AIツール2026年10月更新

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10月最新】

公開日: 2026/07/16
更新日: 2026/10/27
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10月最新】

この記事のポイント

InklingはMira Murati氏のThinking Machines Labが公開した975B(MoE)・最大1Mコンテキストのオープンウェイトモデルです。2026年10月19日時点のTinker料金、正式公開されたInkling-Smallとの違い、ベンチマーク、使い方、安全性の注意点を公式情報をもとに整理します。

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)に公開した、同社初の自社開発モデルで、重みを誰でもダウンロードできるオープンウェイトモデルです。 総パラメータ975B(MoE、1トークンあたりに動くのは41B)、重みを自前で動かせば最大1Mトークンのコンテキスト、テキスト・画像・音声の入力に対応し、ライセンスはApache 2.0です。ただし本体を動かすにはデータセンター級のGPUが要るため、多くの人は公式の「Tinker」か他社APIを通して使うことになります。

この記事では、Inklingの仕様、7月30日に正式公開された軽量版Inkling-Smallとの違い、ベンチマーク、2026年10月19日時点のTinker料金(7月から256Kコンテキストの料金が下がっています)、使い方、安全性の注意点を、公式発表・モデルカード・Hugging Faceの情報をもとに整理します。

「Inklingとは何か」「ChatGPTなどと何が違うのか」「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に向けた記事です。

Inklingを開発したThinking Machines Lab公式サイトのトップページ

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、「いちばん強いモデル」ではなく「組織が自分の業務に合わせて作り替えるための土台」として設計されたモデルです。公式発表は「Inkling is not the strongest overall model available today, open or closed.(オープンかクローズドかを問わず、現時点で最強のモデルではない)」と自ら書いており、売りはベンチマークの首位ではなく、マルチモーダル入力・思考量の調整・Tinkerでのファインチューニングをそろえた「カスタマイズの土台」である点です。

基本情報は次のとおりです(2026年10月28日時点)。

項目

内容

モデル名

Inkling(インクリング)

開発元

Thinking Machines Lab(米国)

公開日

2026年7月15日(現地時間)

ライセンス

Apache 2.0(別に「Model Acceptable Use Policy」あり)

総パラメータ

975B(9,750億)。Hugging Face Hubの表示は952B

アクティブパラメータ

41B(1トークンあたり)

コンテキスト長

重みは最大1Mトークン。Tinkerでは64K/256K

入力

テキスト・画像・音声

出力

テキスト(コード・構造化データを含む)

入手先

Hugging Face(thinkingmachines/Inkling)、Tinker、他社API

兄弟モデル

Inkling-Small(総276B/アクティブ12B、2026年7月30日に重みを公開)

ChatGPTのような一般向けチャットアプリはありません。いちばん近いのは、Tinkerのコンソールにある「Playground」です。

同社の考え方は、どの会社にも同じモデルを貸し出す「ワンサイズ」のAIより、各組織が自分の業務知識で調整したAIのほうが最終的に役に立つというものです。TechCrunchは、Microsoft CEOのSatya Nadella氏の「pay twice(商用モデルの企業ユーザーは、利用料と業務知識の提供で二重に払っている)」という発言を引いて、この戦略を説明しています。ビジネスモデルもこれに沿っており、重みは無料で配り、ファインチューニングと推論を担うTinkerで収益を上げる形です。

開発元のThinking Machines Labとは

Thinking Machines Labは、2024年に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氏らが参加し、2025年7月にはa16z主導で約20億ドルのシード資金を調達したと報じられました。これまでにファインチューニング用APIのTinker(2025年10月発表、同年12月に一般提供)などを出しており、Inklingは初めての自社モデルにあたります。

TechCrunchによると社員は約200人で、2026年1月には共同創業者2人がOpenAIへ移っています。同月に報じられた大型の追加調達は止まっており、評価額は確認されていません。会社の成り立ちや主要メンバーは「Thinking Machines Labとは」で詳しく解説しています。

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

技術面の要点は、①975Bのうち1トークンごとに41B分だけを動かすMoE構成、②重みを自前で動かせば最大1Mトークンを扱える長いコンテキスト、③推論にかける「思考量」を呼び出す側で調整できるThinking Effortの3つです。

AIの文字を同心円で囲んだ大規模AIモデルのイメージ画像

アーキテクチャの詳細

MoE(Mixture of Experts)は、たくさんの「専門家」ネットワークを用意しておき、入力ごとに一部だけを呼び出す仕組みです。Inklingは各MoE層に256の専門家と、常に使う共有の専門家2つを持ち、1トークンごとに6つの専門家(+共有2つ)だけを動かします。そのため、総パラメータは975Bでも、1トークンの計算に使うのは41B分で済みます。

項目

内容

方式

MoE型Transformer(デコーダのみ)

MoE構成

ルーティング先256+共有2。1トークンあたり6つを使う

ルーティング

sigmoidルーター、補助損失を使わない負荷分散

アテンション

スライディングウィンドウ層とグローバル層を5:1で交互に配置。KVヘッド8。RoPEではなく相対位置埋め込み

高速化

K/V投影の後と残差分岐に短い畳み込み(SConv)。MTP(マルチトークン予測)による投機的デコーディングを内蔵

マルチモーダル

専用のエンコーダを持たない設計。画像は40×40ピクセルのパッチ、音声は100msごとのdMelスペクトログラムとして直接入力

事前学習

45兆トークン(テキスト・画像・音声・動画)、NVIDIA GB300 NVL72で学習

事後学習

Kimi K2.5など他社のオープンウェイトモデルで作った合成データでSFT → 3,000万回超のロールアウトによる大規模RL

配布形式

BF16版/NVFP4版(Blackwell世代のGPU向け)

事後学習の最初の段階で他社モデルの合成データを使った点について、TechCrunchは「次のモデルでは事後学習を自社だけで完結させる方針」と伝えています。

Thinking Effort:思考量とコストのバランスを自分で選べる

Inklingの特徴的な機能がThinking Effort(思考量)の調整です。推論にどれだけ考えさせるかを呼び出す側が決められるので、「多少の精度より速さと安さ」「コストをかけても精度」をタスクごとに選べます。Hugging Faceのtransformersでは、reasoning_effort に none/minimal/low/medium/high/xhigh/max のいずれかを渡します。公式ベンチマークの多くは高い設定(effort 0.99)で測った値です。

公式は、Terminal Bench 2.1でNVIDIA Nemotron 3 Ultraと同じスコアを約3分の1のトークン数で出したと説明しています。Artificial Analysisの計測でも、Inklingが1タスクで出力するトークンは約25Kで、GLM-5.2(max)の43K、Kimi K2.6の38Kより少なく済んでいます。API料金は出力トークン数にほぼ比例するので、同じ品質を少ないトークンで出せることは、そのまま運用コストの差になります。

軽量版「Inkling-Small」は7月30日に正式公開

7月15日の時点ではプレビューだった軽量版Inkling-Smallは、2026年7月30日に重みが正式公開されました(Hugging Faceの thinkingmachines/Inkling-Small と -NVFP4)。総276B/アクティブ12Bで、本体の約3割の大きさです。公式は「事前学習のデータとレシピを改善した」と説明しており、コーディングや指示追従のベンチマークでは本体を上回るものもあります。

項目

Inkling

Inkling-Small

総/アクティブパラメータ

975B/41B

276B/12B

コンテキスト(重み)

最大1M

最大1M

入力

テキスト・画像・音声

テキスト・画像・音声

得意な分野

知識・事実性(SimpleQA 43.9%)、多言語、Tau 3 Banking

コーディング(SWE-bench Verified 80.2%)、指示追従、科学(GPQA 89.5%)

苦手な分野

運用コストが高い

事実性が低い(SimpleQA 20.6%)

Tinkerのサーバーレス推論

入力$1.00/出力$4.05

入力$0.30/出力$1.20

自前で動かす目安(NVFP4)

約600GB(B300×4 など)

約180GB(B300×1 など)

知識の正確さや多言語が大事なら本体、コード生成やコスト重視ならSmallが候補になります。Inkling-Smallのライセンスは、公式発表ページには書かれていません。Apache 2.0とする報道が多いものの、使う前にHugging Faceのモデルページで確認してください。

Inklingにできること

Tinkerでの追加学習の手順をまとめたThinking Machines公式のtinker-cookbookリポジトリ

出典: GitHub - thinking-machines-lab/tinker-cookbook

Inklingは、テキストの推論からマルチモーダル入力、エージェント用途、自社向けのカスタマイズまでを1つのモデルで担えます。

  • テキスト生成・推論: コーディング、数学、科学的な推論、長文の読解。SWE-bench Verified 77.6%(bashのみのハーネス)で、オープンウェイトの中では上位の水準です
  • 画像の理解: 図表やスクリーンショットの読み取り。推論の途中でPythonツールを使い、画像を拡大・切り抜きして読み直すこともできます(CharXiv RQ 82.0%、Pythonあり)
  • 音声の理解: 音声をテキストに書き起こさず、そのまま入力して扱えます(VoiceBench 91.4%)
  • エージェント・ツール利用: ツール呼び出し、ブラウジング、RAGなど。BrowseComp 77.1%(コンテキスト管理あり)、MCP Atlas 76.0%
  • 自社向けのカスタマイズ: TinkerでのLoRAファインチューニング(フルファインチューニングはβ)。Tinker cookbookにはInkling用のレシピがあり、音声のレシピも追加されています

もう1つの特徴が、わからないときに答えを控えるよう学習している点です。公式は、適切なスコアリングルールでRLを行い、自信のない回答を控えることにも報酬を与えたと説明しています。予測タスク(ForecastBench・Prophet Arena)にも対応しています。

公式デモでは、Inklingが自分自身を「文字eを使わずに書く」モデルへファインチューニングしています(Tinkerのジョブで約27分・96ステップ)。データ作成から学習・評価までを自動で回すデモで、「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出す」という同社の姿勢がよく出ています。

企業の事例では、Bridgewater Associatesが金融の専門知識で学習させたモデルが、金融推論のテストで84.7%を記録し、運用コストは上位の商用モデルの約14分の1だったとTechCrunchが伝えています。ただし、この数字は両社の自社評価です。

エージェント的なツール利用の全体像は「AIエージェントとは」で解説しています。

Inklingにできないこと・制約

導入前に知っておきたい制約もはっきりしています。出力はテキストだけで、画像や音声は生成できません。 また、公式自身が「最強ではない」と認めているとおり、GPT-5.6 Sol・Gemini 3.1 Pro・Claude Fable 5などのクローズドな最上位モデルには、ほとんどのベンチマークで届いていません。

  • 画像・音声の生成はできない(入力はマルチモーダル、出力はテキスト・コード・構造化データ)
  • 動画入力の正式対応は確認できない(学習データに動画は含むが、入力の対応は公式に書かれていない)
  • 事実性に弱さがある: SimpleQA VerifiedはInklingが43.9%、Claude Fable 5が77.3%(公式表)。Artificial AnalysisのAA-Omniscienceでは正答率40%、ハルシネーション率63%と評価されています
  • モデルカードが挙げる限界: ハルシネーション、ときどき指示どおりに動かない、長い多ターン会話で性能が落ちる、偏り。知識の締め切り日は書かれていません
  • 医療・法律・安全に関わる判断には、ファインチューニング・分野ごとの検証・人の監督なしで使うことを推奨していません
  • APIで使えるコンテキストは256Kまで: 1Mは重みを自前で動かす場合の上限で、TinkerのAPIは64K/256Kです(他社APIは各社で異なります)
  • 自前で動かすにはデータセンター級のGPUが必要: BF16で約2TB、NVFP4でも約600GBのVRAMが目安です
  • カスタマイズには機械学習の知見が要る: Tinkerで学習ジョブは回せても、データ設計や評価は利用者側の仕事です

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を、7月30日に正式公開されたInkling-Smallと並べると次のとおりです。全体としては、数学・科学・コーディングで高い水準、知識の正確さ(事実性)は弱めという傾向です。

分野

ベンチマーク

Inkling

Inkling-Small

推論

HLE(テキストのみ)

29.7%

31.6%

推論

HLE(ツールあり)

46.0%

47.8%

数学

AIME 2026

97.1%

95.5%

数学

HMMT Feb 2026

86.3%

90.2%

科学

GPQA Diamond

87.2%

89.5%

コード

SWE-bench Verified

77.6%

80.2%

コード

SWE-bench Pro(Public)

54.3%

未公表

コード

Terminal Bench 2.1

63.8%

64.7%

エージェント

GDPval-AA v2(Elo)

1238

1269

エージェント

Toolathlon Verified

45.5%

54.4%

エージェント

Tau 3 Banking

23.7%

15.5%

事実性

SimpleQA Verified

43.9%

20.6%

指示追従

IFBench

79.8%

82.2%

多言語

Global-MMLU-Lite

88.7%

86.7%

視覚

MMMU Pro(Standard 10)

73.5%

74.0%

音声

VoiceBench

91.4%

未公表

安全性

FORTRESS(敵対的)/StrongREJECT

78.0%/98.6%

未公表

総合

AA Intelligence Index v4.1

41

40

出典は公式発表とInkling-Smallの発表ページ(effort 0.99、temperature 1.0)、総合指標はArtificial Analysisです。公式は、Terminal BenchでWeb検索から解答が混じった解を0点扱いにしたこと、HLEは最終版より少し前のチェックポイントの値であることも開示しています。

Artificial AnalysisのIntelligence Indexでは、Inklingの41は米国製オープンウェイトの首位です(Nemotron 3 Ultraが38、Gemma 4 31Bが29、gpt-oss-120bが24)。一方、オープンウェイト全体で見ると、最難関のテストではGLM 5.2やKimi K2.6に及ばないと報じられています(The Next Web)。Design Arenaのエージェント型Web開発では1257で、Claude Opus 4.6と同点でした。

日本語の公式ベンチマークはありません。 多言語の指標として参考になるのはGlobal-MMLU-Lite(88.7%)だけです。モデルカードの対象言語は「英語と一般的な多言語サポート」で、学習データが少ない言語では性能が落ちることがあると注意書きがあります。日本語で使うなら、自社の実データで精度を確かめてから判断してください。

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」も参考になります。

Inklingの料金:モデル本体は無料、Tinker利用は従量課金【2026年10月19日時点】

Inklingの重みは無料です(Apache 2.0、Hugging Faceから取得)。 費用がかかるのは、①公式プラットフォーム「Tinker」でのファインチューニングと推論、②他社APIの利用、③自前のGPUで動かす場合のインフラ代の3つです。

Inklingのカスタマイズ基盤となるTinkerの発表画像

出典: Thinking Machines Lab - Announcing Tinker

Tinker上のInkling料金(学習とサンプリング)

単位はUSD/100万トークンで、Tinker公式の料金ページの「2026年10月19日時点」の値です。

モデル

コンテキスト

プリフィル

キャッシュ済みプリフィル

サンプル

学習

Inkling(50%オフ中)

64K

$1.87

$0.374

$4.68

$5.61

Inkling

256K

$1.87

$0.374

$4.68

$11.23

Inkling-Small(50%オフ中)

64K

$0.58

$0.116

$1.44

$1.73

Inkling-Small

256K

$0.58

$0.116

$1.44

$3.47

7月からの変化: 公開直後(7月)は256Kのプリフィル$3.74・サンプル$9.36でしたが、10月19日時点では64Kと同じ$1.87・$4.68に下がっています。学習の$11.23は変わっていません。Thinking Machinesは10月15日の「One Year of Tinker」で、効率が上がったので値下げしたと説明しています。64Kの行には「50% off」の表記がありますが、割引がいつまで続くかは書かれていません。

このほか、チェックポイントの保存が$0.10/GB/月かかります。キャッシュ済みのプリフィルは通常の80%引きです。

サーバーレス推論(β)の料金

10月の料金ページには、学習をせずにInklingを呼び出すためのサーバーレス推論(β)の行が加わりました。

モデル

コンテキスト

入力

キャッシュ済み入力

出力

Inkling

256K

$1.00

$0.17

$4.05

Inkling-Small

256K

$0.30

$0.06

$1.20

公式は、このサーバーレス推論はまだβで、負荷の大きい本番利用には推奨しないと書いています。本番に組み込むなら、他社APIや自前ホスティングと並べて検討するのが無難です。

他社APIの料金

Together AI・Fireworks・Modal・Databricks・Basetenが公開当日からInklingに対応しています。集計サイトでは、Together AIとFireworksを入力$1.00/出力$4.05(100万トークンあたり)とする値が多いものの、コンテキストの上限は1Mとするものと524Kとするものがあり、そろっていません。契約前に各社の料金ページで確かめてください。Hugging Face Inference Providers経由でも、OpenAI互換のAPIとして呼び出せます。

無料で試すならPlayground

Tinkerのコンソールには、チャットで試せるPlaygroundがあります。7月の公開時点では「期間限定で無料」と案内されていましたが、今も無料かどうかは公式の料金ページに書かれていません。使う前にコンソールで確認してください。

依頼範囲と費用の目安を30分で整理します

初回相談は無料・30分(オンライン)。要件が決まっていなくても大丈夫です。改修100万円〜・PoC300万円〜(税別)

Inklingの使い方・入手方法:個人・開発者・企業の3パターン

Thinking Machines Lab公式のInkling紹介カバー画像

出典: Thinking Machines Lab - Introducing Inkling

利用経路は立場によって変わります。まず触るならPlayground、アプリに組み込むならTinkerのサーバーレス推論か他社API、自社データで調整するならTinker、データを外に出せないなら自前ホスティングが現実的です。

入手・利用経路の一覧

  1. Playground(Tinkerコンソール): ブラウザでチャットして試す。コードは不要
  2. Tinker: LoRAによるファインチューニングとサンプリング。10月からはOpenAI・Anthropic互換のサンプリングAPI(β)も使えます
  3. 他社API/Hugging Face Inference Providers: OpenAI互換のエンドポイントで呼び出す
  4. 自前ホスティング: Hugging Faceの thinkingmachines/Inkling(BF16/NVFP4)を、SGLang、vLLM(0.26以降)、TokenSpeed、transformers(5.14.0以降)、llama.cpp(Unslothの量子化版)などで動かす

Hugging Face Inference Providersを使う場合の最小例は次のとおりです(Python、openai ライブラリ)。音声入力はこの経路ではまだ対応作業中とされています。

from openai import OpenAI

client = OpenAI(
    base_url="https://router.huggingface.co/v1",
    api_key="hf_xxx",  # Hugging Faceのアクセストークン
)
res = client.chat.completions.create(
    model="thinkingmachines/Inkling:auto",
    messages=[{"role": "user", "content": "MoEの仕組みを3行で説明して"}],
)
print(res.choices[0].message.content)

自前でvLLMのサーバーを立てる場合は、Hugging Faceのブログで次のオプションが案内されています。

vllm serve thinkingmachines/Inkling \
  --tokenizer-mode inkling \
  --tool-call-parser inkling \
  --reasoning-parser inkling

自前で動かすのに必要なハードウェア

Hugging Faceのブログとモデルカードに載っている目安です。

重み

必要なVRAM合計

GPUの例

Inkling BF16

約2TB

B300(またはGB200)×8、H200×16

Inkling NVFP4

約600GB

B300×4、H200×8

Inkling-Small BF16

約600GB

B300×4、H200×8

Inkling-Small NVFP4

約180GB

B300×1、H200×2

Hugging Faceの例では、Inkling-Small(NVFP4)をInference EndpointsのRTX PRO 6000×8で動かすと約$22/時、出力は約140トークン/秒でした。使わない間はゼロ台まで縮められるので、検証段階なら時間単位の課金で試せます。

UnslothがGGUFの1ビット量子化版を出しており、VRAMを最大95%減らせるとされています。ただし、品質がどこまで落ちるかの公式評価はなく、個人のPCで本体を実用的に動かすのは現実的ではありません。ローカルLLMの基本は「Ollamaとは」で解説しています。

立場別の導入判断まとめ

立場

現実的な選択肢

費用の目安(2026年10月時点)

難しさ

まず試したい個人

Playground

無料かどうかはコンソールで確認

低い

アプリに組み込みたい開発者

Tinkerのサーバーレス推論(β)、他社API、HF Inference Providers

入力$1.00/出力$4.05前後(100万トークン)

低〜中

自社データで調整したい企業

Tinkerでファインチューニング

学習$5.61〜$11.23/100万トークン+保存$0.10/GB/月

中〜高

データを外に出せない企業

自前ホスティング(NVFP4版)

Inklingで約600GB分のGPU。Smallなら約180GB

高い

コストを抑えたい開発チーム

Inkling-Small

サーバーレス推論で入力$0.30/出力$1.20

低〜中

自社データでファインチューニングしたモデルを業務システムにつなぐ段階では、モデルの利用料に加えて、データ整備・評価・既存システムとの接続の開発費がかかります。新しいモデルを自社の業務システムに組み込むときの進め方と費用の目安は、「AI開発の費用相場【2026年10月】AI受託開発の改修・PoC・本開発の価格と見積の内訳」で整理しています。

競合オープンウェイトモデルとの違い

Hugging Faceで公開されているInklingのモデルページ

出典: Hugging Face - thinkingmachines/Inkling

Inklingの立ち位置は、「米国製」「Apache 2.0」「テキスト・画像・音声をそのまま入力できる」「公式のファインチューニング基盤がある」をそろえたオープンウェイトという点にあります。オープンウェイトの性能競争はKimi・GLM・DeepSeek・Qwenなど中国勢が先行しており、Inklingは米国製の中でトップ(Artificial Analysis)という位置づけです。

モデル

開発元(国)

Inklingとの関係

Inkling

Thinking Machines Lab(米国)

975B/41B。マルチモーダル入力、Thinking Effort、Tinkerでのカスタマイズ。AA Intelligence Index 41

Kimi K2.6

Moonshot AI(中国)

最難関のテストではInklingより上とされる。GDPval-AA v2はInkling(1238)がKimi K2.6(1190)を上回る

GLM 5.2

Z.ai(中国)

最難関のテストではInklingより上とされる。1タスクの出力トークンはInklingのほうが少ない

DeepSeek V4 Pro

DeepSeek(中国)

出力トークンが多め(maxで約37K)。中国製モデルの選択肢

Nemotron 3 Ultra

NVIDIA(米国)

米国製の競合。AA Intelligence Index 38。Terminal Bench 2.1で同スコアをInklingは約3分の1のトークンで出した

gpt-oss-120b

OpenAI(米国)

米国製の競合。AA Intelligence Index 24

検閲されやすい話題への態度も違いの1つです。Inklingは、こうした話題にも直接答えるよう学習しており、CognitionのPropaganda and Censorship Evalでは検閲に従わない傾向が強く出ました。中国製モデルの利用に社内規定で制限がある組織にとっては、米国製で性能も高い選択肢になります。

各モデルの詳細は「Kimi K2.6とは」「GLM 5.2とは」「DeepSeek V4 Proとは」で解説しています。米国製のNemotron系列は「Nemotron 3.5 Lightningとは」、Apache 2.0のQwen系列は「Qwen 3.8とは」や「Qwen 3.7 Maxとは」も参考になります。

ChatGPTなどクローズドモデルとの根本的な違い

ChatGPT(GPT系)、Gemini、Claudeは重みを公開していないクローズドモデルで、提供元のアプリやAPIを通してしか使えません。Inklingは重みそのものが公開されているので、自社のサーバーで動かしてデータを外に出さない構成や、モデル自体を自社業務向けに作り替える使い方ができます。

比較項目

Inkling

クローズドの最上位モデル(GPT-5.6 Sol・Claude Fable 5など)

総合的な性能

公式も「最強ではない」と明言

ほとんどのベンチマークで上

事実性(SimpleQA Verified)

43.9%

Claude Fable 5は77.3%

重みの入手

できる(Apache 2.0)

できない

自社サーバーでの運用

できる(GPUは大規模)

できない(提供元のAPI経由)

モデル自体の調整

Tinkerや自前でファインチューニング

提供元が用意する範囲のみ

すぐ使えるチャットアプリ

なし(Playgroundのみ)

あり

最高性能が必要ならクローズドモデル、「所有できる・作り替えられる」ことに価値があるならInklingという分け方になります。クローズド側の最新モデルは「Claude Fable 5とは」「GPT-5.6とは」「Gemini 3.1 Proとは」で解説しています。オープンウェイトをめぐる各社のスタンスは「Anthropicのオープンウェイトへの立場」も参考になります。

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の安全対策は、オープンウェイトとしては丁寧に開示されています。ただし、重みを配る以上、第三者が安全対策を外すファインチューニングをするリスクは残ります。さらに公式は、Tinkerでファインチューニングした後の安全性への影響は「研究中」としています。

公式が開示している取り組みは次のとおりです。

  • 社内の「安全な振る舞いの仕様」に沿って、すべてのモダリティで学習
  • 外部のテスターが結果を検証
  • 対象はCBRN(化学・生物・放射性物質・核)、サイバー、制御喪失、迎合、弱い立場の利用者、有害な操作
  • StrongREJECTで98.6%、FORTRESS(敵対的)で78.0%、FORTRESS(無害)で95.9%
  • モデルカードの結論は「既存のオープンウェイトを超える危険な能力の上乗せはない」「制御喪失のリスクは最先端の能力より明らかに下」

残るリスクとして、モデルカードはロールプレイや遠回しな言い方の有害プロンプトに、ときどき従ってしまうことを挙げています。そのため、モデルの拒否だけに頼らず、Llama Guardのような入出力フィルタを重ねる多層の防御を推奨しています。

企業で使う場合は、次の点を確認してください。

確認する点

内容

ライセンス

Apache 2.0で商用利用できるが、「Model Acceptable Use Policy」の禁止事項を確認する

ファインチューニング後の安全性

公式は「研究中」。自社で学習させた後は、安全面の評価をやり直す

出力の管理

検閲されやすい話題にも答える傾向があるので、自社の出力ポリシーとフィルタを用意する

データの扱い(Tinker)

顧客のデータは顧客のもので、学習には使わないと公式が明記。SSO、RBAC、監査ログAPI、暗号化、プライベートVPC接続に対応

自前ホスティングの責任

重みのアクセス管理、更新、脆弱性への対応は自社の責任

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作り替えたい企業: TinkerでLoRAファインチューニングができ、Inklingの設計そのものがこの用途向けです
  • データを外に出せない業種(金融・製造の機密領域など): Apache 2.0で、自社のインフラに置いて改変・商用利用できます
  • 中国製のオープンウェイトを社内規定で使いにくい組織: 米国製のオープンウェイトでは、現時点でいちばん性能の高い選択肢です
  • 推論コストを細かく詰めたい開発チーム: Thinking Effortで思考量を変えられ、出力トークンも少なめです。コード中心ならInkling-Smallも候補です
  • 画像や音声をそのまま入力したい開発者: 書き起こしや別のエンコーダを挟まずに、1つのモデルで扱えます

おすすめしない人

  • とにかく最高性能や正確な知識がほしい人: 公式自ら「最強ではない」と書いており、事実性ではクローズドの最上位モデルに大きく劣ります
  • 画像や音声を生成したい人: 出力はテキストだけです
  • 手元のPCで本体を動かしたい個人: NVFP4でも約600GBのVRAMが必要です。APIか、Inkling-Smallを検討してください
  • 日本語の精度を最優先する人: 日本語の公式評価はありません。国産の日本語LLMも比べるなら「LLM-jp-4とは」が参考になります
  • 機械学習の担当者がいないまま、カスタマイズだけ期待する企業: データの設計や評価は利用者側の仕事です
  • 医療・法律など高リスクの領域でそのまま使いたい人: 追加の調整と人の監督が前提です(モデルカード)

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?

重みのダウンロードは無料です(Apache 2.0)。ただし本体を動かすには約600GB〜2TBのVRAMが要るので、実際にはTinkerや他社APIで従量課金で使うことになります。Playgroundが今も無料かどうかは、Tinkerのコンソールで確認してください。

Q. 1Mトークンのコンテキストは、APIでも使えますか?

TinkerのAPIで選べるのは64Kと256Kです。1Mは、重みを自前のGPUで動かすときの上限です。他社APIの上限は事業者ごとに異なり、集計サイトの値もそろっていないので、各社のドキュメントで確認してください。

Q. 日本語には対応していますか?

モデルカードの対象言語は「英語と一般的な多言語サポート」で、日本語の名前は出てきません。多言語ベンチマークのGlobal-MMLU-Liteは88.7%ですが、日本語だけの公式評価は公表されていません。社内文書の要約や問い合わせ対応など、実際に使う業務のデータで試してから判断するのが確実です。

Q. 「975Bパラメータ」は日本語でいうとどれくらいですか?

975B=9,750億パラメータです。「975億」と書かれている例がありますが、桁が1つ違います。1トークンの計算に使うのは41B(410億)だけで、これがMoEで計算量を抑えられる理由です。なお、Hugging Face Hubでは952Bと表示されますが、本記事では公式発表の975Bを使っています。

Q. Inkling-SmallとInklingのどちらを使えばいいですか?

コード生成や指示追従が中心で、コストを抑えたいならInkling-Small(SWE-bench Verified 80.2%、サーバーレス推論の出力$1.20)が向いています。知識の正確さや多言語が大事なら本体のInkling(SimpleQA Verified 43.9%、Smallは20.6%)を選んでください。

Q. 商用利用に制限はありますか?

Inklingのモデルカードに記載のライセンスはApache 2.0で、商用利用・改変・再配布ができます。ただし別に「Model Acceptable Use Policy」があるので、禁止されている用途に当たらないかは確認が必要です。Inkling-Smallは、公式発表ページにライセンス名が書かれていないため、Hugging Faceのモデルページで確かめてください。

Q. Inklingの次のモデルは出ていますか?

2026年10月28日時点では、Inkling-Small(7月30日)より後に、Inklingの新しい版や中間サイズのモデルは発表されていません。同社は「サイズ違いのモデルファミリー」の1本目としてInklingを出しており、次のモデルでは事後学習を自社だけで完結させる方針と報じられています。

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氏が率いるThinking Machines Labが「性能競争ではなくカスタマイズ」に賭けた最初のモデルです。

  • 975B(アクティブ41B)のMoE、重みで最大1Mコンテキスト、テキスト・画像・音声の入力に対応したApache 2.0のオープンウェイト
  • 公式自ら「最強ではない」と明言。米国製オープンウェイトでは首位だが、事実性はクローズドの最上位モデルに大きく劣る
  • 7月30日にInkling-Small(276B/12B)が正式公開。コード・コスト重視ならSmall、知識・多言語なら本体
  • 重みは無料。Tinkerの料金は10月19日時点で256Kのプリフィル・サンプルが値下げされ、サーバーレス推論(β)が入力$1.00/出力$4.05で加わった
  • APIのコンテキストは256Kまで。本体を自前で動かすにはNVFP4でも約600GBのVRAMが要る
  • ファインチューニング後の安全性は公式も「研究中」。多層の防御とAUPの確認が前提

まずはPlaygroundかAPIで自社の業務データを使って試し、事実性と日本語の精度を確かめてから、ファインチューニングや自前ホスティングに進むのが確実です。開発元の戦略や今後の動きは「Thinking Machines Labとは」もあわせてご覧ください。

依頼範囲と費用の目安を30分で整理します

この記事の著者

AI革命

AI革命

編集部

AI革命株式会社の編集部です。最新のAI技術動向から実践的な導入事例まで、企業のデジタル変革に役立つ情報をお届けしています。豊富な経験と専門知識を活かし、読者の皆様にとって価値のあるコンテンツを制作しています。

AI・システム開発は、開始価格を公開しています

既存システムの改修 100万円〜・PoC 300万円〜(税別)。相談内容を送っていただくと、2営業日以内に担当者からご返信します