Inkling Small: Thinking Machines apuesta por la eficiencia en la inteligencia artificial
El panorama de la inteligencia artificial continúa evolucionando a un ritmo vertiginoso, y en 2026 una de las tendencias más claras no es la carrera por construir el modelo más grande, sino la búsqueda del modelo más inteligente por parámetro. En ese contexto, Thinking Machines, el laboratorio fundado por Mira Murati —exdirectora técnica de OpenAI—, acaba de dar un paso significativo con el lanzamiento de Inkling Small, su segundo modelo de lenguaje de gran escala. Este modelo no solo es más compacto que su predecesor, sino que, sorprendentemente, lo supera en varias métricas clave de rendimiento. Lo que podría parecer una paradoja es, en realidad, el resultado de una estrategia deliberada y bien fundamentada.
¿Qué es Inkling Small y por qué importa?
Inkling Small es un modelo de razonamiento de pesos abiertos que ocupa menos de un tercio del tamaño de su predecesor, el modelo Inkling original. Esta característica no es un accidente ni una limitación: es el núcleo de la propuesta de valor de Thinking Machines. A pesar de su menor escala, los resultados en benchmarks estándar de la industria demuestran que Inkling Small supera al Inkling original en tareas de codificación, razonamiento matemático y razonamiento lógico en cadena.
La modalidad de pesos abiertos es igualmente relevante. A diferencia de los modelos que permanecen detrás de barreras comerciales y APIs propietarias, Inkling Small puede ser descargado, ejecutado localmente e integrado en infraestructuras propias por investigadores, desarrolladores y empresas. Esta apertura no solo democratiza el acceso a tecnología de alto rendimiento, sino que también fomenta la innovación en la comunidad científica y técnica.
Rendimiento sin necesidad de gigantismo: los resultados técnicos
Uno de los aspectos más llamativos del lanzamiento de Inkling Small es que desafía la lógica imperante durante años en la industria: la idea de que más parámetros equivalen automáticamente a más capacidad. Según la compañía, el modelo destaca especialmente en tres áreas:
Razonamiento matemático y lógico. Históricamente, los modelos pequeños han tenido dificultades para competir con sus versiones más grandes en tareas que requieren razonamiento abstracto y multistep. Inkling Small rompe con ese patrón, mostrando que las técnicas de entrenamiento avanzadas pueden compensar con creces la diferencia de escala.
Codificación de software. La generación, depuración y comprensión de código en múltiples lenguajes de programación es una de las áreas más demandadas por los usuarios empresariales y desarrolladores. El hecho de que un modelo más pequeño pueda igualar o superar a modelos más grandes en esta categoría tiene implicaciones directas para los costes de despliegue y la viabilidad de uso en entornos locales.
Razonamiento en cadena. La capacidad de descomponer problemas complejos en pasos intermedios —lo que en inglés se denomina chain-of-thought— es uno de los diferenciadores más importantes entre los modelos de razonamiento avanzados y los modelos convencionales. Inkling Small muestra solidez en esta dimensión, lo que sugiere que Thinking Machines ha optimizado específicamente esta capacidad durante el entrenamiento.
Las técnicas detrás del milagro de la eficiencia
¿Cómo es posible que un modelo más pequeño supere a uno más grande? La respuesta no es magia, sino ingeniería avanzada. Thinking Machines parece haber invertido significativamente en un conjunto de técnicas que representan el estado del arte en el entrenamiento de modelos eficientes:
Destilación de conocimiento. Este proceso consiste en entrenar un modelo más pequeño —el “estudiante”— para imitar el comportamiento de un modelo más grande —el “maestro”—. En lugar de replicar la arquitectura completa, el modelo pequeño absorbe los patrones de razonamiento y las distribuciones de salida del modelo mayor, logrando capacidades que normalmente requerirían muchos más parámetros.
Datos de entrenamiento sintéticos de alta calidad. La generación de datos de entrenamiento mediante modelos de mayor capacidad permite mejorar la calidad del aprendizaje sin necesidad de escalar el número de parámetros. Este enfoque ha demostrado ser especialmente eficaz para tareas de razonamiento donde los datos etiquetados de alta calidad son escasos.
Optimización de la arquitectura. Ajustes en la estructura interna del modelo —número de capas, cabezales de atención, dimensiones de los vectores de representación— permiten maximizar la eficiencia por parámetro. Un modelo bien diseñado arquitectónicamente puede rendir muy por encima de lo que su tamaño haría suponer.
Aprendizaje por refuerzo orientado al razonamiento. Técnicas como GRPO o variantes de PPO aplicadas específicamente para mejorar el razonamiento encadenado han ganado protagonismo en la industria. Este tipo de entrenamiento permite que el modelo aprenda a producir razonamientos más estructurados y precisos, en lugar de simplemente memorizar patrones estadísticos.
Mira Murati y la visión de Thinking Machines
Para entender el lanzamiento de Inkling Small en su contexto más amplio, es necesario conocer quién está detrás de Thinking Machines. Mira Murati es una de las figuras más influyentes del ecosistema global de inteligencia artificial. De origen albanés y formada en ingeniería en el Dartmouth College, pasó años en OpenAI, donde ascendió hasta convertirse en directora técnica. Llegó incluso a ejercer como CEO interina en noviembre de 2023 durante el turbulento episodio en que el consejo directivo intentó destituir a Sam Altman.
Murati fundó Thinking Machines con una filosofía centrada en el desarrollo responsable y eficiente de modelos de inteligencia artificial. Desde sus inicios, el laboratorio ha enviado señales claras de querer diferenciarse de la carrera por acumular el mayor número de parámetros posible. El propio nombre del laboratorio es una referencia al trabajo seminal de Alan Turing y su concepto de “máquinas pensantes”, lo que refleja una orientación genuina hacia la investigación fundamental en razonamiento artificial.
Con este segundo modelo, Thinking Machines consolida su identidad: no es un laboratorio que busca impresionar con cifras astronómicas de parámetros, sino uno que apuesta por demostrar que la eficiencia es la nueva frontera de la inteligencia artificial.
El contexto industrial: la era de los modelos pequeños y capaces
El lanzamiento de Inkling Small no surge en el vacío. Se inscribe en una tendencia que ha tomado fuerza considerable a lo largo de 2025 y 2026 en toda la industria de la IA. El punto de inflexión más notable fue el impacto de DeepSeek R1, el modelo del laboratorio chino que demostró que era posible construir sistemas altamente capaces con fracciones del cómputo utilizado por competidores como GPT-4 y otros modelos de frontera. Ese hito provocó un replanteamiento profundo sobre la relación entre escala y rendimiento.
Desde entonces, la tendencia ha sido imparable. Google DeepMind ha lanzado versiones “Flash” y “Nano” de su familia Gemini. Meta ha publicado versiones compactas de su familia Llama. Mistral AI ha construido toda su estrategia de negocio alrededor de modelos eficientes y abiertos. Microsoft y Apple han explorado modelos pequeños optimizados para ejecutarse directamente en dispositivos locales, sin necesidad de conexión a servidores externos.
Este movimiento tiene implicaciones profundas para el mercado. Los modelos pequeños y capaces reducen los costes de inferencia, permiten su uso en entornos con restricciones de privacidad, habilitan la ejecución en hardware de consumo y abren la puerta a aplicaciones que antes requerían infraestructura de nube costosa. Para las empresas, esto se traduce en mayor autonomía tecnológica y menores barreras de entrada.
¿Qué significa esto para el futuro de la inteligencia artificial?
El éxito de Inkling Small —si los resultados se confirman y la comunidad los valida— tiene implicaciones que van más allá de un simple lanzamiento de producto. Sugiere que la era del “más grande es siempre mejor” está llegando a su fin, o al menos está siendo cuestionada de manera seria y sistemática. La eficiencia computacional, la apertura del acceso y la calidad del razonamiento se perfilan como los nuevos ejes sobre los que se medirá la excelencia en el desarrollo de modelos de inteligencia artificial.
Para los desarrolladores y empresas, esto representa una oportunidad sin precedentes: acceder a tecnología de razonamiento avanzado sin depender de contratos costosos con grandes proveedores de nube, y hacerlo con modelos que pueden ejecutarse en infraestructuras propias. Para la investigación académica, los pesos abiertos permiten estudiar, auditar y mejorar los modelos de formas que los sistemas propietarios nunca han permitido.
Thinking Machines, con Inkling Small, no solo ha lanzado un modelo: ha hecho una declaración estratégica sobre el tipo de inteligencia artificial que quiere construir y sobre los valores que guiarán ese proceso. En un sector donde la visibilidad y el tamaño suelen dominar la conversación, apostar por la eficiencia y la apertura es, en sí mismo, una apuesta valiente y diferenciadora.
Conclusión: la eficiencia como filosofía, no solo como técnica
Inkling Small es más que un modelo compacto con buenos resultados en benchmarks. Es la expresión tangible de una filosofía de desarrollo que prioriza la capacidad real sobre la escala aparente, el acceso abierto sobre las barreras comerciales y el razonamiento profundo sobre la memorización estadística. En un 2026 marcado por la madurez de la industria de la IA y la búsqueda de sostenibilidad computacional y económica, la propuesta de Thinking Machines llega en el momento justo.
El siguiente capítulo de la inteligencia artificial no lo escribirán necesariamente quienes construyan el modelo más grande, sino quienes logren hacer más con menos, con mayor transparencia y con un impacto real en quienes utilizan estas herramientas cada día. Thinking Machines parece haber comprendido esa lección antes que muchos, y Inkling Small es la prueba más concreta de ello hasta la fecha.
