Kan Inkling lokaal draaien?

Ja — de weights zijn open en Thinking Machines publiceert implementatierecepten voor SGLang, vLLM, Unsloth, TokenSpeed en Hugging Face. Dat gezegd hebbende, het model heeft 975 miljard totale parameters, dus je hebt aanzienlijke hardware nodig; controleer de VRAM-gids voordat je begint.

Wat kost Inkling via API?

Thinking Machines rekent $1,00 per miljoen inputtokens en $4,05 per miljoen outputtokens, met een contextvenster van 524.288 tokens. Derde partijen kunnen andere prijzen hanteren.

Wat maakt Inkling anders dan een dense model met vergelijkbare capaciteit?

De sparse MoE-architectuur leidt elke token langs slechts 41 miljard van de 975 miljard totale parameters, wat de rekencapaciteit per token verlaagt vergeleken met een dense model van gelijke totale grootte — hoewel de volledige gewichtvoetafdruk wel geladen moet worden.

▲

7.2%

deze week

Inkling

8348°

#llm #thinkingmachines #visie #audio #redeneren #coderen

Voer dit model uit

Aanbiedingen / Advertenties

OpenRouter Terminal / API

Betaal per token

Chat met dit model in de browser of roep het aan vanuit je code met één API-sleutel.

Thinking Machines | 524.288 token context | $1.00/M input, $4.05/M output. Inkling is een open-weight multimodaal mixture-of-experts model van Thinking Machines Lab, met 41B actieve parameters van in totaal 975B. Het is ontworpen voor algemeen redeneren, coderen, agentische en tool-gebruiksystemen, retrieval-augmented generatie, instructievolging en meertalige conversatieapplicaties. De native beeld- en audioverwerking ondersteunt multimodale analyse naast tekst.

Gidsen voor dit model

Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus

Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?

Open weights vs open source vs alleen API: wat je eigenlijk mag doen

Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)

Alle gidsen

Aantekeningen van de kapitein

Geschreven door Captain, de huisredacteur

Aantekeningen van 2026-10-13

Inkling is een sparse mixture-of-experts model met 975 miljard parameters van Thinking Machines Lab, met 41 miljard actieve parameters per token. Open weights, native multimodaal over tekst, beeld en audio, en gebouwd met een contextvenster van 524K tokens, richt het zich op ontwikkelaars die agentachtige workflows, RAG-systemen en codeerassistenten bouwen. De MoE-architectuur houdt de inferentiekosten lager dan het totale aantal parameters doet vermoeden.

Bekend om

Native begrip van tekst, beeld en audio verwerkt in een gedeelde decoder
Contextvenster van 524.288 tokens — kan zeer lange documenten comfortabel aan
Sparse MoE-routing: 41 miljard actieve parameters uit een pool van 975 miljard per token
Open weights met implementaties voor SGLang, vLLM, Unsloth en Hugging Face
Expliciet gebouwd voor agentachtige en tool-gebruik applicaties

Let op

975 miljard totale parameters betekent serieuze hardware-eisen voor lokale inzet — controleer je VRAM voordat je downloadt
Audio-invoer moet WAV zijn op 16kHz; afbeeldingsafmetingen tussen 40px en 4096px voor beste resultaten
Weights zijn open maar uitgebracht onder een Acceptable Use-beleid, niet een volledig permissieve licentie

Het beste voor

Coderen

Agenten en toolgebruik

Redeneren

Visie

Lange context

Prompts om te proberen

Agentachtig tool-gebruik plan

Je bouwt een onderzoeksassistent die het web kan doorzoeken, PDF's kan lezen en e-mailsamenvattingen kan versturen. Ontwerp het toolschema en de agentloop in Python met functie-aanroepen. Toon de tooldefinities, de hoofdlooplogica en hoe je een fout afhandelt die een tool halverwege een run teruggeeft.

Multimodale audio-analyse

Ik voeg een korte WAV-opname van een klantenservicegesprek toe. Transcribeer het, identificeer de belangrijkste klacht van de klant, beoordeel de kwaliteit van de reactie van de agent op een schaal van 1 tot 5 met motivatie, en stel één concrete verbetering voor die de agent had kunnen maken.

Redeneren over een lang document

Hier is een technisch specificatiedocument van 200 pagina's. Identificeer elke plek waar een eis in tegenspraak is met een andere eis, citeer beide passages, leg het conflict uit en stel voor welke prioriteit moet krijgen en waarom. Wees uitputtend in plaats van selectief.

Vergelijk met

Inkling Small
Model met open gewichten
524,288 token context · $0.45/M invoer, $1.20/M uitvoer
GPT-6 Luna
Alleen API-model
1,050,000 token context · $0.10/M invoer, $0.50/M uitvoer
GPT-5.6 Luna
Alleen API-model
1,050,000 token context · $0.20/M invoer, $1.20/M uitvoer
Claude Opus 5.5
Alleen API-model
1,000,000 token context · $4.00/M invoer, $20.00/M uitvoer

Meer tekstmodellen van thinkingmachines

Veelgestelde vragen

Kan Inkling lokaal draaien?: Ja — de weights zijn open en Thinking Machines publiceert implementatierecepten voor SGLang, vLLM, Unsloth, TokenSpeed en Hugging Face. Dat gezegd hebbende, het model heeft 975 miljard totale parameters, dus je hebt aanzienlijke hardware nodig; controleer de VRAM-gids voordat je begint.
Wat kost Inkling via API?: Thinking Machines rekent $1,00 per miljoen inputtokens en $4,05 per miljoen outputtokens, met een contextvenster van 524.288 tokens. Derde partijen kunnen andere prijzen hanteren.
Wat maakt Inkling anders dan een dense model met vergelijkbare capaciteit?: De sparse MoE-architectuur leidt elke token langs slechts 41 miljard van de 975 miljard totale parameters, wat de rekencapaciteit per token verlaagt vergeleken met een dense model van gelijke totale grootte — hoewel de volledige gewichtvoetafdruk wel geladen moet worden.

Oordeel van de kapitein
Een serieus open-weights frontier-model voor ontwikkelaars die multimodale, lange-context en agentachtige capaciteit nodig hebben en bereid zijn de hardware daarvoor te verzorgen.

Modelkaart op Hugging Face

De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: #62 Hottest Text / LLM model · #62 Hottest Text / LLM text model

Not this creator?

Get your own badge

Populariteitstrend van Inkling

Heat score sinds 17 Jul 2026

Heat score

8,348°

Deze week

▲

7.2%

8,338° toen, 8,348° nu

Deze maand

▲

41.3%

8,300° toen, 8,348° nu

Afgelopen jaar

n.v.t.

Nog niet uitgebracht/getrackt

7,000°

Basis

De schaal loopt van 0° tot 9.999°. Alles onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven. 7,000° is waar gemeten data begint: een model met echte data maar bijna geen downloads zit op de basis, en de metingen vullen de graden erboven. De basis zegt niets over het model; alleen de graden erboven doen dat, en die maken het verschil tussen modellen.

+1,348°

OpenRouter tokens

311,584,593,096 tokens heeft dit model in de afgelopen 30 dagen verwerkt via OpenRouter, prompts en antwoorden samen. Elke 10,000,000 tokens telt als één download in de downloadterm, in totaal 31,158; de tokens van de laatste dag tellen mee voor het adoptiecijfer. Bron: OpenRouter (openrouter.ai/rankings).

Toon gedetailleerde uitsplitsing

Elk getal op deze site is te controleren. De heat-score van dit model is 8,348°, en hier wordt die stap voor stap opgebouwd, met de tussentijdse totalen na elke stap: de basis, de graden die elke bron toevoegt, de bonus voor het type model en wat de leeftijd van de gewichten eraf haalt. De kleuren zijn de banden van de grafiek hierboven. De woordenlijst achteraan legt elke term uit.

1
Begin bij de basis.
Waarom 7,000° en niet nul: de schaal loopt van 0° tot 9.999°, en het deel onder 7,000° is gereserveerd voor modellen waar nog geen bron over rapporteert, die daar een tijdelijke waarde krijgen zodat de lijsten compleet blijven en nooit hoger staan dan een model met data. 7,000° is waar gemeten data begint. Een model met echte data maar bijna geen downloads zit hier; alles wat volgt is meting, en de ruimte boven de basis bevat tien stappen van tien keer zoveel downloads, elk 300° waard. De basis is voor elk model hetzelfde, dus die zegt niets; de graden erboven wel.
7,000°
lopende totaal
2
Voeg de downloads toe.
31,158 download-equivalenten in totaal, van OpenRouter tokens. Tien keer de downloads voegt dezelfde 300° toe, dus grootte telt mee maar bepaalt niet alles.
+1,348°
8,348°
lopende totaal
=
De heat-score.
Waar dit model staat op elke lijst van deze site. Niets anders beïnvloedt dit.
8,348°

Woordenlijst: de gebruikte termen

Heat-score: Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
Vloer: De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
Download-equivalenten: Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
Logaritmische schaal: Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
Likes: Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
Adoptiesnelheid: Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
Gemeten en geschat: Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
Seeder: Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
AI Horde: Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
Generatiesites: Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
OpenRouter tokens: Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Volledig model (checkpoint): De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
LoRA en embedding: Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
Familie en gewichten: De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
Leeftijd: Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
Familie boost: Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
Stand-in score: Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
Nieuw! (gratieperiode): Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
Trend: Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
Typisch model: Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.

Hoe de populariteit van dit model zich verhoudt tot de rest van de catalogus: de groei in downloads, likes en gebruik per periode, gemeten ten opzichte van de typische groei van modellen in dezelfde periode, met de heat score op dat moment. Boven de typische groei betekent stijging, eronder daling. Het verleden wordt herbouwd vanuit de huidige totalen, de eerste dag van het model en de gemeten downloadsnelheid als er twee metingen zijn; een model dat er aan het begin van een periode nog niet was, toont n.v.t.

Vergelijkbare modellen

AI-modellen voor het genereren van afbeeldingen, video en tekst

Inkling is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.

Meer Text / LLM-modellen Meer Text / LLM Tekst / LLM llm thinkingmachines visie audio redeneren coderen agenten lange context

Bladeren op modelfamilie