โมเดลตัวแรกของ Thinking Machines Lab ค่าย AI ของ Mira Murati ออกมาแล้วในชื่อ Inkling ของชิ้นแรกที่ค่ายนี้ส่งถึงมือคนใช้ไม่ใช่แอปให้สมัครหรือปุ่มให้กดลองบนเว็บ แต่เป็นไฟล์ weights หรือตัวโมเดลที่เทรนเสร็จแล้ว ใครก็โหลดไปรันบนเครื่องตัวเองได้ตั้งแต่วันแรกที่ประกาศ

ข้างในไฟล์นั้นมีค่าตัวเลขที่เก็บความรู้ของโมเดลเอาไว้ เรียกกันว่าพารามิเตอร์ Inkling มีทั้งหมด 975 พันล้านค่า แต่ใช้จริงเพียงราว 41 พันล้านค่าต่อการตอบหนึ่งคำ โมเดลรองรับทั้งข้อความ ภาพ และเสียง ส่วนคำตอบเป็นข้อความ ไลเซนส์ Apache-2.0 เปิดให้นำไปใช้เชิงพาณิชย์ได้ คำถามที่ตามมาคือ ทำไมค่ายที่เพิ่งตั้งจึงนำตัวโมเดลที่ลงทุนเทรนเองมาให้โหลดฟรีเป็นอย่างแรก แทนที่จะเก็บไว้แล้วเปิดให้คนอื่นเรียกใช้ผ่านเน็ตเพียงทางเดียว

มี 975 พันล้านพารามิเตอร์ แต่ใช้จริงแค่ 41 พันล้าน

ตัวเลขสองตัวนี้ห่างกันเกือบ 24 เท่า และช่องว่างตรงนี้คือหัวใจของวิธีสร้าง Inkling

ข้างในโมเดลแบ่งเป็นชุดย่อยที่เรียกว่า expert 256 ชุด เมื่อโมเดลอ่านแต่ละคำ ระบบจะเลือกมาใช้แค่ 6 ชุดจากทั้งหมด 256 ชุด ร่วมกับอีก 2 ชุดที่ทำงานกับทุกคำ ส่วนที่เหลือไม่ต้องคำนวณ เมื่ออ่านคำถัดไป ระบบจะเลือกใหม่ จึงอาจได้ชุดที่ต่างจากคำก่อนหน้า วิธีนี้เรียกว่า Mixture-of-Experts หรือ MoE

ตัวเลข 975 พันล้านหมายถึงพารามิเตอร์ทั้งหมดในไฟล์ ส่วน 41 พันล้านคือจำนวนที่ใช้ทำงานจริงต่อหนึ่งคำ โมเดลจึงเก็บความรู้ได้มากแบบโมเดลขนาดใหญ่ แต่ใช้พลังประมวลผลต่อคำน้อยกว่าโมเดลที่ต้องทำงานทุกส่วนพร้อมกัน

ตัวโมเดลมี 66 ชั้น และไฟล์ที่ปล่อยมีสองเวอร์ชัน คือ BF16 แบบเต็มกับ NVFP4 ที่มีขนาดไฟล์เล็กลง Inkling รองรับภาพขนาดด้านละ 40 ถึง 4096 พิกเซล และเสียงไฟล์ WAV ที่ 16kHz ความยาวไม่ควรเกิน 20 นาที ส่วนคำตอบเป็นข้อความอย่างเดียว

โหลดจาก Hugging Face มารันเอง หรือเรียกผ่าน API ที่คนอื่นรันให้

ทางแรกคือโหลดตัวโมเดลมาเปิดเป็นเซิร์ฟเวอร์เอง ไฟล์อยู่ที่ Inkling บน Hugging Face ซึ่งเป็นเว็บที่นักพัฒนาใช้เผยแพร่และดาวน์โหลดโมเดล AI หากต้องการไฟล์ที่เล็กลง ให้โหลด Inkling-NVFP4 แทน จากนั้นเปิดให้บริการด้วยซอฟต์แวร์อย่าง vLLM หรือ SGLang ทีมผู้พัฒนามีคู่มือตั้งค่าไว้ให้แล้วทั้ง vLLM และ SGLang

ถ้าอยากลองแบบง่ายที่สุด model card หรือเอกสารประจำตัวโมเดลมีคำสั่งเดียวให้ใช้ได้ทันที คำสั่งนี้ใช้กับเครื่องที่ติดตั้ง Docker ซึ่งเป็นตัวช่วยรันซอฟต์แวร์สำเร็จรูปไว้แล้ว

docker model run hf.co/thinkingmachines/Inkling

ทางที่สองคือเรียกใช้ผ่าน API โดยไม่ต้องเตรียมเครื่องเอง ช่องทางนี้เปิดให้โปรแกรมของเราส่งคำถามไปยังโมเดลที่รันบนเครื่องของผู้ให้บริการ แล้วรับคำตอบกลับมา ผู้ให้บริการที่รองรับ Inkling ตั้งแต่วันแรกคือ Together AI ซึ่งทำธุรกิจโฮสต์โมเดลให้ผู้อื่นเรียกใช้ จุดขายที่ประกาศไว้คือไม่ต้องจัดหาเครื่องมารันเอง นั่นก็บอกกลายๆ ว่าทางแรกต้องมีเครื่องแรงพอสมควร

ช่องทางนี้ใช้รูปแบบคำสั่งเดียวกับ OpenAI และรองรับบทสนทนายาวถึง 1 ล้าน token โดย token เป็นหน่วยที่โมเดลใช้วัดความยาวข้อความ แต่ละ token ยาวราวคำสั้นๆ หนึ่งคำ นอกจากนี้ยังมีค่า reasoning_effort สำหรับปรับระดับการคิดของโมเดล ตั้งไว้สูงก็คิดละเอียดขึ้น แต่ตอบช้าลง

เลือกทางไหนดี ถ้าอยากเอาไปแก้ไขลึกๆ ต้องการให้ข้อมูลอยู่ในเครื่องตัวเอง หรือมีเครื่องแรงอยู่แล้ว ทางแรกตอบโจทย์กว่า แต่ถ้าแค่อยากรู้ว่ามันตอบดีไหมก่อนตัดสินใจอะไรต่อ ทางที่สองเริ่มได้ทันทีโดยไม่ต้องลงทุนกับเครื่องเลย

open weights ไม่เท่ากับ open source

สองคำนี้ฟังดูใกล้กัน แต่ให้ของคนละอย่าง

สิ่งที่ Thinking Machines เปิดให้โหลดคือไฟล์โมเดลที่เทรนเสร็จแล้ว ไม่ใช่ชุดข้อมูลและโค้ดที่ใช้เทรน model card ระบุเพียงว่าข้อมูลเทรนประกอบด้วยข้อความ ภาพ เสียง และวิดีโอ ส่วนแหล่งข้อมูลมีสามทาง คือแหล่งสาธารณะ การซื้อสิทธิ์จากบุคคลที่สาม และข้อมูลสังเคราะห์ที่สร้างขึ้นเอง ก่อนนำไปเทรนก็กรองข้อมูลซ้ำและข้อมูลคุณภาพต่ำออก

แต่การบอกว่าใช้ข้อมูลอะไรไม่เท่ากับการเปิดชุดข้อมูลนั้นให้ดาวน์โหลด ใครอยากเอาไปเทรนใหม่เองตั้งแต่ศูนย์จึงทำไม่ได้ นี่คือเส้นแบ่งของคำว่า open weights เราได้โมเดลที่เสร็จแล้ว แต่ไม่ได้ข้อมูลและโค้ดที่ใช้สร้างมันขึ้นมา

ส่วนที่เปิดจริงคือสิทธิ์การใช้ ไลเซนส์ Apache-2.0 อนุญาตให้นำไปใช้เชิงพาณิชย์ แก้ไข และรวมในสินค้าที่ขายได้ โดยไม่ต้องขออนุญาตเป็นรายกรณี ตรงกับที่ทีมผู้พัฒนาประกาศไว้ว่าเปิด weights เพื่อให้คนนำไปทำวิจัย ปรับจูนด้วยข้อมูลของตัวเองให้เก่งงานเฉพาะทาง หรือฝังในสินค้าของบริษัทอื่น

สำหรับการสอนโมเดลต่อ ทีมผู้พัฒนามีแพลตฟอร์มชื่อ Tinker โดยเฉพาะ พร้อมเผยแพร่สูตรไว้ใน Tinker Cookbook ให้ใช้เป็นจุดเริ่มต้นได้เลย

ทีมผู้พัฒนาบอกเองว่ายังไม่ใช่ตัวที่เก่งที่สุด

model card ระบุตรงๆ ว่า Inkling ไม่ใช่โมเดลที่เก่งที่สุดในตอนนี้ ไม่ว่าจะเทียบกับโมเดลแบบเปิดหรือแบบปิด แต่ตั้งใจให้เป็นโมเดลตั้งต้นแบบ open weights ที่นำไปปรับแต่งต่อได้ดี เพราะรองรับข้อมูลหลายประเภท ปรับระดับการคิดได้ และมี Tinker รองรับการปรับจูน

ผลทดสอบที่ประกาศใช้คะแนนจากวันที่ 14 กรกฎาคม 2026 โดยตั้งค่า reasoning_effort ไว้ที่ 0.99 ซึ่งเกือบสูงสุดของสเกล

มีผลจากชุดทดสอบสองรายการที่ช่วยให้เห็นภาพ รายการแรกคือ SWEBench Verified ซึ่งวัดความสามารถในการแก้ปัญหาที่แจ้งไว้จริงในโปรเจกต์โอเพนซอร์ส Inkling ทำได้ 77.6% รายการที่สองคือข้อสอบคณิตศาสตร์แข่งขัน AIME 2026 ซึ่ง Inkling ทำได้ 97.1%

ชุดข้อสอบยากที่รวมหลายสาขาอย่าง HLE บอกได้มากกว่านั้น เมื่อให้ Inkling ตอบโดยไม่ใช้เครื่องมือช่วย ได้ 29.7% แต่เมื่อเปิดให้ใช้เครื่องมือ คะแนนเพิ่มเป็น 46.0% ตัวเลขคู่นี้แสดงว่าโมเดลออกแบบมาให้ทำงานร่วมกับเครื่องมือ ไม่ใช่ตอบจากความจำเพียงอย่างเดียว

ทีมผู้พัฒนาเปรียบเทียบคะแนนกับโมเดลทั้งสองกลุ่ม กลุ่ม open weights ได้แก่ Nemotron 3 Ultra, Kimi K2.6, GLM 5.2 และ DeepSeek V4 Pro ส่วนกลุ่มปิด ได้แก่ Gemini 3.1 Pro, Claude Fable 5 และ GPT 5.6 Sol

model card ระบุข้อจำกัดตามที่พบได้ในโมเดลพื้นฐานไว้ตรงๆ คือยังอาจให้ข้อมูลผิด ทำตามคำสั่งได้ไม่ครบ และคุณภาพลดลงเมื่อสนทนาต่อเนื่องหลายรอบ อีกข้อคือความสามารถของโมเดลไม่เท่ากันในแต่ละภาษาและสาขา คนไทยจึงควรเผื่อใจเรื่องประสิทธิภาพภาษาไทยไว้ด้วย ความรู้ของโมเดลครอบคลุมถึงวันที่เก็บข้อมูลครั้งสุดท้ายเท่านั้น และทีมผู้พัฒนาห้ามนำไปใช้ตัดสินใจด้านการแพทย์ กฎหมาย หรือเรื่องที่ความผิดพลาดอาจก่ออันตรายโดยไม่มีคนกำกับ

ด้านความปลอดภัย ทีมผู้พัฒนาทดสอบหลายด้านก่อนปล่อยโมเดล ทั้งการเออออตามผู้ใช้ การชักจูงให้เกิดผลเสีย การพึ่งพาทางอารมณ์ ความเสี่ยงด้านอาวุธและไซเบอร์ รวมถึงการหลอกลวงหรือจงใจทำให้งานเสียเมื่อปล่อยให้โมเดลทำงานเองเป็นขั้นๆ ผลสรุปคือ Inkling ไม่ได้อันตรายไปกว่าโมเดลแบบเปิดตัวอื่นที่คนโหลดมาใช้ได้อยู่แล้ว แต่ยังเหลือข้อจำกัดหนึ่งข้อ ถ้าผู้ใช้ถามอ้อมๆ ด้วยสถานการณ์สมมติ โมเดลก็ยังทำตามคำสั่งอันตรายได้ model card จึงแนะนำให้ใช้เครื่องมือกรองเพิ่มอีกชั้น แทนที่จะพึ่งให้โมเดลปฏิเสธคำสั่งเพียงอย่างเดียว

แจก weights แล้วค่ายได้อะไรกลับ

คำตอบอยู่ที่กลุ่มผู้ใช้เป้าหมายของ Inkling model card ระบุตรงๆ ว่าโมเดลนี้ทำมาให้นักพัฒนานำไปต่อยอด ทั้งเป็นผู้ช่วยเขียนโค้ด แชตบอต ระบบค้นเอกสารเพื่อตอบคำถาม และระบบเอเจนต์ หรือโปรแกรม AI ที่รับงานแล้วดำเนินการเองเป็นขั้นๆ จนเสร็จ พูดอีกแบบคือ Inkling ไม่ได้ทำมาเป็นแอปแชตสำหรับคนทั่วไป แต่เป็นวัตถุดิบให้ผู้อื่นนำไปสร้างผลิตภัณฑ์ของตัวเอง

พอกลุ่มเป้าหมายเป็นคนสร้างของ การแจก weights จึงไม่ใช่การใจดี แต่คือการวางของไว้ในที่ที่คนสร้างของเดินผ่าน โมเดลปิดต้องรอให้คนสมัคร รอให้คนใส่บัตร รอให้บริษัทอนุมัติงบก่อนถึงจะได้ลอง ส่วนโมเดลเปิดโหลดไปลองได้ตั้งแต่คืนแรก

อีกด้านคือภาพการแข่งขัน ช่วงหลัง โมเดลเปิดที่คนพูดถึงกันมาจากฝั่งจีนเป็นหลัก ทั้ง Kimi, GLM และ DeepSeek ซึ่งเป็นรายชื่อเดียวกับที่ Inkling ใช้เปรียบเทียบคะแนน การที่ค่ายจากสหรัฐปล่อยโมเดลขนาดนี้ออกมาแบบเปิด จึงเท่ากับเข้าไปแข่งขันในสนามที่ฝั่งนั้นครองอยู่ ร่วมกับ Nemotron ของ NVIDIA และ Gemma ซึ่งเป็นโมเดลเปิดจากฝั่งสหรัฐเหมือนกัน

รุ่นเล็กที่ยังไม่ออก คือตัวชี้ขาด

ทีมผู้พัฒนาบอกว่ากำลังทดสอบรุ่นเล็กชื่อ Inkling-Small อยู่ ขนาดรวม 276 พันล้านพารามิเตอร์ ใช้จริง 12 พันล้านต่อคำ และจะปล่อย weights ตามมาเมื่อทดสอบเสร็จ

รุ่นเล็กตัวนั้นต่างหากที่ควรจับตา เพราะรุ่น 975 พันล้านที่แจกอยู่ตอนนี้มีเพียงไม่กี่กลุ่มที่โหลดไปรันเองไหวจริง ถ้า Inkling-Small ออกมาแล้วรันไหวบนเครื่องที่คนทั่วไปหาได้ กลยุทธ์นี้ถึงจะเริ่มได้ผลตามเป้า เพราะโมเดลที่แจกแล้วไม่มีใครรันไหวก็ไม่ต่างอะไรกับโมเดลที่ไม่ได้แจก