日からの対応、公開されたアーキテクチャにより調べやすくなっています。ラボは動画の性能は評価していないと注意しています。
導入前に確認すること
- 導入
- Hugging FaceにBF16とNVFP4の重み。SGLang、vLLM（0.26以降）、TokenSpeed、Unsloth、Transformers向けのレシピあり。手早く試すならTinker Playground。
- 連携
- Transformers、SGLang、vLLM、llama.cpp、UnslothのGGUF版、Tinker API、OpenRouter（Together）、Hugging Face Inference Providers。
- データとプライバシー
- Apache 2.0。セルフホストなら何もサーバーの外に出ません。学習データには公開ウェブのコンテンツ、第三者のデータ、合成データが含まれます。OpenRouterの掲載モデルはEU域内ルーティングでは使えません。
- 大規模利用時のコスト
- OpenRouterで月に入力10億（1 billion）トークンと出力1億（100 million）トークンなら約$1,405。セルフホストではNVFP4版にB300 4基かH200 8基が必要です。
- 制限
- コンテキストはOpenRouterで524,288トークン、Tinkerで64Kか256K、1Mはセルフホストのみ。画像は1辺40から4,096ピクセルが理想。音声は20分未満が理想。出力はテキストのみ。
良い点
- 使用制限のないApache 2.0
- テキスト、画像、音声の入力を1つのモデルで、コンテキスト1Mトークン
- OpenRouterで100万トークンあたり$1.00 / $4.05
- 開発元のTinkerによるファインチューニングサービス
気になる点
- MMMU Proは73.5%で、Kimi K2.6の79.0%に及ばない
- BF16で約2TB、NVFP4で600GBのGPUメモリ
- 動画入力はあるが評価されていない
- より小さいInkling-Smallが4分の1のサイズで同等の結果をうたう
おすすめの人
テキスト、画像、音声を読める寛容なライセンスのオープンモデ ルを求め、そのまま使うのではなくファインチューンする予定のチーム。
Inklingの代替
Inkling：よくある質問
- Inklingは使う価値があるか？
- Inklingは、目ではなく、ライセンスと耳で選ぶ大型オープンモデルです。 評価は5点満点中3.8点です。
- Inklingの料金は？
- 重みはApache 2.0で無料。OpenRouter（Together）：入力100万トークンあたり$1.00、出力100万トークンあたり$4.05、コンテキストは524,288トークン。Tinkerの料金はドキュメントを参照。
- Inklingの欠点は？
- MMMU Proは73.5%で、Kimi K2.6の79.0%に及ばない; BF16で約2TB、NVFP4で600GBのGPUメモリ; 動画入力はあるが評価されていない; より小さいInkling-Smallが4分の1のサイズで同等の結果をうたう.
- Inklingは誰に向いているか？
- テキスト、画像、音声を読める寛容なライセンスのオープンモデルを求め、そのまま使うのではなくファインチューンする予定のチーム。
- チームや本番環境でInklingを使うと費用はいくらか？
- OpenRouterで月に入力10億（1 billion）トークンと出力1億（100 million）トークンなら約$1,405。セルフホストではNVFP4版にB300 4基かH200 8基が必要です。
- Inklingは企業データを扱っても安全か？
- Apache 2.0。セルフホストなら何もサーバーの外に出ません。学習データには公開ウェブのコンテンツ、第三者のデータ、合成データが含まれます。OpenRouterの掲載モデルはEU域内ルーティングでは使えません。
- Inklingの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はKimi K3, Nemotron 3.5 Super VL, Gemma 4 、 Qwen3.8-27Bです。
回答確認日：2026年11月7日