Thinking Machines udostępnia Inkling – pierwszy model z otwartymi wagami
Thinking Machines zaprezentowało Inkling, swój pierwszy model z otwartymi wagami, dysponujący 975 miliardami parametrów i obsługujący tekst, obrazy oraz dźwięk.
Thinking Machines Releases Inkling
Firma Thinking Machines uruchomiła swój pierwszy model z otwartymi wagami – Inkling. Model ten charakteryzuje się imponującą liczbą 975 miliardów parametrów (z czego 41 miliardów jest aktywnych) oraz możliwością przetwarzania tekstu, obrazów i audio.
Dostęp do modelu odbywa się poprzez API platformy Tinker, oferujące okno kontekstowe o długości 256 000 tokenów. Wagi modelu są dostępne na Hugging Face, gdzie wsparcie dla kontekstu sięga nawet 1 miliona tokenów.
Wyniki i oceny
W Artificial Analysis Intelligence Index model Inkling uzyskał wynik 41 punktów, stając się wiodącym amerykańskim modelem z otwartymi wagami i przewyższając Nemotron 3 Ultra, który zdobył 38 punktów.
Dostosowanie i fine-tuning
Inkling został zaprojektowany specjalnie pod kątem personalizacji i strojenia (fine-tuning) za pośrednictwem platformy Tinker, co pozwala na jego adaptację do indywidualnych produktów i przepływów pracy.
Cennik
- Koszt za 1 milion tokenów przy oknie kontekstowym 64 000:
$1,87 za tokeny wejściowe / $0,374 za tokeny buforowane / $4,68 za tokeny wyjściowe - Koszt za 1 milion tokenów przy oknie kontekstowym 256 000:
$3,74 za tokeny wejściowe / $0,748 za tokeny buforowane / $9,36 za tokeny wyjściowe
Dlaczego to ważne
AnalizaInkling stanowi znaczący krok naprzód w rozwoju modeli AI z otwartymi wagami, umożliwiając deweloperom precyzyjne dostosowywanie technologii do specyficznych potrzeb biznesowych. Otwiera to nowe możliwości w zakresie tworzenia spersonalizowanych rozwiązań sztucznej inteligencji.
Dyskutuj w społeczności
Dziel się swoimi pytaniami i spostrzeżeniami z programistami
Powiązane w ekosystemie
Praktyczne poradniki, kluczowa terminologia i skille agentów
Badacze z MIT pokazali, że GPT-6 Astra może ulepszać inne modele AI przez bezpośrednią zmianę wag
W eksperymencie Astra zwiększyła dokładność Qwen3.5-0.8B w benchmarku MATH-500 z 7,9% do 48,1%, zmieniając zaledwie 0,016% wag modelu.
JSON — dane ustrukturyzowane dla aplikacji, API i agentów AI
Kompletny praktyczny przewodnik po formacie JSON: zasady składniowe, serializacja za pomocą parse/stringify, praca z REST API, JSON Schema oraz strukturalne wyjście dla sztucznej inteligencji.
Formaty DOCX i XLSX: kiedy potrzebny jest pełnoprawny dokument końcowy od AI
Kompletny praktyczny przewodnik po generowaniu i przetwarzaniu dokumentów DOCX oraz arkuszy XLSX za pomocą AI: porównanie z Markdown i CSV, inżynieria promptów, praca z formułami oraz automatyzacja w kodzie.
Binance publikuje śledztwo w sprawie kradzieży 6,3 mld USD
Śledztwo wiąże kradzież ze zmodyfikowanym Homebrew, fałszywą rozmową kwalifikacyjną i wykorzystaniem wewnętrznego narzędzia AI Binance.