Thinking Machines Lab が 7 月 31 日、2 番目のモデル Inkling Small をリリースしました。前作 Inkling の 3 分の 1 以下のサイズながら、推論能力でほぼ同等の性能を発揮する効率型 AI モデルです。

モデル仕様

規模と効率性：

  • 総パラメータ数：27.6 億個（Inkling は 97.5 億）
  • アクティブパラメータ：12 億個のみ稼働（Mixture-of-Experts 最適化）
  • コンテキストウィンドウ：256K トークン
  • マルチモーダル対応：テキスト、画像、音声

性能ベンチマーク

Inkling Small は Inkling にわずか 1 ポイント差で迫る性能を実現しています：

ベンチマークInkling SmallInkling差分
Artificial Analysis Index4041-1
Humanity’s Last Exam32%30%+2%
GPQA Diamond89%87%+2%

推論系タスクで Inkling より優秀な結果が出ており、「小さい = 低性能」という常識を覆しています。

トークン効率：業界最高水準

最大の強みは 出力トークン効率 です：

  • Inkling Small：24K トークン（平均出力）
  • DeepSeek V4 Flash：45K トークン
  • GPT-5.4 mini：78K トークン

推論タスクで必要な思考ステップが少なくて済むため、同じ計算リソースで 2 倍～3 倍多くのクエリを処理できます。コストに敏感な開発者にとって大きなメリット。

Mira Murati の戦略転換

Inkling Small は、元 OpenAI CTO Mira Murati が率いる Thinking Machines の方向性を象徴しています：

  • 「最大サイズ = 最強」という競争からの離脱
  • エッジデバイス・オンプレミス運用を視野に入れた現実的な仕様
  • オープンソース（Apache 2.0）による研究・企業利用の促進

Inkling（97.5B）で示した「カスタマイズ可能なプラットフォーム」という思想を、さらに実装効率にシフトさせた展開です。

オープンソース化とアクセス

Inkling Small は以下で即座に利用可能：

  • Hugging Face：完全なモデルウェイトが公開
  • ライセンス：Apache 2.0（商用利用・改変も可）
  • 対応フレームワーク：transformers（PyTorch、JAX 対応）

ローカル環境での推論、ファインチューニング、量子化による軽量化——研究者も企業開発者も、制約なくモデルを活用できます。

業界への示唆

1. サイズ競争の終わり

2026 年初頭は「より大きなモデル、より高い性能」という単純な競争が主流でした。Inkling Small は、このトレンドに異を唱えています。推論効率と実装コストが、単なるパラメータ数より重要な時代が来たことを示唆しています。

2. オープンソースの復権

Thinking Machines、Meta、および数百の研究ラボがオープンモデルを推し進める一方で、クローズドモデル陣営（OpenAI、Anthropic）との性能差は縮小しています。費用対効果では、オープンウェイトが優位に立ちつつあります。

3. 実装の民主化

学生、スタートアップ、非営利組織が、GPU 数台で高精度なモデルを動かせる時代です。AI リテラシーが経済格差に直結しない環境が、徐々に整備されています。

利用シーン

適用領域：

  • 高速チャットボット（低遅延が必須）
  • エッジ AI（スマートフォン、IoT デバイス）
  • コスト重視の企業チャット
  • 学術研究・教育用途

不向きな場面：

  • 複雑な推論が必要な専門タスク
  • 創造的な長文生成（数千トークンの連続出力）