Thinking Machines, perusahaan rintisan kecerdasan buatan Amerika yang didirikan oleh mantan Chief Technology Officer OpenAI Mira Murati, meluncurkan Inkling pada hari ini. Model bahasa multimodal berbasis open weights ini dirilis dengan lisensi Apache 2.0 yang ramah bagi perusahaan dan menjanjikan kendali penuh serta biaya operasional lebih rendah.
Inkling hadir sebagai sistem Mixture-of-Experts (MoE) dengan total 975 miliar parameter yang mampu memproses teks, gambar, dan audio secara native. Pembukaan kode bobot model dilakukan melalui Hugging Face serta API pelatihan model milik perusahaan bernama Tinker. Langkah ini memberi ruang bagi perusahaan untuk menyesuaikan, mengontrol, dan menjalankan model di server privat mereka sendiri.
Peluncuran Inkling terjadi di tengah pergeseran arah industri ke arah agentic AI, di mana perusahaan menginginkan beban kerja yang dapat dikustomisasi tanpa bergantung pada layanan tertutup milik raksasa teknologi. Kebutuhan akan model yang dapat dijalankan on-premises atau di cloud privat makin mendesak seiring kekhawatiran atas biaya, privasi data, dan ketergantungan pada penyedia asing. Thinking Machines menawarkan alternatif yang tidak mengejar skala tertutup ala kompetitor frontier.
Salah satu pembeda utama Inkling adalah klaim perusahaan bahwa model ini dirancang menjawab langsung topik yang biasanya rentan disensor. Hal itu memberi opsi lebih dapat dipercaya bagi perusahaan yang memprioritaskan output faktual meski bertema kontroversial atau sensitif. Pendekatan ini berbeda dari banyak model komersial yang kerap membatasi jawaban demi kepatuhan kebijakan tertentu.
Thinking Machines juga membekali Inkling dengan mekanisme kontrol usaha berpikir yang dapat diatur secara terprogram. Pengembang bisa menyesuaikan anggaran penalaran model dari skala 0,2 hingga 0,99 sehingga dapat mengatur seberapa keras sistem bekerja sebelum menghasilkan jawaban. Strategi itu menukar performa puncak demi efisiensi biaya dan keseimbangan kinerja di dunia nyata.
Di pasar model open weights yang ketat pada 2026, Inkling menempati posisi generalis berkualitas tinggi meski belum menyentuh batas state-of-the-art. Pada SWE-bench Verified, model ini meraih 77,6 persen dan mengungguli Nemotron 3 milik Nvidia yang hanya 71,9 persen. Untuk pemahaman suara, Inkling mencatat 91,4 persen di VoiceBench, masih di bawah Gemini 3.1 Pro dengan 94,4 persen pada upaya penalaran tinggi.
Model laboratorium Tiongkok justru menekan Inkling di sejumlah tolok ukur teknis. GLM 5.2 unggul di coding dan penalaran murni dengan 62,1 persen di SWEBench Pro dibanding 54,3 persen milik Inkling, serta 82,7 di Terminal Bench 2.1 berbanding 63,8. DeepSeek V4 Pro memimpin di SWEBench Verified dengan 80,6 persen dan SimpleQA Verified 57,0 persen, kendati Inkling menang tipis di matematika AIME 2026 yakni 97,1 persen kontra 96,7 persen.
Kimi K2.6 juga melampaui Inkling di GPQA Diamond, BrowseComp, dan HLE with tools. Namun Inkling lebih tangguh dalam instruksi obrolan umum dengan 79,8 persen di IFBench berbanding 76,0 persen. Lawan domestik AS seperti Nemotron 3 Ultra kalah telak di MCP Atlas yakni 74,1 persen lawan 44,7 persen, serta di AIME 2026 dan SWEBench Verified.
Bila dibandingkan model tertutup kelas atas, Inkling tertinggal di puncak penalaran dan otonomi rekayasa perangkat lunak. Claude Fable 5 mencapai 95,0 persen di SWEBench Verified dan 53,3 persen di HLE teks, jauh di atas angka 77,6 dan 30,0 milik Inkling. GPT 5.6 Sol memimpin Terminal Bench 2.1 dengan 89,5. Kendati demikian, kemampuan multimodal Inkling cukup kompetitif dengan 73,3 persen di MMMU Pro dan 77,2 persen di MMAU audio.
Mira Murati melalui keterangan perusahaan menekankan bahwa Inkling dibangun untuk adaptabilitas dan efisiensi alih-alih sekadar mendominasi peringkat. "Inkling dirancang menjawab langsung topik yang mungkin subject to censorship," tulis Thinking Machines, menggarisbawahi komitmen pada output faktual. Pernyataan itu sekaligus membedakan filosofi perusahaan dari penyedia model tertutup yang kerap membatasi respons.
Versi lebih ringan bernama Inkling-Small juga diperkenalkan dalam pratinjau dengan 276 miliar parameter. Varian ini dioptimalkan untuk latensi rendah dan biaya minimal pada beban kerja tertentu. Kehadirannya memperluas pilihan perusahaan yang ingin menukar sebagian kemampuan demi kecepatan dan efisiensi operasional.
Ke depan, persaingan model open weights akan bergeser dari sekadar skor benchmark ke arah kendali biaya dan kustomisasi praktis. Inkling menempati ceruk defensif sebagai fondasi multimodal terbuka dengan kontrol rasio biaya-kinerja langsung bagi pengembang. Jika tren agentic AI berlanjut, model seperti ini akan jadi tulang punggung infrastruktur perusahaan yang ingin lepas dari ketergantungan API tertutup.
Di Indonesia, ketersediaan Inkling memberi peluang bagi startup lokal dan institusi yang selama ini terkendala lisensi mahal model tertutup. Universitas dan pengembang domestik dapat memanfaatkan bobot terbuka untuk riset bahasa dan suara daerah tanpa harus mengirim data ke server asing. Hal ini relevan mengingat urgensi kedaulatan data serta kebutuhan solusi AI yang sesuai konteks lokal. Beberapa laboratorium dalam negeri seperti yang mengembangkan model bahasa besar lokal dapat mengadaptasi arsitektur serupa untuk mempercepat kemandirian teknologi.