【Thinking Machines】Inklingとは？性能や料金、使い方を徹底解説

Inkling（インクリング）は、元OpenAI CTOのMira Murati氏が率いるThinking Machines Labが2026年7月15日に公開したオープンウェイト基盤モデルです。
975B total / 41B active のMoE構造・マルチモーダル入力・推論量を調整できる「Thinking Effort」を備え、独立評価機関Artificial Analysisの評価で米国オープンウェイトの首位を奪取しました。

本記事では、開発元Thinking Machines Labの戦略、技術仕様、ベンチマーク性能、料金と入手経路、社内AI基盤への組み込み判断、他オープンウェイトとの立ち位置、選定上の注意点を2026年7月時点で体系的に解説します。

Inklingとは？Mira Muratiが放つ米国オープンウェイトの新旗艦

Inkling（インクリング）とは、元OpenAI CTOのMira Murati氏が率いるThinking Machines Labが2026年7月15日に公開した、汎用マルチモーダルのオープンウェイト基盤モデルです。

総パラメータ975B・アクティブ41BのMixture-of-Experts（MoE）構造を採り、テキスト・画像・音声を入力として扱えます。

2026年7月、Inklingは独立評価機関Artificial AnalysisのIntelligence Indexで41点を記録し、米国ラボ発オープンウェイトの首位をNVIDIA Nemotron 3 Ultra（38点）から奪取しました。

これまで中国勢（DeepSeek・Qwen・GLM・Kimi）に押されがちだった米国オープンウェイト陣営に、Mira Muratiが「Mixture-of-Expertsとカスタマイズ前提設計」というプロダクトで応答した形になります。

Inklingシリーズの中での位置づけ

Inklingは単一モデルではなく、旗艦モデルと軽量版の2階層として設計されました。

以下の表で、Inklingシリーズと主要な競合オープンウェイトモデルの位置づけを整理しました。

モデル	パラメータ	位置づけ
Inkling	975B total / 41B active	米国オープンウェイトのフラッグシップ
Inkling-Small（Preview）	276B total / 12B active	軽量版・多くのベンチで大モデルに匹敵
Nemotron 3 Ultra	—	前世代の米国オープンウェイト首位モデル
DeepSeek V4	—	中国勢の低価格・汎用推論の代表
GLM-5.2	—	中国勢の長時間コーディング特化
Kimi K3	2.8T total	中国勢のエージェント特化

Inklingが並列される競合は、いずれも過去半年〜1年で急速に伸びた中国勢のオープンウェイトです。「米国ラボ製のフラッグシップがオープンウェイトで並ぶ」という状況は、Llama系以外では長らく空白地帯でした。

Inklingはその空白を埋める狙いで設計されており、単なる「もう一つのMoEモデル」ではなく、中国勢と真正面から競う米国側の切り札という位置づけです。

---

Thinking Machines Labの狙い：巨大汎用モデルではなく「社内で育てる基盤」を選んだ戦略

Inklingを理解するうえで欠かせないのが、開発元Thinking Machines Labの戦略です。

同社は元OpenAI CTOのMira Murati氏が2025年2月に共同創業した企業で、資金調達・人材・戦略のすべてに独自色があります。

本セクションでは、Thinking Machines Labの創業経緯と、なぜ同社が「巨大汎用モデルで勝負するのではなく、オープンウェイト＋ファインチューニングという路線を選んだか」の戦略ロジックを整理します。

元OpenAI幹部が固めた創業チームと$2Bシード

Thinking Machines Labは、Mira Murati氏を筆頭にJohn Schulman・Barrett Zoph・Lilian Weng・Andrew Tulloch・Luke Metz氏ら元OpenAIの主要研究者が集結する形で2025年2月に設立されました。

同年7月、a16z（Andreessen Horowitz）主導のシードラウンドで総額$2B（post-money valuation $12B）を調達し、シリコンバレー史上最大級のシードラウンドの一つとなりました。

参加投資家にはNVIDIA・AMD・ServiceNow・Cisco・Jane Street・Accelなどが名を連ね、半導体・エンタープライズIT・金融など、幅広い業種の企業が投資家として参加しています。

その後、2025年11月に$50B valuationで追加調達を模索したものの、2026年1月時点で交渉が停滞したと報じられました。2026年3月にはNVIDIAとの大規模なコンピュート契約と追加出資が報じられているものの、取引額・正確な評価額は非公表です。最後に具体的な金額が公表された2025年7月時点の評価額は$12Bで、2026年7月現在の従業員数は約200名規模と報じられています。

Inklingは、Tinkerに続くThinking Machines Labの第2弾プロダクトで、単独プロダクトではなくファインチューニング基盤とセットで「所有して育てるAI」のロードマップを示す位置づけです。

プロダクト戦略：Tinker（ファインチューニング基盤）＋Inkling（モデル本体）

Thinking Machines Labは、Inklingの前に「Tinker」というファインチューニング用APIプラットフォームを2025年12月に一般提供開始しています。

TinkerはAlibaba QwenやMeta Llama系など複数のオープンウェイトモデルを、分散GPU環境でファインチューニングできるAPIで、Princeton・Stanford・Berkeley・Redwood Researchが初期採用しました。

そして2026年7月、Tinkerの上に載る「自社開発の基盤モデル」としてInklingが投入されました。

以下の表で、Thinking Machines Labの2製品の役割を整理しました。

プロダクト	役割	提供開始
Tinker	オープンウェイトモデルを分散GPU環境で簡単にファインチューニングするAPI	2025年12月
Inkling	Tinkerの上でカスタマイズすることを前提とした自社オープンウェイト基盤	2026年7月15日

この2製品を組み合わせると、企業は「オープンな基盤モデルを取ってきて、自社データでファインチューニングし、そのまま本番で回す」という一気通貫のパイプラインを構築できます。これがThinking Machines Labが狙う「所有して育てるAI」の実装体です。

なぜ「巨大汎用モデル」ではなく「オープンウェイト＋カスタマイズ」を選んだか

OpenAI・Anthropic・GoogleがクローズドフロンティアAPI中心の提供に軸足を置くなか、Thinking Machines Labはオープンウェイト＋ファインチューニング前提の設計に踏み込んでいます（クローズド各社もFine-Tuningやモデル最適化APIを提供していますが、重み配布までは行わない点で線引きが違います）。

Thinking Machines LabはInkling公式発表で、Inklingを「オープン、マルチモーダル、カスタマイズ可能」なモデルと位置づけ、「そのままでは総合的に最強のモデルとは主張しない」と明言しつつ、自社用途に最適化するファインチューニング前提の基盤として展開する姿勢を示しています。

この戦略には、汎用モデル一辺倒では埋められない3つの実務課題への回答が込められています。

• 社外APIに機密データを渡せない企業の存在
  金融・医療・防衛・製造業の一部では、社内データを外部APIに送信するだけでコンプライアンス違反になるケースがあります。オープンウェイト＋自前ホスティングは、この制約に応える有力な選択肢の一つです。
  
  

• 業界・業務固有の暗黙知が汎用モデルに載っていない現実
  SAP会計処理・国内金融規制・特定製造プロセスの熟練者ノウハウは、Claude や GPT のような汎用モデルでは十分にカバーされない場面があります。ファインチューニングで自社ドメインを育てるルートは、汎用モデルにプロンプトを盛るより実効性が高いケースが少なくありません。
  
  

• 提供中断・仕様変更リスクへの備え
  2026年6月にはClaude Fable 5・Mythos 5が一時的に利用停止された事案が発生しました（Fable 5は7月1日に世界復旧、Mythos 5も一部組織向けに復旧）。フロンティアAPIに全依存する構成では、こうした一時停止・仕様変更・料金改定の影響を直接受けます。オープンウェイトは重みが手元に残るため、代替経路を確保しやすいという性質があります。

Inklingが「そのままでは最強ではない」と自認しているのは、まさにこの戦略から来ています。

汎用ベンチマークで1位を取ることを最上位目的にせず、企業がカスタマイズして自社用途に最適化することを前提に設計されたモデルです。ファインチューニングで自社ドメインの精度が上がるかどうかは、自社データと使い方に依存するため個別検証が必要になります。

---

Inklingの技術仕様：975B MoE・マルチモーダル・Thinking Effort

ここからは、Inklingがどのようなモデルとして設計されているのかを、アーキテクチャ・入出力・推論制御の3側面から整理します。

Thinking Machines Labが公式に公開しているモデルカードに基づいた仕様です。

MoE構造とアーキテクチャの詳細

Inklingは66層のデコーダー専用トランスフォーマーに、疎なMoEルーティングを組み合わせたアーキテクチャです。

各MoE層には256個のルーティング対象エキスパートと2個の共有エキスパートが配置され、トークンごとにルーターが6個のエキスパートを選択し、共有2個と合わせて8個がアクティブになります。

• 総パラメータ数: 975B
• アクティブパラメータ数: 41B（各トークンあたり）
• 層数: 66
• エキスパート数: 256（ルーティング対象）＋2（共有）
• アクティブエキスパート数: 6（ルーティング）＋2（共有）= 8
• アテンション: ローカル＋グローバルの混合（5:1比率でスライディングウィンドウとグローバルを交互配置）
• 位置埋め込み: RoPEではなく相対位置埋め込みを採用し、長系列への外挿性能を向上

この「41Bだけをアクティブにする」設計により、Inklingは975Bの表現力を持ちながら、トークンごとの計算量をMoEで疎化できます。

同じくMoEを採用するDeepSeek V4やKimi K3と同じ思想ですが、Inklingはエキスパート数を256まで細分化することでルーティングの柔軟性を上げているのが特徴です。

入出力：テキスト・画像・音声のネイティブマルチモーダル

Inklingはネイティブマルチモーダル設計で、以下の3種類の入力を扱えます。

• テキスト（UTF-8）
• 画像（40〜4096px、40×40ピクセルのパッチにhMLPで分割）
• 音声（WAV 16kHz、最大20分、dMelスペクトログラム経由）

出力はテキストのみ（UTF-8）です。動画は入力対応していませんが、学習時には45兆トークン相当のテキスト・画像・音声・動画データが使われました。

コンテキストウィンドウは、Hugging Face配布の重みで最大1Mトークン、Thinking Machines LabのTinkerホスティングAPI経由で256Kトークンです。

Inklingは数値精度としてBF16・MXFP8・NVFP4の3種をサポートしており、後述する自前ホスティングでは量子化NVFP4を選ぶことで必要VRAM量を大きく減らせます。

Thinking Effort：推論量とコストを調整できる制御

Inklingの独自機能として、Thinking Effortという推論量制御パラメータが備わっています。

これは0〜1のスコアで指定するパラメータで、Thinking Machines Labの公式発表によれば、Effort 0.2〜0.99のレンジで性能とトークン消費のトレードオフが設定に応じて変化します。

以下の表は、Effort設定と挙動・用途の目安を整理した設定例です（公式区分ではなく実務的な目安）。

Effort設定（例）	挙動	用途の目安
低（0.2〜0.4）	短い推論で即答。トークン消費最小	短文の分類・簡易な問い合わせ・大量バッチ処理
中（0.5〜0.7）	バランス型。汎用会話・軽度な推論に十分	チャット・ドキュメントQ&A・要約
高（0.8〜0.99）	長い連鎖思考。難問題の精度が最大化	数学・コード生成・エージェント連鎖

OpenAIのGPT-5.6系「reasoning effort」、Anthropicのtoken budget、GoogleのGemini Flash Thinkingなど、思考量制御は2026年のフロンティアLLMで標準化されつつある機能です。

Inklingはオープンウェイト側でこれを実装した数少ないモデルの1つで、同じモデルで用途別にコスト構造を切り替えられる利点があります。

Thinking Machines Labの公式発表によれば、Effort設定を0.2〜0.99で変化させたスイープ上で、Nemotron 3 Ultraと同等のTerminal Bench 2.1スコアを約3分の1のトークン数で達成したと報告されています。

Thinking Effortは単なる性能ダイヤルではなく、実運用時の単価にも直接効く設計だと言えます。

---

Inklingのベンチマーク性能：数学・コーディング・エージェント

Inklingのベンチマーク性能を、公式モデルカード（開発元Thinking Machines Labの公表値）とArtificial Analysis（独立評価機関の第三者評価）の2ソースから整理します。

Intelligence Index：米国オープンウェイト首位を奪取

独立評価機関Artificial AnalysisのIntelligence Indexにおいて、Inkling（Effort=xhigh）は41点を記録しました。

同指標での比較を整理すると、Inklingは米国ラボ発のオープンウェイトモデルで首位に立ったことがわかります。

Artificial Analysis Intelligence Index全モデル比較（上）と、米国オープンウェイト首位を奪取したInkling 41点（下）（出典：Artificial Analysis）

モデル	Intelligence Index	位置づけ
Inkling（Effort=xhigh）	41	米国オープンウェイト首位
Nemotron 3 Ultra	38	前世代の米国オープンウェイト首位
Gemma 4 31B	29	Google製オープンウェイト
gpt-oss-120b	24	OpenAI発オープンウェイト

Artificial Analysisが公表している棒グラフの下段（国別オープンウェイト首位）を見ると、これまで中国勢（DeepSeek V4 Pro／MiniMax-M3／DeepSeek v4／Kimi K2.6）で埋まっていた首位帯に、米国のInklingが51点のDeepSeek V4 Proに次ぐ形で41点で並んでいます。

Artificial Analysis Intelligence Index全モデル比較（上）と、米国オープンウェイト首位を奪取したInkling 41点（下）（出典：Artificial Analysis）

この結果は、「米国ラボが真剣にオープンウェイトへ資源を投入すれば、中国勢との差を縮められる」ことを実証しました。

オープンウェイト全体では依然としてDeepSeek V4 Pro（51点）などが上ですが、米国製オープンウェイトの選択肢が広がり、Nemotron 3 UltraからInklingへと米国側のトップが更新された点は業界全体の勢力図に影響する動きです。

主要ベンチマーク数値（Effort=0.99）

Inklingのモデルカードで公表されている主要ベンチマーク結果は以下のとおりです。

カテゴリ	ベンチマーク	Inkling（Effort=0.99）
数学	AIME 2026	97.1%
数学	GPQA Diamond	87.2%
推論	HLE（tools使用時）	46.0%
推論	HLE（text only）	29.7%
コーディング	SWE-bench Verified	77.6%
コーディング	SWE-bench Pro Public	54.3%
指示追従	IFBench	79.8%
ファクチュアリティ	SimpleQA Verified	43.9%
画像	MMMU Pro Standard 10	73.5%
音声	VoiceBench	91.4%
安全性	FORTRESS Adversarial	78.0%
安全性	FORTRESS Benign	95.9%

この表と対応する形で、Artificial Analysisも独自にInklingを含む主要モデルの分野別ベンチマークをまとめています。

Inklingを含む主要モデルの分野別ベンチマーク結果一覧（GDPval-AA v2／τ²-Banking／Terminal-Bench v2.1／SciCode／Humanity's Last Exam／GPQA Diamond／CritPt／AA-Omniscience Accuracy／AA-Omniscience Non-Hallucination Rate／AA-LCR）（出典：Artificial Analysis）

一覧チャートで目を引くのは、GPQA Diamond・SciCodeなど科学系ベンチマークではフロンティア帯のClaude・GPT系に迫るスコアを出す一方、HLEでは専門知識・難問推論、AA-Omniscience Non-Hallucination Rateでは不確実な問いへの誤答回避に課題が見られる点です。

数学・指示追従・安全性はオープンウェイトのトップ帯に食い込み、特にIFBench 79.8%はClaude Fable 5やGPT 5.6 Solを上回る結果で、指示に忠実に応答するエージェント用途で強みが出ます。一方、HLE（text only）29.7%はGLM-5.2の40.1%と比べると見劣りし、専門分野の難問推論では中国勢の一部に届いていません。

つまりInklingは「万能で最強」ではなく、指示追従・数学・安全性の3領域で刺さり、専門知識推論と誤答回避では課題が残るというプロファイルです。

エージェント性能とトークン効率：米国オープンウェイトで上位帯

エージェント能力を評価するGDPval-AA v2で、InklingはEloスコア1238を記録しました。

同ベンチでは、GLM-5.2の1514・DeepSeek V4 Proの1307・Nemotron 3 Ultraの1164・Kimi K2.6の1190・DeepSeek V4 Flashの1189と並び、Inklingはオープンウェイト全体では中位、米国製オープンウェイトの中では首位という位置づけです。

GDPval-AA v2 Leaderboard：Inklingは1238点で人間ベースライン1,000を上回るが、GLM-5.2やDeepSeek V4 Proには届かない（出典：Artificial Analysis）

Leaderboardで押さえるべきは、Inklingが人間ベースライン1,000を超えつつも、オープンウェイトのトップ勢（GLM-5.2 1514・DeepSeek V4 Pro 1307）とは明確な差があるという現実です。

「オープンウェイト全体で頭ひとつ抜けた」ではなく、「米国製オープンウェイトを底上げして、Kimi K2.6やDeepSeek V4 Flashと同じ帯に食い込んだ」というのが正確な理解になります。

一方、Intelligence Indexの1タスクあたりの出力トークン量を見ると、Inklingは他モデルと比べて明確に少ない部類に入ります。

モデル	1タスクあたり出力トークン
Inkling	約25K
DeepSeek V4 Pro（max）	約37K
Kimi K2.6	約38K
GLM-5.2（max）	約43K

Inklingは、GLM-5.2などのオープンウェイト上位モデルより知能スコア自体は劣りますが、Intelligence Index 41相当のタスクを25Kトークン程度で完走する低消費傾向にあります。

API従量課金で運用する場合、このトークン数の差は月額コストに直接効きます。

Intelligence Indexと出力トークン量の散布図：Inklingは横軸（トークン消費）で左寄り、縦軸（知能）で中位（出典：Artificial Analysis）

散布図には「Most attractive quadrant」（少トークン・高知能）が緑帯でハイライトされていますが、Inklingはこの緑帯の外に位置します。ClaudeやGPT系のフラッグシップ帯と同じ効率レンジには届いていない一方、同帯のオープンウェイトと比べれば少ないトークンで応答するという中間的な立ち位置です。

長時間走らせるエージェント用途では、知能スコアと単価のバランスを事前検証したうえで採用可否を判断するのが実務的です。

---

Inklingの料金と入手経路：Tinker・API・Hugging Face

Inklingはモデル本体の重みをApache 2.0ライセンスで無料配布しており、追加のライセンス費用は発生しません。

コストが発生するのは、Tinker経由でホスティングAPIを使う場合、または第三者API partnersを経由する場合、そして自前ホスティング用のGPUクラスタを準備する場合です。

本セクションでは、料金体系と入手経路を3ルート別に整理します。

Tinker経由の料金：期間限定50%オフキャンペーン中

Thinking Machines Labは自社Tinker上でInklingをホスティングAPIとして提供しており、公開時点で期間限定の50%オフキャンペーンを実施しています。

• 64Kコンテキスト: prefill $1.87/M トークン、sample $4.68/M トークン、training $5.61/M トークン
• 256Kコンテキスト: 上記の約2倍
• キャッシュされたprefill: 追加で80%オフ

キャンペーンの終了日は公表されていないため、Tinker公式料金表で最新価格を都度確認するのが安全です。

Artificial Analysisが公表しているホスト側の実勢価格（256Kコンテキスト）では、Input $3.74/M・Output $9.36/Mが目安として掲載されています。

Artificial Analysisが集計するInklingモデルページの概要（Intelligence 41／Input $1.87／Output $4.68）（出典：Artificial Analysis Inklingモデルページ）

API partners経由：Together・Fireworks・Modal・Databricks・Baseten

Thinking Machines Labが公式に連携するAPI partnersは、以下の5社です。

• Together AI: 汎用オープンウェイトLLM推論の代表格
• Fireworks: 低レイテンシ推論に強み。Playground UIも提供。2026年7月時点ではon-demand提供で、serverless・fine-tuningは非対応
• Modal: サーバレスGPUで自前ホスティングとAPI利用の中間解
• Databricks: エンタープライズデータ基盤にInklingを組み込む用途
• Baseten: モデルデプロイ・監視の統合プラットフォーム

これに加えて、SGLang（RadixArk Miles経由）・vLLM（Inferact経由）・TokenSpeed（Lightseek経由）・llama.cpp（Unsloth経由）の各推論フレームワークにも初日から対応しました。

日本企業がAzure・GCP日本リージョンに自前デプロイする場合、これらのフレームワークを使う経路が現実的です。

Hugging Face経由：BF16・NVFP4・GGUF・MLX

モデル本体はHugging Face上で複数の形式で配布されており、自前ホスティングやローカル検証用途で活用できます。

• thinkingmachines/Inkling: BF16オリジナル
• thinkingmachines/Inkling-NVFP4: NVFP4量子化版（約592GB）
• unsloth/inkling-GGUF: llama.cpp向けGGUF形式
• pipenetwork/Inkling-MLX-4bit: Apple Silicon MLX 4bit版

Hugging Face経由の重み配布はApache 2.0ライセンスですが、Thinking Machines Labが別途Model Acceptable Use Policy（AUP）を定めており、CBRN関連や違法用途などの利用制限があります。

「Apache 2.0で自由」と言い切らず、AUPを社内法務チェックに含めるのが安全です。また、後述するとおり自前ホスティングには相応のGPUクラスタが必要になります。

---

Inklingを社内AI基盤に組み込む判断軸：3ルートの使い分け

ここまでの技術仕様と入手経路を踏まえ、Inklingを日本企業が社内AI基盤としてどう組み込むかを整理します。

当社の一部支援事例では、日本企業がオープンウェイトを「自前で動かすもの」と捉える場面も見られます。実際にはTinker経由のホスティング利用が現実的な着地点になるケースもあり、企業の要件次第で経路は変わります。

3つの利用ルート

Inklingの利用ルートは、大きく3つに分かれます。

ルート	主なケース	初期コスト	運用コスト
API従量課金（Together・Fireworks等）	検証〜本番までの実利用	ほぼゼロ	使った分だけ
Tinker経由ファインチューニング＋ホスティング	自社データで育てた専用モデルを従量課金で使いたい（外部への送信が許容される場合）	ファインチューニング費	ホスティング従量
自前ホスティング（Azure/GCP日本リージョン等）	機密データを社外に送れない・GPUクラスタを保有できる	GPU初期投資 or クラウドGPU予約	GPU占有・電気代・運用工数

API従量課金と自前ホスティングの分岐点は、利用量・並列数・キャッシュヒット率・リージョン・GPU予約条件で大きく変わります。

「月間◯億トークンで自前が有利」といった単一の閾値では判定できないため、TCO試算を回して決めるのが基本です。

自前ホスティングに必要なGPU規模

Inklingを自前ホスティングする場合、必要なVRAM量は以下のとおりNVIDIA公式DynamoドキュメントとInkling公式モデルカードで示されています。

• BF16フル精度: 2TB以上のVRAM（NVIDIA B300を8枚、またはH200を16枚）
• NVFP4量子化版: 600GB以上のVRAM（NVIDIA B300を4枚、またはH200を8枚）

GPU本体の購入価格・クラウドGPU予約単価・電気代・冷却・運用工数はリージョンや契約形態で桁が変わるため、具体金額は必ず自社の調達条件で試算してください。

当社の一部支援事例でも、まずTinkerや第三者APIの単価と、自社試算した自前ホスティングTCOを並べるところから合意形成を進めるケースがあります。

ケース別の考え方

具体的にどのルートを選ぶかは、以下のケース別で判断するのが実務的です。

• 機密データを社外APIに送れない金融・医療・防衛関連
  自前ホスティング（NVFP4量子化版でVRAM節約）が第一候補。Tinkerや第三者APIは外部送信を伴うため、社内規程や監督官庁のガイドラインで許容されている場合に限って併用する
  
  

• AI業界特化ソリューションを自社SaaSとして販売したい中堅企業
  Tinker経由でファインチューニング＋Tinkerホスティングを起点にする。Together AIやFireworks経由で自社サービスに組み込み、需要が伸びた段階で自前ホスティングへの移行を検討する
  
  

• PoC・検証段階の企業
  Tinker PlaygroundまたはTogether AI・FireworksのAPIで従量課金試用。期間限定の50%オフキャンペーン中は低単価で検証できるため、公式ページで割引条件を確認してから着手する
  
  

• 大規模利用が確定していて外部送信も許容できる大企業
  NVFP4量子化版でVRAM 600GB＋NVIDIA B300 4枚構成の自前ホスティング。ファインチューニング用途にはTinker、本番推論には自前ホスティングを組み合わせる

大企業でも、いきなり自前ホスティングを選ぶ必要はありません。まずTinkerや第三者APIで運用単価と実性能を1〜2か月測ってから、自前ホスティングへ移行するかを判断する方が、無駄なGPU投資を避けやすくなります。

詰まりやすい3つの論点

Inklingの導入判断で、実務担当者がつまずきやすい論点を3つ整理します。

• オープンウェイト＝タダで動くという誤解
  Apache 2.0で重みが無料でも、動かすGPU代・電気代・MLOps人件費は発生します。実運用時のTCO試算では、Tinkerや第三者APIとの比較が欠かせません
  
  

• ファインチューニング効果への過剰期待
  Inklingは汎用性能ではClaude Opus・GPT-5.6・Gemini 3系より劣ります。ファインチューニングで自社ドメインの精度を上げるとしても、基盤モデルの推論深さに由来する制約が残る可能性があります。「Claudeの代わりに使う」ではなく、「自社データで最適化した専用モデルを持つ」用途に絞ることが重要
  
  

• API partners間の実性能・単価差
  Together・Fireworks・Modal・Databricks・Basetenで、同じInklingでもレイテンシ・スループット・単価に差があります。

本番採用前に、実際のユースケースで複数partnersのベンチマークを取ることを強く推奨します

---

他オープンウェイトモデルとの立ち位置：DeepSeek・Qwen・GLM・Kimi vs Inkling

Inklingを検討する際は、2026年時点で急速に伸びている中国勢オープンウェイトモデルとの比較も欠かせません。

本セクションでは、Inklingと主要な競合オープンウェイトモデルの立ち位置を、ユースケース別に整理します。

主要オープンウェイトモデル一覧

以下の表で、2026年7月21日時点の主要オープンウェイトモデルの特徴を整理しました。ライセンスは各モデルの公式リポジトリ・公式ブログの記載に準拠しています。

モデル	開発元	得意領域	ライセンス	重み公開状況	特徴
Inkling	Thinking Machines Lab（米国）	マルチモーダル・指示追従・数学	Apache 2.0＋Model AUP	公開済み	米国製オープンウェイト首位、Thinking Effort、Tinker連携
DeepSeek V4系（Pro・Flash）	DeepSeek（中国）	汎用推論・低価格	Pro＝MIT License（Flashは公式料金表のAPI提供）	Pro＝公開済み	低価格な水準（V4 Flash API：$0.28/M出力トークン）
Qwen 3.6	Alibaba（中国）	汎用・多言語	Apache 2.0	公開済み	27B Dense／35B-A3B MoE（2026年4月公開）、Tinker対応
GLM-5.2	Zhipu AI（中国）	長時間コーディング・エージェント	MIT License	公開済み	SWE-bench長時間タスクでオープンウェイト首位帯
Kimi K3	Moonshot AI（中国）	エージェント・ツール利用	未公表（2026年7月21日時点）	完全な重みは2026年7月27日公開予定	約2.8Tパラメータ、エージェント連鎖に特化
Llama 4系	Meta（米国）	汎用・欧米エコシステム	Meta独自ライセンス	公開済み	最長級コンテキスト、EU商用利用に制約あり
Nemotron 3 Ultra	NVIDIA（米国）	汎用・NVIDIA最適化	OpenMDW License Agreement v1.1	公開済み	Blackwell最適化、Inkling登場前の米国首位

この一覧を見ると、「オープンウェイト＝1つの領域で全て解決」ではなく、得意領域ごとに使い分ける段階に入っていることがわかります。ライセンスは中国製オープンウェイトでもMIT・Apache 2.0など寛容な条件が広がっており、米国製Inklingは寛容なApache 2.0を採用しつつModel AUPで用途制限をかける設計です。

ユースケース別の使い分け

具体的なユースケースでの使い分けは、以下の整理が実務的です。

• とにかく安く汎用推論を回したい
  DeepSeek V4系が第一候補。V4 Flashの$0.28/M出力トークンという単価は、低価格な水準です
  
  

• 長時間コーディング・エージェント連鎖で高精度を出したい
  GLM-5.2またはKimi K3が第一候補。SWE-bench長時間タスクや複雑なツール利用ワークフローで、他を上回るスコアを出しています
  
  

• ファインチューニングを前提とした社内基盤に育てたい
  Inklingが第一候補。Tinkerとの連携で分散GPU環境でのファインチューニングがそのまま流れます
  
  

• マルチモーダル（画像・音声入力）が必要
  Inklingが第一候補。ネイティブマルチモーダル設計のオープンウェイトはまだ少数派で、Inkling以外の選択肢は限られます
  
  

• 米国製オープンウェイトで法務リスクを避けたい
  Inklingが第一候補。Apache 2.0＋Model AUPの組み合わせで、寛容なライセンスと社内法務ガイドラインの両立が可能。中国製オープンウェイト（MIT・Apache 2.0系が多い）も法務レビュー上は選べるケースが多いが、米中対立に伴う輸出規制や国内クラウド上でのホスティング可否は個別確認が必要

Inklingが「万能」ではないと理解した上で、上記5項目のいずれかに該当する場面で選定候補に入れる、というのが実務的な向き合い方です。

日本企業の視点：地政学リスクへの対応

日本企業がオープンウェイトモデルを選定する際、性能・料金以外に無視できないのが地政学リスクです。

米中対立の激化に伴い、中国製オープンウェイトモデルには以下のような懸念が存在します。

• 将来的な米国輸出規制で、国内クラウドプロバイダー経由のホスティングが制限される可能性
• 米国市場向けのSaaS製品に中国製モデルを組み込むことによるコンプライアンス懸念
• 学習データに含まれる政治的バイアス（特に中国関連トピック）への配慮

これらのリスクは、DeepSeekやKimi、GLMなどを実務で使う場合の「見えないコスト」として、選定時に考慮すべき論点です。企業によっては、法務・輸出管理の観点から中国製オープンウェイトを選定候補から外す判断もあり得ます。

Inklingは米国製・Apache 2.0という2条件を満たすオープンウェイトモデルとして、この文脈で候補に上がりやすいモデルです。ただしModel AUPの用途制限や、社内法務・輸出管理の観点で個別チェックは必要になります。

---

Inklingを選ぶ際の注意点：性能ギャップ・日本語・商用リスク

Inklingは有力なオープンウェイトモデルですが、導入判断の前に押さえておくべき注意点が3つあります。

Thinking Machines Lab自身が「総合的に最強とは主張していない」

前述のとおり、Thinking Machines Labは公式発表で、Inklingを「そのままでは総合的に最強のモデルとは主張しない」と述べています。

汎用ベンチマークでClaude Opus 4.8・GPT-5.6・Gemini 3.5に及ばない場面が多いことは、選定前の期待値調整として重要です。

• 専門知識・難問推論（HLE text only 29.7%）は、GLM-5.2の40.1%やClaude Fable 5に届かない
• 大規模長時間コーディング（Terminal-Bench 2.1で63.8%）は、GLM-5.2の82.7%に大きな差で及ばない

AA-OmniscienceによるInklingの精度・幻覚率評価：Omniscience Index／Accuracy／Hallucination Rateの3段チャート（出典：Artificial Analysis）

3段チャートの中段Accuracyと下段Hallucination Rateを見比べると、Inklingは精度は中位帯、幻覚率もクローズドフロンティア帯より高い位置にいます。

汎用問答での「知らないことは知らない」と答える能力は、まだClaude・GPTのフラッグシップ帯には届いていません。

InklingはClaudeやGPTの代替ではなく、自社データでファインチューニングして自社用途に最適化する用途に絞って選定するモデルです。汎用性能で勝負したい場合はClaude・GPT・Gemini系のAPI利用を続ける方が実務的です。

日本語対応：多言語対応と明記されるが、公式ベンチマーク未確認

Inklingの公式モデルカードは「general multilingual support」を明記していますが、日本語品質に関する公式ベンチマーク結果は公開されていません。

Zennの検証記事では、日本語の自己紹介・独特な語彙（「破天荒」等）・バグ検出のいずれもPlaygroundで動作したと報告されていますが、これは少数の個別事例のため、日本語品質を一般化して判断することはできません。

特に、日本語特有の敬語・専門用語・法務文書レベルの精度は、実運用前に自社データで検証する必要があります。

PLaMo 3.0 Primeのような日本語特化モデルとの比較や、GPT-5.6・Gemini 3.5などクローズドフロンティア帯との比較は、公式ベンチが未整備のため個別ベンチマークで判定するのが安全です。

日本語コンプライアンス文書・契約書レビュー・専門文書生成のような用途では、事前検証を必ず行うべきです。

Inklingの安全運用上のリスク

Inklingは安全性評価で高いスコア（FORTRESS Adversarial 78.0%、StrongREJECT 98.6%）を記録していますが、公式モデルカードには「役割演じや間接的な指示で有害トピックに応じる傾向」が明記されています。

モデルカードが直接言及しているリスクとしては、以下のような場面での挙動不安定性が示されています。

• ロールプレイや間接的な指示への追従（例：有害な指示をロールプレイのフィクションとして提示された場合）
• 長時間対話でのセーフガード挙動のばらつき

Thinking Machines Labは「アプリ層でのコンテンツフィルタリング・レート制限・監視の実装」を明示的に推奨しています。

商用サービスに組み込む場合、モデル本体のセーフガードだけに依存せず、ガードレールを別レイヤーで用意する運用が必要です。

加えて、Model Acceptable Use PolicyではCBRN関連や違法用途などの制限が明記されているため、AUP準拠のポリシー整備も忘れずに実施してください。

---

Inklingを自社Azureテナント内の業務Agent基盤に載せるなら

Inklingの登場で、企業のAI活用戦略に「クローズドAPI一択」以外の選択肢が明確に立ちました。ただしオープンウェイトモデルを社内で走らせるには、モデルを選定するだけでなく、業務Agent層・実行ログ・権限管理・データ主権までを含めた運用設計が並行して必要です。

このレイヤーを担うのが、自社Azureテナント内で動くエンタープライズAIエージェント基盤です。AI総合研究所のAI Agent Hubは、Teamsから呼び出せる業務特化Agent群を1つのダッシュボードで統合管理し、Inklingのようなオープンウェイトモデルをバックエンドに据えても業務プロセス側の設計を守れる運用基盤として機能します。

• オープンウェイトを自社テナント内で運用
  Inklingを自社Azureテナント内にデプロイし、業務Agent層と接続。データは100%自社テナント内に保持され、AIの学習対象から完全除外されます。
  
  
• クローズドAPIとの併用も1画面で統制
  Inkling・DeepSeek・Qwen等のオープンウェイトと、Claude・GPT・Geminiなどのマネージドモデルを、業務用途に応じてルーティング。実行ログ・権限管理は1つのダッシュボードに集約されます。
  
  
• Teams入口で業務プロセスに直結
  モデルの技術検証で終わらせず、Teams上のAgentから呼び出して社内DB・基幹システムを更新するフローまで一気通貫で実装できます。

AI総合研究所の専任チームが、オープンウェイトモデル選定から業務Agent基盤の統合設計まで一貫して支援します。AI Agent Hubのサービスページで、オープンウェイトを業務に載せる実装例をご確認ください。

---

まとめ

本記事では、Inklingについて、開発元Thinking Machines Labの戦略・技術仕様・ベンチマーク性能・料金と入手経路・社内AI基盤への組み込み判断・他オープンウェイトとの立ち位置・選定上の注意点までを、2026年7月時点の最新情報で解説しました。

2026年時点で押さえておくべきポイントは次の3つです。

• InklingはMira Murati率いるThinking Machines LabのApache 2.0オープンウェイト基盤モデルで、Intelligence Index 41点で米国オープンウェイト首位を奪取した
• 戦略は巨大汎用モデルではなくオープンウェイト+ファインチューニングで、Tinker（ファインチューニング基盤）と組み合わせて企業に育てられるAIを狙う
• 入手はAPI従量課金・Tinker+ホスティング・Hugging Face自前ホスティングの3ルートで、機密度とTCOで経路を決める
  
  

まずはTinker Playgroundで試用し、次にTinker経由のホスティングAPIで運用単価と性能を測ってから、本格的なファインチューニングや自前ホスティングへ進む段階的アプローチが現実的な第一歩になります。汎用最強を狙うならClaude/GPT/GeminiのAPI利用が実務的で、Inklingは自社データで育てた専用モデルを社内AI基盤に据える戦略を検討する企業向けの選択肢です。