Thinking Machines Inklingとは？Mira Murati初のオープンウェイトモデルの性能・料金・使い方を完全解説【2026年7月速報】

Inkling（インクリング）は、元OpenAI CTOのMira Murati（ミラ・ムラティ）氏が創業したThinking Machines Labが2026年7月15日（現地時間）に発表した、同社初の自社開発AI基盤モデルです。総パラメータ975B（約1兆）のMoEアーキテクチャ・最大1Mトークンのコンテキスト・テキスト/画像/音声のマルチモーダル入力を備えながら、Apache 2.0ライセンスの完全オープンウェイトとして誰でも無料でダウンロードできます。

この記事では、Inklingの技術仕様・ベンチマーク性能・できること/できないこと・Tinker経由のカスタマイズ料金（7月17日以降の値上げ予告含む）・入手方法・競合オープンウェイトモデルとの違いを、公式発表とHugging Faceの一次情報に基づいて整理します。

「Inklingとは何か知りたい」「ChatGPTなど既存モデルと何が違うのか」「自社でカスタマイズできるのか、費用はいくらか」を知りたい開発者・企業のAI導入担当者・AIニュースを追っている方向けの内容です。

出典: Thinking Machines Lab 公式サイト

Inklingとは？「カスタマイズ前提」のオープンウェイト基盤モデル

Inklingは、「最強のモデル」ではなく「組織が自分で適応させられる基盤モデル」を目指して設計された、Thinking Machines Lab初のオープンウェイトAIモデルです。公式自身が「現在利用可能な最強のモデルではない（not the strongest overall model available today）」と明言しており、リーダーボードでの首位争いではなく「カスタマイズのための幅広い基盤（broad foundation model for customization）」というポジションを取っています。

基本情報を表にまとめます。

同社のミッションは「AI that extends human will and judgment（人間の意志と判断を拡張するAI）」で、「ワンサイズフィットオール」の汎用AIに対して、各組織が自分の業務に合わせて調整したAIのほうが最終的に勝つという賭けを明確に打ち出しています。ビジネスモデルもこの思想に沿っており、モデル本体は無料公開し、カスタマイズ・トレーニング・ホスティングを担うTinkerで収益化する構造です。

開発元のThinking Machines Labとは

Thinking Machines Labは、2024年末にOpenAIを退社したMira Murati氏が2025年2月に設立を発表したAI企業です。OpenAI共同創業者のJohn Schulman氏らが在籍し、2025年7月にはa16zリードで約20億ドル（評価額120億ドル）という史上最大級のシード調達を実施しました。これまでにLoRAファインチューニングAPI「Tinker」（2025年10月）、フルデュプレックス対話AI「Interaction Models」（2026年5月・研究プレビュー）を公開しており、Inklingは同社初の自社開発基盤モデルにあたります。

会社の成り立ち・資金調達・主要メンバーの詳細は、別記事「Thinking Machines Labとは」で解説しています。

Inklingの技術仕様：975B MoE・1Mコンテキスト・Thinking Effort制御

Inklingの技術面の要点は、①DeepSeek-V3系の設計を踏襲した975B/41BのMoE構成、②最大1Mトークンの長文コンテキスト、③「思考量」を利用者が調節できるThinking Effort機能の3つです。

アーキテクチャの詳細

MoEアーキテクチャの参照元となった設計思想については「DeepSeek V4.1とは」も参考になります。

Thinking Effort：思考量とコストのトレードオフを自分で選べる

Inklingの差別化機能がThinking Effort（思考努力）の制御です。推論に費やす「思考量」をnone〜maxの範囲で調整でき、effort値0.2〜0.99の間で性能と効率のパレート境界を形成します。つまり「多少精度を落としてでも速く・安く」「コストをかけてでも高精度に」を、タスクごとに利用者側が選べます。

実績として、Terminal Bench 2.1においてNVIDIA Nemotron 3 Ultraと同等の性能を約1/3のトークン数で達成したと公式が報告しています。APIコストがトークン数に比例する以上、同じ結果を1/3のトークンで得られることは実務では直接的なコスト削減を意味します。

軽量版「Inkling-Small」もプレビュー発表

総276B / アクティブ12Bの軽量版Inkling-Smallも同時に発表されました。改善されたプリトレーニングレシピにより、多くのベンチマークで親モデルと同等以上の性能を示すとされています。ただし2026年7月16日時点ではテスト中でウェイトは未公開（公開は「予定」段階）です。ローカル実行を狙う個人開発者にとっては、こちらの公開を待つのが現実的な選択肢になります。

Inklingにできること

Inklingが実務で担える領域は主に次の5つです。

• テキスト生成・推論: コーディング、数学、科学的推論、長文読解。SWE-bench Verified 77.6%とコーディング性能はオープンモデル上位水準
• 画像理解: 40〜4096px推奨の画像入力に対応。図表読解（CharXiv RQ 82.0%、Pythonツール併用時）も可能
• 音声理解: WAV形式の音声入力に対応（VoiceBench 91.4%）
• 1Mトークンの長文処理: 大規模コードベースや長大なドキュメントの一括投入
• 自社向けカスタマイズ: Tinker経由のLoRAファインチューニング、またはウェイトを直接改変

公式デモでは、Inklingが自分自身を「リポグラム（文字eを使わない）モデル」にファインチューニングする事例が公開されており、データセット作成→訓練→評価までを自動化しています。「モデルを配って終わり」ではなく「調整の仕方までセットで提供する」姿勢が特徴です。

エージェント的なツール利用・自動化の文脈は「AIエージェントとは」で全体像を解説しています。

Inklingにできないこと・制約

一方で、導入前に知っておくべき制約も明確です。出力はテキストのみで、画像や音声の生成はできません。また「最強モデルではない」ことを公式自身が認めており、絶対性能ではフロンティアのクローズドモデルに劣る場面があります。

• 画像生成・音声生成は不可（入力はマルチモーダルだが、出力はテキスト・コード・構造化データのみ）
• マルチモーダル能力は改善途上（公式が「基盤としての初リリース」と位置づけ）
• 一般的な基盤モデルの限界: ハルシネーション、指示の不正確な実行、長い多ターン会話での性能低下（Hugging Faceモデルカード記載）
• 医療・法律・安全上重要な領域では、追加ファインチューニングと人間の監督が必須（モデルカード明記）
• カスタマイズには機械学習の専門人材が必要: 「誰でも簡単にカスタムできる」わけではない点はTechCrunchも指摘
• フル実行のハードウェア要件が非常に重い: BF16版で約2TB、NVFP4版でも約600GBのVRAMが目安

ベンチマーク性能：数学97.1%・コーディング77.6%

公式発表のベンチマークスコアを一覧にまとめます。全体傾向としては、数学・科学・コーディングで高水準、マルチモーダルは「実用的だが発展途上」という評価が妥当です。

注意点として、Terminal Bench 2.1についてはWeb検索経由の「solution contamination（解答混入）」の可能性を公式自身が透明性をもって開示しています。また、日本語性能の公式評価は現時点で未公表です。日本語での実務精度は各自の検証が必要になります。

SWE-bench 77.6%というコーディング性能を実務でどう活かすかは「AIコーディングツールおすすめ」も参考にしてください。

Inklingの料金：モデル本体は無料、Tinker利用は従量課金【7月17日値上げ予定】

Inkling本体のダウンロードは無料です（Apache 2.0ライセンス、Hugging Faceから取得可能）。費用が発生するのは、公式プラットフォーム「Tinker」での推論・ファインチューニング、またはサードパーティAPIの利用時です。

出典: Thinking Machines Lab - Announcing Tinker

Tinker上のInkling料金（2026年7月16日時点・期間限定50%オフ適用中）

単位はUSD / 100万トークンです。

重要: 上記は期間限定50%オフ適用中の価格です。公式ドキュメントには、2026年7月17日以降にプリフィル・サンプリング価格が約50%上昇、トレーニング価格が約10%上昇する予定と明記されています。現在の価格を恒久的なものと誤認しないよう注意してください。なお、キャッシュ済みプリフィルトークンには80%割引が実装されています。

参考として、Tinker上で使える他のオープンモデルの料金（同単位）は次のとおりです。

無料で試すならPlayground

チャットとWeb検索を統合したPlaygroundが期間限定で無料公開されています（無料期間の終了日は公式未発表）。「まず触ってみたい」だけなら、これが最も手軽な入口です。

料金は流動的なため、利用前に必ずTinker公式ドキュメントで最新価格を確認してください。

Inklingの使い方・入手方法：個人・開発者・企業の3パターン

出典: Thinking Machines Lab - Inkling 公式ページ

Inklingの利用経路は立場によって最適解が異なり、個人はPlaygroundかサードパーティAPI、開発者はHugging Face + 推論フレームワーク、企業はTinkerでのカスタマイズが現実的です。

入手・利用経路の一覧

1. Hugging Face: thinkingmachines/inkling からBF16 / NVFP4チェックポイントをダウンロード（Apache 2.0）
2. Tinker: 公式トレーニングプラットフォーム。LoRAベースのファインチューニングが発表初日から利用可能
3. サードパーティAPI: Together AI、Fireworks、Modal、Databricks、Basetenが発表同日に対応（各社の従量課金額は各社ページを参照）
4. 推論フレームワーク: SGLang、vLLM、llama.cpp（GGUF量子化）、Transformers、Unsloth、HF Inference Providers（OpenAI互換API）など

ローカル実行に必要なハードウェア

自前のGPUで動かす場合の必要VRAM目安は次のとおりです。

個人PCでのフル実行は事実上不可能です。ローカル実行にこだわるなら、量子化版を試すか、ウェイト公開が予定されているInkling-Small（総276B / アクティブ12B）を待つのが現実的です。ローカルLLM実行の基礎は「Ollamaとは」で解説しています。

立場別の導入判断まとめ

競合オープンウェイトモデルとの違い

Inklingは、「米国企業製 × Apache 2.0 × ネイティブマルチモーダル入力 × 1Mコンテキスト」の組み合わせを持つ唯一級のオープンウェイトモデルです。オープンウェイト競争はこれまでDeepSeek・Kimi・Qwenといった中国勢がリードしており、米メディアは「米国からの本格的な挑戦」というフレーミングで報じています。

興味深い点として、TechCrunchによればInklingの初期学習データ生成にはKimi K2.5等の他のオープンモデルが使われており、次世代では完全自己完結を予定しているとのことです。競合モデルの詳細は「Kimi K2.6とは」、1Mコンテキスト競合の「Qwen 3.7 Maxとは」も参考にしてください。

ChatGPTなどクローズドモデルとの根本的な違い

ChatGPT（GPT系）やGemini、Claudeはウェイト非公開のクローズドモデルで、提供元のAPI/アプリ経由でしか使えません。Inklingはウェイトそのものが公開されているため、自社サーバーで完結させてデータを一切外部に送らない構成が可能で、モデル自体を自社業務向けに作り替えられます。絶対性能ではフロンティアのクローズドモデルに譲る場面がある一方、「所有できる・改変できる」ことが本質的な価値です。

セキュリティ・安全性：外部テスト済みだがオープンウェイト特有のリスクも

Inklingの安全性対策は、オープンウェイトモデルとしては手厚い部類です。ただし、オープンウェイトである以上、第三者がガードレールを除去するファインチューニングを行う悪用リスクは構造的に残ります。

公式が開示している安全性の取り組みは次のとおりです。

• 全モダリティ横断の「安全なモデル挙動の内部仕様（internal spec）」に準拠して訓練
• 外部の安全性テスターによる検証を実施
• CBRN（化学・生物・放射性物質・核）・サイバー攻撃・制御喪失リスクを内部評価 + 外部テストで検証
• 過度な同調（sycophancy）の排除、脆弱な利用者の保護、有害な操作への対抗
• 有害要求拒否のStrongREJECTで98.6%、敵対的攻撃耐性のFORTRESSで78.0%

一方で、Cognitionの評価では「検閲への非追従（censorship non-compliance）」の強いパターンが確認されており、VentureBeatはこれを「検閲耐性」として特徴的に報じています。表現の自由度が高い反面、企業利用では出力管理のポリシー設計が必要になる要素です。

企業の調達観点では、米国企業製である点（中国系オープンモデルの利用に慎重な組織にとっての選択肢）と、セルフホストによりデータを外部APIに送らない構成が取れる点が判断材料になります。

Inklingはこんな人におすすめ／おすすめしない人

こんな人・企業におすすめ

• 自社データでモデルをカスタマイズしたい企業: Tinkerで発表初日からLoRAファインチューニングが可能。Inklingの設計思想そのものがこの用途向け
• データを外部に出せない業種（金融・製造の機密領域など）: Apache 2.0でセルフホスト・改変・商用利用が自由
• 中国系オープンモデルの採用に社内制約がある組織: 米国企業製オープンウェイトの有力な選択肢
• 推論コストを細かく最適化したい開発チーム: Thinking Effort制御で「精度とコストのバランス」をタスク単位で調整できる
• 1Mトークン級の長文・大規模コードベースを扱う開発者: 長文コンテキストとSWE-bench 77.6%のコーディング性能

おすすめしない人

• とにかく最高性能のAIを使いたい人: 公式自ら「最強ではない」と明言。絶対性能重視ならフロンティアのクローズドモデルが候補
• 画像や音声を生成したい人: 出力はテキストのみ
• 手元のPCでフルモデルを動かしたい個人: BF16で約2TB、NVFP4でも約600GBのVRAMが必要。量子化版かInkling-Small待ちが現実的
• 機械学習人材がいないままカスタマイズだけ期待する企業: ファインチューニングの設計・評価には専門知識が必要
• 医療・法律など高リスク領域でそのまま使いたい人: 追加調整と人間の監督が必須（モデルカード明記）

生成AIモデル全般の基礎から整理したい方は「生成AIとは」から読むのがおすすめです。

InklingのFAQ

Q. Inklingは無料で使えますか？

モデルウェイトのダウンロードは無料です（Apache 2.0、Hugging Face thinkingmachines/inkling）。ただしフル実行には約600GB〜2TBのVRAMが必要なため、実質的には「Playground（期間限定無料）で試す」「サードパーティAPIやTinkerで従量課金で使う」のいずれかになります。

Q. 日本語には対応していますか？

多言語データを含む45兆トークンで学習されていますが、日本語性能の公式ベンチマーク評価は現時点で未公表です。日本語の実務利用では、Playgroundなどで自分のユースケースを検証してから判断することをおすすめします。

Q. 「975Bパラメータ」は日本語でいうとどれくらいですか？

975B = 9,750億（約1兆）パラメータです。一部で「975億」と誤記されている例がありますが、桁が1つ違うので注意してください。なお実際に推論時に動くのはトークンあたり41B（410億）で、これがMoEアーキテクチャの効率性の源泉です。

Q. Inkling-Smallはいつ使えますか？

総276B / アクティブ12Bの軽量版Inkling-Smallはプレビューとして発表済みですが、2026年7月16日時点でウェイトは未公開です。公式は「テスト中・公開予定」としており、具体的な公開日は発表されていません。

Q. 動画の入力はできますか？

学習データには動画が含まれますが、公式製品ページの入力モダリティ表記は「テキスト・画像・音声」です。現時点で動画入力に対応しているとは断定できません。

Q. 商用利用に制限はありますか？

Apache 2.0ライセンスのため、商用利用・改変・再配布に原則制限はありません。Llama系のような独自の商用条件（利用規模による制限など）がない点は、企業採用における明確な利点です。

まとめ：Inklingは「所有して育てるAI」の米国製本命

Inklingは、元OpenAI CTOのMira Murati氏率いるThinking Machines Labが「性能競争ではなくカスタマイズ」に賭けた初の基盤モデルです。要点を振り返ります。

• 975B（約1兆）パラメータのMoE・1Mコンテキスト・マルチモーダル入力を備えたApache 2.0の完全オープンウェイト
• 公式自ら「最強ではない」と明言し、Tinkerでのカスタマイズを前提とした設計が最大の特徴
• モデル本体は無料。Tinker利用は従量課金で、2026年7月17日以降に値上げ予定（現在は期間限定50%オフ）
• フル実行には約600GB〜2TBのVRAMが必要で、個人はPlayground（期間限定無料）かAPIが現実解
• 中国勢がリードしてきたオープンウェイト競争への、米国企業からの本格参入という位置づけ

「借りるAI」から「所有して育てるAI」へ——Inklingが投げかけたこの問いに市場がどう応えるかは、Inkling-Smallのウェイト公開や値上げ後の料金競争力次第です。開発元の戦略や今後のロードマップは「Thinking Machines Labとは」もあわせてチェックしてください。