何が起きたか
元OpenAI CTOのミラ・ムラティ氏が率いるThinking Machines Labが、初のプロダクション向け言語モデル「Inkling」をオープンウェイトで公開しました。重みはHugging Faceで自由に入手でき、同社のモデル適応プラットフォーム「Tinker」経由でも利用できます。
Inklingは総パラメータ9750億・同時アクティブ410億のMixture-of-Experts型Transformerです。テキスト・画像・音声をネイティブに扱い、最大100万トークンのコンテキストに対応。事前学習は公開・合成データ計45兆トークンで行われ、合成データ生成には中国製モデルKimi K2.5などが使われました（Kimi K2.5はCursorのコーディングモデルの基盤にもなっています）。学習データには知的財産権の対象となりうる公開データも含まれると同社は認めています。
なぜ重要か
注目点は「米国ラボ発オープンウェイトの最上位」という立ち位置です。Artificial Analysis Intelligence Indexで41点を記録し、Nemotron 3 Ultra（38）、Gemma 4 31B（29）、gpt-oss-120b（24）を上回りました。一方、同社自身が「今日入手できる最強のモデルではない」と述べる通り、総合力では最良の中国製オープンモデルに及びません。
強みは「効率」と「エージェント用途」です。ナレッジワークを模したエージェント系ベンチマークGDPval-AA v2ではEloレーティング1,238を記録し、Kimi K2.6（1,190）やDeepSeek v4 Flash max（1,189）を上回りました。出力トークンも節約型で、Intelligence Indexの1タスクあたり平均2万5000トークン。GLM-5.2 maxの4万3000、Kimi K2.6の約3万8000より少なく、推論コストで有利です。同社は「思考の強度（thinking effort）」を連続的に調整し、コストと性能を釣り合わせられるとしています。
弱点は事実性
注意すべきは事実精度の低さです。AA Omnscienceでの正答率は40%、ハルシネーション率は63%に達し、スコアは+2にとどまります。事実の正確さが問われる用途では、そのまま使うのはリスクがあります。
あわせて、より小型のInkling-Small（総2760億・アクティブ120億）もプレビューされました。GPQA Diamondで88.3%（Inklingは87.2%）、ツール利用時のHLEで46.6%（同46.0%）と、いくつかのベンチマークでは本体と同等以上です。全重みはテスト完了後に公開予定です。
💼 事業会社視点：これは自社にどう効くか
日本企業がまず見るべきは「総合力トップ」ではなく「効率×カスタマイズ性」という設計思想です。Inklingは1タスク平均2万5000トークンと出力が少なく、Tinkerで自社データにファインチューニングできる。SaaSや受託開発で「推論コストが月額を圧迫する」課題を抱える事業者にとって、汎用最強モデルより実運用の単価が読めるオープンウェイトの選択肢が増えた意味は大きい。
ただし採用可否は用途で割れます。エージェント型の業務自動化（社内ワークフロー、カスタマーサポートの一次対応）ではGDPval上位の実力が効く一方、正答率40%・ハルシネーション63%は事実提示型のプロダクト（法務・金融・医療の回答生成）に直結すると事故になる。事業責任者は「効率で選ぶ層」と「事実性が命の層」を切り分け、後者は検証レイヤーやRAGを前提に設計すべきです。
もう一点、経営判断に関わるのが権利リスクです。学習に知財保護対象の公開データや中国製モデル由来の合成データが使われている以上、商用組込み前に自社の法務・調達基準に照らす確認は欠かせません。