Inkling
8348°
Ejecutar este modelo
Ofertas / Anuncios
Thinking Machines | contexto de 524,288 tokens | $1.00/M entrada, $4.05/M salida. Inkling es un modelo multimodal mixture-of-experts de peso abierto de Thinking Machines Lab, con 41B parámetros activos de un total de 975B. Está diseñado para razonamiento de propósito general, codificación, sistemas agenticos y de uso de herramientas, generación aumentada por recuperación, seguimiento de instrucciones y aplicaciones conversacionales multilingües. Su comprensión nativa de imagen y audio soporta análisis multimodal junto con texto.
Guías para este modelo
Mejor LLM local según el uso (octubre 2026): el modelo abierto adecuado para cada tarea
¿Cuánta VRAM necesito realmente para IA local?
Pesos abiertos vs código abierto vs solo API: lo que realmente puedes hacer
¿Qué es un archivo GGUF? Modelos cuantizados explicados (Q4, Q8, fp8, NF4)
Notas del capitán
Notas del 2026-10-13
Inkling es un modelo de mezcla de expertos dispersos (sparse mixture-of-experts) de 975 mil millones de parámetros de Thinking Machines Lab, con 41 mil millones de parámetros activos por token. Pesos abiertos, nativamente multimodal en texto, imagen y audio, y construido con una ventana de contexto de 524K tokens, está dirigido a desarrolladores que construyen pipelines agenticos, sistemas RAG y asistentes de codificación. La arquitectura MoE mantiene los costos de inferencia más bajos que lo que sugiere el conteo total de parámetros.
Conocido por
- Comprensión nativa de texto, imagen y audio procesados en un decodificador compartido
- Ventana de contexto de 524,288 tokens — maneja cómodamente documentos muy largos
- Enrutamiento MoE disperso: 41B parámetros activos de un total de 975B por token
- Pesos abiertos con recetas para SGLang, vLLM, Unsloth y Hugging Face
- Construido explícitamente para desarrollo de aplicaciones agenticas y uso de herramientas
Cuidado con
- 975B parámetros totales implica requisitos serios de hardware para despliegue local — verifica tu VRAM antes de descargar
- La entrada de audio debe ser WAV a 16kHz; las dimensiones de imagen deben estar entre 40px y 4096px para mejores resultados
- Los pesos son abiertos pero liberados bajo una política de uso aceptable, no una licencia totalmente permisiva
Prompts para probar
Plan de uso agentico de herramientas
Estás construyendo un asistente de investigación que puede buscar en la web, leer PDFs y enviar resúmenes por correo. Diseña el esquema de herramientas y el ciclo del agente en Python usando llamadas a funciones. Muestra las definiciones de herramientas, la lógica del ciclo principal y cómo manejas un error de herramienta a mitad de ejecución.
Análisis multimodal de audio
Adjunto una grabación WAV corta de una llamada de soporte al cliente. Transcríbela, identifica la queja principal del cliente, califica la calidad de la respuesta del agente en una escala del 1 al 5 con razonamiento, y sugiere una mejora concreta que el agente podría haber hecho.
Razonamiento en documentos largos
Aquí hay un documento de especificación técnica de 200 páginas. Identifica cada lugar donde un requisito contradice a otro, cita ambos pasajes, explica el conflicto y sugiere cuál debería prevalecer y por qué. Sé exhaustivo en lugar de selectivo.
Comparar con
- Inkling SmallModelo con pesos abiertosContexto de 524,288 tokens · $0.45/M entrada, $1.20/M salida
- GPT-6 LunaModelo solo APIContexto de 1,050,000 tokens · $0.10/M entrada, $0.50/M salida
- GPT-5.6 LunaModelo solo APIContexto de 1,050,000 tokens · $0.20/M entrada, $1.20/M salida
- Claude Opus 5.5Modelo solo APIContexto de 1,000,000 tokens · $4.00/M entrada, $20.00/M salida
Más modelos de texto de thinkingmachines
Preguntas frecuentes
- ¿Puede Inkling ejecutarse localmente?
- Sí — los pesos son abiertos y Thinking Machines publica recetas de despliegue para SGLang, vLLM, Unsloth, TokenSpeed y Hugging Face. Dicho esto, el modelo tiene 975B parámetros totales, por lo que necesitarás hardware sustancial; revisa la guía de VRAM antes de comprometerte.
- ¿Cuánto cuesta Inkling vía API?
- Thinking Machines lo cobra a $1.00 por millón de tokens de entrada y $4.05 por millón de tokens de salida, con una ventana de contexto de 524,288 tokens. Proveedores de inferencia terceros pueden tener precios diferentes.
- ¿Qué hace a Inkling diferente de un modelo denso con capacidad similar?
- Su arquitectura MoE dispersa enruta cada token a través de solo 41B de los 975B parámetros totales, lo que reduce el costo computacional por token comparado con un modelo denso de tamaño total equivalente — aunque la huella completa de pesos se aplica al cargar.
Veredicto del capitánUn modelo frontera serio con pesos abiertos para desarrolladores que necesitan capacidad multimodal, contexto largo y agenticidad, y están dispuestos a proveer el hardware necesario.
Ficha del modelo en Hugging Face
El capitán escribe estas notas a partir de la descripción y ficha del modelo. Los precios y tamaños de contexto son los del proveedor al momento de escribir y pueden cambiar.
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.
Also ranked: #62 Hottest Text / LLM model · #62 Hottest Text / LLM text model
Not this creator?
Get your own badge
Tendencia de popularidad de Inkling
Puntuación de calor desde 17 Jul 2026
Puntuación de popularidad
8,348°
Esta semana
▲
7.2%
8,338° entonces, 8,348° ahora
Este mes
▲
41.3%
8,300° entonces, 8,348° ahora
Último año
n/a
No fue lanzado/seguido
7,000°
Piso
La escala va de 0° a 9,999°. Todo lo que está por debajo de 7,000° se reserva para modelos que ninguna fuente reporta aún, que llevan un número provisional ahí para que las listas se mantengan completas. 7,000° es donde empiezan los datos medidos: un modelo con datos reales pero casi sin descargas se sitúa en el piso, y las mediciones llenan los grados por encima. El piso no dice nada sobre el modelo; solo los grados por encima lo hacen, y son los que separan un modelo de otro.
+1,348°
Tokens de OpenRouter
311,584,593,096 tokens procesados por este modelo a través de OpenRouter en los últimos 30 días, sumando prompts y respuestas. Cada 10,000,000 tokens cuentan como una descarga en el periodo de descargas, 31,158 en total; los tokens del último día se suman a la tasa de adopción. Fuente: OpenRouter (openrouter.ai/rankings).
Mostrar desglose detallado
Cada número en este sitio se puede verificar. La puntuación de popularidad de este modelo es 8,348°, y aquí se construye un ingrediente a la vez, con el total acumulado después de cada uno: el piso, los grados que añade cada fuente, el bono por el tipo de modelo y lo que la antigüedad de sus pesos resta. Los colores son las bandas del gráfico de arriba. El glosario al final define cada término.
- 1Empieza en el piso.Por qué 7,000° y no cero: la escala va de 0° a 9,999°, y la parte por debajo de 7,000° está reservada para modelos que ninguna fuente reporta aún, que llevan un número provisional ahí para que las listas se mantengan completas y nunca superen a un modelo con datos. 7,000° es donde empiezan los datos medidos. Un modelo con datos reales pero casi sin descargas está aquí; todo lo que sigue es medición, y el espacio sobre el piso tiene diez pasos de diez veces más descargas a 300° cada uno. El piso es igual para todos los modelos, así que no decide nada; los grados por encima sí.7,000°total acumulado
- 2Suma las descargas.31,158 equivalentes a descargas en total, de Tokens de OpenRouter. Diez veces las descargas suman el mismo 300°, así que el tamaño importa pero nunca domina la puntuación.+1,348°8,348°total acumulado
- =La puntuación heat.Dónde está este modelo en cada lista de este sitio. Nada más la ajusta.8,348°
Glosario: los términos usados aquí
- Puntuación heat
- Un número que muestra cuánto se usa y quiere un modelo ahora mismo, de 0° a 9,999°. Cada lista en este sitio que dice más popular está ordenada por esto y nada más.
- Piso
- Los 7,000° con los que empieza todo modelo con datos reales. La escala va de 0° a 9,999°; la parte bajo el piso está reservada para sustitutos (modelos sin datos), para que un modelo con datos siempre esté por encima de uno sin. El piso es igual para todos y no decide nada; los grados sobre él son la medida.
- Equivalentes a descargas
- Todo lo que la puntuación trata como una descarga, sumado: las descargas mismas, cada seeder de torrent como 1,000, cada imagen de AI Horde y cada ejecución en un sitio de generación como uno.
- Escala logarítmica
- Cuenta de a decenas, no de a uno: pasar de 1,000 a 10,000 descargas suma los mismos grados que pasar de 10,000 a 100,000. Evita que los gigantes opaquen todo lo demás.
- Likes
- Pulgares arriba y likes de todas las fuentes, valen la mitad de una descarga cada uno en la escala logarítmica.
- Tasa de adopción
- Cuántas descargas al día recibe un modelo ahora mismo, según la diferencia entre dos lecturas de una fuente. Un cuarto del peso del término de descarga.
- Medido y estimado
- Medido significa que hay dos lecturas de una fuente y la diferencia es real. Estimado significa que solo se conoce el total de hoy y el pasado se distribuye a lo largo de la vida del modelo; el sitio indica cuál está mostrando.
- Seeder
- Alguien que mantiene una copia de los pesos en línea para que otros la descarguen por torrent, o un espejo alojado que hace lo mismo. Cada uno cuenta como 1,000 descargas.
- AI Horde
- Una red de voluntarios que genera imágenes gratis en computadoras donadas. El número de imágenes que ha hecho con un modelo es público, y cada una cuenta como una descarga.
- Sitios de generación
- Sitios que alojan sus propias copias de un modelo y permiten que la gente genere con él, como PixAI, SeaArt y Yodayo. Sus descargas cuentan igual que las de Civitai y cada generación cuenta como una descarga.
- Tokens de OpenRouter
- Un modelo de texto servido mediante una API, como Claude o GPT, no tiene pesos para descargar, por lo que su uso se mide en tokens: fragmentos de texto que leyó y escribió a través de OpenRouter, una puerta de acceso que usan muchas apps, durante los últimos 30 días. Cada 10,000,000 tokens cuentan como una descarga. Fuente: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Modelo completo (checkpoint)
- Los pesos en sí, el archivo que genera por sí solo. Tiene un bono porque los complementos dependen de él.
- LoRA y embedding
- Archivos pequeños que dirigen los pesos de otro hacia un estilo, personaje o concepto. No pueden funcionar solos.
- Familia y pesos
- La base sobre la que se construye un modelo, como SD 1.5, SDXL, Flux o Wan. Cada modelo hereda la fecha de lanzamiento de los pesos de su familia.
- Antigüedad
- Grados descontados según hace cuánto salieron los pesos de la familia: 150° por año, hasta 750°. Mantiene las descargas antiguas que tuvieron años para acumularse congelando la cima de la lista.
- Impulso de familia
- Un pequeño empujón limitado para LoRAs de una familia que este sitio está promoviendo ahora, siempre listado en el desglose.
- Puntaje provisional
- Un número estable por debajo del mínimo dado a un modelo que aún no tiene reportes de fuentes, para que las listas estén completas. Nunca se posiciona por encima de un modelo con datos.
- ¡Nuevo! (periodo de gracia)
- Un modelo con menos de 7 días muestra ¡Nuevo! en lugar de una puntuación y no ocupa lugar en los rankings. Su puntuación se calcula desde el primer día, pero un modelo de un día crece más rápido que cualquier otro, así que sin este periodo el #1 de la semana siempre sería el que salió ayer en vez del que se mantuvo una semana.
- Tendencia
- Cómo el crecimiento de un modelo en un período se compara con el crecimiento típico de modelos en ese mismo período. Más rápido que lo típico se lee como subida, más lento como bajada.
- Modelo típico
- El punto medio del catálogo: la mitad de los modelos con cifras crecieron más rápido en el período, la otra mitad más lento.
Cómo se ha movido la popularidad de este modelo frente al resto del catálogo: su crecimiento en descargas, likes y uso en cada periodo, medido contra el crecimiento típico de un modelo en el mismo periodo, con su puntuación de calor en ese momento. Por encima del crecimiento típico se lee como un aumento, por debajo como una caída. El pasado se reconstruye a partir de los totales de hoy, el primer día del modelo y su velocidad de descarga medida cuando hay dos lecturas; un modelo que no existía al inicio de un periodo muestra n/a.
Inkling es un modelo de texto para la familia Text / LLM listado en ModelTrends.ai, un catálogo de solo lectura de modelos de IA de imagen, vídeo y texto de código abierto. Compáralo con otros modelos Text / LLM y consulta su puntuación de calor para ver su tendencia.
Más modelos Text / LLMMás Texto / LLM de Text / LLMllmthinkingmachinesvisiónaudiorazonamientoprogramaciónagentescontexto largo
Explorar por familia de modelos
Modelos Text / LLM
434
Modelos Anima
528
Modelos Chroma
19
Modelos Fibo
2
Modelos Flux
1,496
Modelos Flux 2 / Klein
1,239
Modelos Flux 3
3
Modelos Moss
3
Modelos Iris
1
Modelos MiniMax H3
364
Modelos Hunyuan
204
Modelos Ideogram
20
Modelos Krea2
717
Modelos Qwen
20
Modelos Qwen2
47
Modelos Ltx2
153