Am 15. Juli 2026 veröffentlichte Thinking Machines Lab sein erstes Open-Weight-Sprachmodell: Inkling. Das Modell kommt mit 975 Milliarden Parametern, einem Kontextfenster von einer Million Token und nativer multimodaler Verarbeitung — und steht vollständig unter Apache-2.0-Lizenz zum Download bereit. Für KMU, die KI ohne Cloud-Abhängigkeit einsetzen wollen, ist das eine der bedeutendsten Veröffentlichungen des Jahres.
Was Inkling technisch ist
Inkling ist ein Mixture-of-Experts-Modell (MoE). Obwohl das Modell insgesamt 975 Milliarden Parameter hat, werden pro Token-Generierungsschritt nur rund 41 Milliarden davon aktiviert. Die restlichen Parameter bleiben inaktiv — ähnlich einem Expertenteam, bei dem für jede Aufgabe nur die passenden Fachleute eingebunden werden.
Das senkt den tatsächlichen Rechenaufwand erheblich gegenüber einem gleichgroßen Dichte-Modell. Zum Vergleich: Qwen 3 235B-A22B, das derzeit als eines der stärksten lokal verfügbaren Open-Weight-Modelle gilt, aktiviert laut Community-Berichten rund 22 Milliarden Parameter. Inkling aktiviert knapp doppelt so viele.
Das Modell wurde auf 45 Billionen Token aus Text, Bildern, Audio und Video vortrainiert und verarbeitet alle drei Eingabemodalitäten nativ — ohne separate Encoder-Stufe. Das Kontextfenster von einer Million Token erlaubt die Verarbeitung langer Dokumente, ganzer Codebasen oder stundenlanger Transkripte in einem einzigen Aufruf.
Ein weiteres Unterscheidungsmerkmal ist die Steuerbarkeit des Denkvorgangs: Ein Thinking-Effort-Parameter lässt sich zwischen schnellen Antworten (0,2) und tiefem, rechenintensivem Reasoning (0,99) einstellen — je nach Aufgabe und verfügbarem Budget.
Warum Apache 2.0 für KMU entscheidend ist
Die Lizenz ist nicht nur ein juristisches Detail — sie ist eine Betriebsstrategie. Apache 2.0 erlaubt:
- Kommerzielle Nutzung ohne Lizenzgebühren
- Fine-Tuning auf eigenen Unternehmensdaten ohne Genehmigungspflicht
- Deployment auf eigener Infrastruktur ohne Berichtspflichten an den Modellhersteller
- Weitergabe modifizierter Versionen, zum Beispiel als firmeninternes Produkt
Das unterscheidet Inkling fundamental von proprietären Modellen, bei denen die Nutzungsdaten in der Infrastruktur des Anbieters verbleiben. Nach unserem Verständnis der DSGVO gilt: Wer ein Open-Weight-Modell vollständig selbst hostet, ist alleiniger Datenverantwortlicher — kein Drittanbieter erhält Zugriff auf Eingabedaten.
Thinking Machines Lab positioniert Inkling laut VentureBeat explizit als zensurarmes Modell — das Unternehmen legt Wert darauf, dass keine externe Partei Kontrolle über das Verhalten des Modells nach dem Deployment ausübt.
Benchmark-Leistung: Was die Community misst
Laut Auswertungen von Artificial Analysis erreicht Inkling auf dem GDPval-AA-v2-Benchmark — einem agentenbasierten Test für Wissensarbeitsaufgaben — einen Elo-Wert von 1.238, vor Kimi K2.6 (1.190) und DeepSeek V4 Flash (1.189). Damit führt Inkling nach bisherigen Berichten die US-amerikanischen Open-Weight-Modelle an.
Auf technischen Benchmarks meldet das Thinking-Machines-Team:
- SWE-bench Verified: 77,6 % — Coding-Benchmark für die Lösung realer GitHub-Issues
- GPQA Diamond: 87,2 % — Reasoning-Benchmark mit Fragen auf Doktoratsniveau aus Physik, Chemie und Biologie
Zum Vergleich: Laut Community-Messungen liegen aktuelle lokale Spitzenmodelle wie Qwen 3.5 27B bei SWE-bench-äquivalenten Aufgaben typischerweise im Bereich von 50–60 %. Inkling arbeitet auf einem höheren Qualitätsniveau — bei entsprechend höheren Rechenanforderungen.
Heute deployen: via API, ohne Big-Tech-Lock-in
Die vollständige Inkling-Infrastruktur lokal aufzubauen, setzt erhebliche Hardware voraus — für die meisten KMU ist das zum heutigen Zeitpunkt kein kurzfristiges Szenario. Das Modell ist jedoch bereits über mehrere API-Anbieter verfügbar, die keine Verbindung zu Google, Microsoft oder OpenAI haben: Together.ai, Fireworks.ai, Modal, Databricks und Baseten.
Diese Anbieter betreiben die Modell-Inferenz auf eigener Infrastruktur, ohne Anfragen zur Modellverbesserung weiterzugeben — ein wichtiger Unterschied gegenüber Consumer-KI-Produkten wie ChatGPT. Für KMU, die keine vollständige On-Premise-Infrastruktur aufbauen können, ist das ein praktikabler Einstieg mit deutlich mehr Datenkontrolle.
Inkling-Small: die Version für lokale Deployments
Neben dem 975B-Flaggschiff kündigt Thinking Machines Lab Inkling-Small an: ein 276B-Parameter-Modell mit 12 Milliarden aktiven Parametern, das nach Unternehmensangaben mehrere Benchmarks des großen Modells erreicht oder übertrifft — bei wesentlich geringeren Rechenanforderungen.
Inkling-Small befindet sich zum Zeitpunkt der Veröffentlichung noch in der Preview-Phase; die Weights sind noch nicht öffentlich verfügbar. Wenn sie erscheinen, wird das Modell mit 12B aktiven Parametern ein relevanter Kandidat für lokale Deployments auf Infrastrukturen wie mehreren NVIDIA DGX Spark oder vergleichbaren Multi-GPU-Servern.
Wer die Datensouveränitäts-Strategie seines Unternehmens langfristig planen möchte, sollte Inkling-Small im Blick behalten.
Was KMU jetzt konkret tun können
Sofort:
- Inkling über Together.ai oder Fireworks.ai testen — API-Zugriff ohne Big-Tech-Registrierung
- Die Apache-2.0-Weights auf Hugging Face herunterladen und eine eigene Entwicklungsumgebung für Experimente aufbauen (setzt Multi-GPU-Server voraus)
Mittelfristig:
- Inkling-Small verfolgen — die 12B aktiven Parameter dürften auf kommender lokaler Hardware ohne Cluster ausführbar sein
- Fine-Tuning auf Unternehmensdaten evaluieren: Apache 2.0 schließt keine IP-Risiken ein, das Modell auf interne Dokumentationen, Verträge oder Prozesse anzupassen
Für compliance-sensible Branchen:
- Prüfen, welche internen Workflows von einem Modell auf Inkling-Niveau profitieren würden — und ob der API-Zugriff via Fireworks oder Together den eigenen DSGVO-Anforderungen genügt. Das ist nach unserem Verständnis mit dem richtigen AVV deutlich einfacher zu rechtfertigen als Cloud-SaaS-Produkte.
Wer hinter Thinking Machines Lab steht
Thinking Machines Lab wurde von Mira Murati gegründet, die zuvor als CTO von OpenAI tätig war. Die Entscheidung, Inklings Weights vollständig unter Apache 2.0 zu veröffentlichen — anstatt ein proprietäres Modell oder ein eingeschränktes Community-Modell zu entwickeln —, ist eine strategische Positionierung: Das Team versteht sich als Gegengewicht zur Big-Tech-KI-Infrastruktur.
Für europäische KMU, die die Vorgaben der DSGVO und des EU AI Acts ernst nehmen, ist das mehr als eine technische Randinformation. Es ist ein Hinweis darauf, wem gegenüber man sich als Deployer verantwortlich fühlt.
Nächster Schritt
Wenn Sie evaluieren möchten, welche lokale oder private KI-Strategie für Ihre Organisation passt — und wie Sie Open-Weight-Modelle wie Inkling rechtssicher einsetzen — sprechen Sie mit uns. Freshlab begleitet Unternehmen in DE, ES und der gesamten EU beim Aufbau souveräner KI-Infrastruktur.
Pilotprojekt anfragen — wir antworten innerhalb von 24 Stunden.