Maaari bang patakbuhin ang Inkling nang lokal?

Oo — bukas ang weights at naglalathala ang Thinking Machines ng deployment recipes para sa SGLang, vLLM, Unsloth, TokenSpeed at Hugging Face. Gayunpaman, ang modelo ay may 975B kabuuang parameter, kaya kakailanganin mo ng malaking hardware; suriin ang VRAM guide bago mag-commit.

Magkano ang halaga ng Inkling sa API?

Pinapresyo ito ng Thinking Machines sa $1.00 bawat milyon na input tokens at $4.05 bawat milyon na output tokens, na may 524,288-token na context window. Maaaring magkaiba ang presyo sa mga third-party inference providers.

Ano ang pinagkaiba ng Inkling sa isang dense model na may katulad na kakayahan?

Ang sparse MoE architecture nito ay nagruruta ng bawat token sa 41B lamang ng 975B kabuuang parameter, na nagpapababa ng compute cost bawat token kumpara sa dense model ng katulad na laki — kahit na ang buong weight footprint ay ginagamit pa rin sa load time.

▲

7.2%

ngayong linggo

Inkling

8348°

#llm #thinkingmachines #paningin #audio #pangangatwiran #pag-coding

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

Thinking Machines | 524,288 token context | $1.00/M input, $4.05/M output. Ang Inkling ay isang open-weight multimodal mixture-of-experts model mula sa Thinking Machines Lab, na may 41B active parameters mula sa 975B kabuuan. Ito ay idinisenyo para sa general-purpose reasoning, coding, agentic at tool-use systems, retrieval-augmented generation, pagsunod sa mga instruksyon, at multilingual conversational applications. Ang native nitong pag-unawa sa imahe at audio ay sumusuporta sa multimodal analysis kasabay ng teksto.

Mga gabay para sa model na ito

Pinakamahusay na lokal na LLM ayon sa gamit (Oktubre 2026): ang tamang open model para sa bawat trabaho

Gaano ba talaga kalaki ang VRAM na kailangan ko para sa local AI?

Open weights vs open source vs API-only: ano talaga ang pwede mong gawin

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang Inkling ay isang 975B-parameter sparse mixture-of-experts model mula sa Thinking Machines Lab, na may 41B parameters na aktibo bawat token. Open weights, natively multimodal sa text, image at audio, at binuo na may 524K-token na context window, nilalayon nito ang mga developer na gumagawa ng agentic pipelines, RAG systems at coding assistants. Pinananatili ng MoE architecture ang inference costs na mas mababa kaysa sa ipinapahiwatig ng kabuuang bilang ng parameter.

Kilalang-kilala sa

Native na pag-unawa sa text, image at audio na pinoproseso sa isang shared decoder
524,288-token na context window — komportableng humahawak ng napakahabang dokumento
Sparse MoE routing: 41B aktibong parameter mula sa 975B na pool bawat token
Open weights na may mga recipe para sa SGLang, vLLM, Unsloth at Hugging Face
Binuo nang tahasang para sa agentic at tool-use na pagbuo ng aplikasyon

Mag-ingat sa

Ang 975B kabuuang parameter ay nangangahulugan ng seryosong hardware requirements para sa lokal na deployment — suriin ang iyong VRAM bago mag-download
Ang audio input ay dapat WAV sa 16kHz; ang mga sukat ng imahe ay dapat manatili sa pagitan ng 40px at 4096px para sa pinakamahusay na resulta
Open ang weights pero inilabas sa ilalim ng Acceptable Use policy, hindi isang ganap na permissive na lisensya

Pinakamainam para sa

Pag-coding

Mga ahente at paggamit ng tool

Pangangatwiran

Pananaw

Mahabang konteksto

Mga prompt na subukan

Agentic tool-use plan

Nagtatayo ka ng research assistant na kayang maghanap sa web, magbasa ng PDF at magpadala ng mga email summary. Disenyuhin ang tool schema at agent loop sa Python gamit ang function calling. Ipakita ang mga tool definitions, ang pangunahing loop logic, at kung paano mo haharapin ang isang tool na nagbabalik ng error habang tumatakbo.

Multimodal audio analysis

Nag-a-attach ako ng maikling WAV recording ng tawag sa customer support. I-transcribe ito, tukuyin ang pangunahing reklamo ng customer, i-rate ang kalidad ng tugon ng ahente sa scale na 1 hanggang 5 na may paliwanag, at magmungkahi ng isang kongkretong pagpapabuti na maaaring ginawa ng ahente.

Long-document reasoning

Narito ang 200-pahinang technical specification document. Tukuyin ang bawat lugar kung saan ang isang requirement ay sumasalungat sa isa pang requirement, i-quote ang parehong mga bahagi, ipaliwanag ang salungatan, at magmungkahi kung alin ang dapat mangibabaw at bakit. Maging masusi kaysa pumili lamang.

Ihambing sa

Inkling Small
Modelong bukas ang timbang
524,288 token na konteksto · $0.45/M input, $1.20/M output
GPT-6 Luna
Modelong API lang
1,050,000 token na konteksto · $0.10/M input, $0.50/M output
GPT-5.6 Luna
Modelong API lang
1,050,000 token na konteksto · $0.20/M input, $1.20/M output
Claude Opus 5.5
Modelong API lang
1,000,000 token na konteksto · $4.00/M input, $20.00/M output

Higit pang mga text model mula sa thinkingmachines

Mga tanong na madalas itanong

Maaari bang patakbuhin ang Inkling nang lokal?: Oo — bukas ang weights at naglalathala ang Thinking Machines ng deployment recipes para sa SGLang, vLLM, Unsloth, TokenSpeed at Hugging Face. Gayunpaman, ang modelo ay may 975B kabuuang parameter, kaya kakailanganin mo ng malaking hardware; suriin ang VRAM guide bago mag-commit.
Magkano ang halaga ng Inkling sa API?: Pinapresyo ito ng Thinking Machines sa $1.00 bawat milyon na input tokens at $4.05 bawat milyon na output tokens, na may 524,288-token na context window. Maaaring magkaiba ang presyo sa mga third-party inference providers.
Ano ang pinagkaiba ng Inkling sa isang dense model na may katulad na kakayahan?: Ang sparse MoE architecture nito ay nagruruta ng bawat token sa 41B lamang ng 975B kabuuang parameter, na nagpapababa ng compute cost bawat token kumpara sa dense model ng katulad na laki — kahit na ang buong weight footprint ay ginagamit pa rin sa load time.

Hatol ng Kapitan
Isang seryosong open-weights frontier model para sa mga developer na nangangailangan ng multimodal, long-context at agentic na kakayahan at handang maglaan ng hardware para dito.

Model card sa Hugging Face

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

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

Trend ng kasikatan ng Inkling

Heat score mula 17 Jul 2026

Iskor ng init

8,348°

Ngayong linggo

▲

7.2%

8,338° noon, 8,348° ngayon

Ngayong buwan

▲

41.3%

8,300° noon, 8,348° ngayon

Nakaraang taon

n/a

Hindi pa nailalabas/natatrack

7,000°

Floor

Ang sukat ay mula 0° hanggang 9,999°. Lahat ng nasa ibaba ng 7,000° ay para sa mga modelong wala pang ulat mula sa pinanggalingan, kaya may stand-in na numero doon para kumpleto ang mga listahan. Sa 7,000° nagsisimula ang nasusukat na datos: ang modelong may totoong datos pero halos walang downloads ay nasa floor, at ang mga sukat ay pumupuno sa mga degree sa itaas nito. Ang floor ay hindi nagsasabi ng anuman tungkol sa modelo; ang mga degree sa itaas nito ang nagkakaiba-iba at siyang naghihiwalay ng mga modelo.

+1,348°

OpenRouter tokens

311,584,593,096 tokens ang naproseso ng modelong ito sa pamamagitan ng OpenRouter sa nakaraang 30 araw, kasama ang mga prompt at sagot. Bawat 10,000,000 tokens ay katumbas ng isang download sa termino ng download, 31,158 lahat-lahat; ang mga tokens ng huling araw ay kasama sa adoption rate. Pinagmulan: OpenRouter (openrouter.ai/rankings).

Ipakita ang detalyadong paghahati

Pwedeng suriin ang bawat numero sa site na ito. Ang heat score ng modelong ito ay 8,348°, at dito ito binubuo ng paisa-isang sangkap, kasama ang tumatakbong kabuuan pagkatapos ng bawat isa: ang floor, ang mga degree na idinadagdag ng bawat pinanggalingan, ang bonus para sa uri ng modelo at ang binabawas ng edad ng mga weights nito. Ang mga kulay ay ang mga banda ng tsart sa itaas. Ang glossary sa dulo ay naglilinaw ng bawat termino.

1
Magsimula sa floor.
Bakit 7,000° at hindi zero: ang sukat ay mula 0° hanggang 9,999°, at ang bahagi sa ibaba ng 7,000° ay nakalaan para sa mga modelong wala pang ulat mula sa pinanggalingan, kaya may stand-in na numero doon para kumpleto ang mga listahan at hindi mauuna sa modelong may datos. Sa 7,000° nagsisimula ang nasusukat na datos. Ang modelong may totoong datos pero halos walang downloads ay nandito; ang lahat ng susunod ay sukat, at ang espasyo sa itaas ng floor ay may sampung hakbang na sampung beses na pagtaas sa downloads na may 300° bawat isa. Pareho ang floor para sa lahat ng modelo, kaya hindi ito nagdedesisyon; ang mga degree sa itaas nito ang nagdedesisyon.
7,000°
patuloy na kabuuan
2
Idagdag ang mga download.
31,158 na katumbas ng download sa lahat, mula sa OpenRouter tokens. Sampung beses na pagdagdag ng downloads ay nagdadagdag ng parehong 300°, kaya mahalaga ang laki pero hindi ito sobra sa puntos.
+1,348°
8,348°
patuloy na kabuuan
=
Ang heat score.
Kung saan nakatayo ang modelong ito sa bawat listahan ng site na ito. Wala nang ibang nagbabago nito.
8,348°

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Paano gumalaw ang kasikatan ng modelong ito kumpara sa ibang mga nasa katalogo: ang paglago nito sa downloads, likes, at paggamit sa bawat panahon, sinusukat laban sa karaniwang paglago ng modelo sa parehong panahon, kasama ang heat score nito sa panahong iyon. Kapag mas mataas kaysa sa karaniwan, ibig sabihin ay pagtaas, kapag mas mababa ay pagbaba. Binubuo ang nakaraan mula sa mga kabuuan ngayon, unang araw ng modelo at sukat na bilis ng pag-download kung may dalawang sukat; ang modelong hindi pa umiiral sa simula ng panahon ay nagpapakita ng n/a.

Mga katulad na model

Qwen2.5 Coder 32B Instruct

NVIDIA Nemotron 3 Ultra 550B A55B

TEXT / LLM

Mga AI model para sa paggawa ng larawan, video at teksto

Ang Inkling ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm thinkingmachines paningin audio pangangatwiran pag-coding mga ahente mahabang konteksto

Mag-browse ayon sa pamilya ng model