Thinking Machines LabのInklingとは　9750億パラメータのオープンウェイトAIモデルと蒸留論争

TBPNの公開動画は、Mira Murati率いるThinking Machines Labが初のAIモデルInklingをオープンウェイトで公開した話題を取り上げました。番組では、Inklingの総パラメータ数が975 billion、つまり9750億パラメータであること、Tinker APIでのファインチューニングを重視して設計されたことが説明されています。さらに、事後学習に使う合成データの生成元としてKimi K 2.5などのオープンウェイトモデルが挙げられ、AIモデル蒸留をめぐる議論へと話題が広がりました。

今回の論点は、Thinking Machines Labが何を公開したかだけではありません。Inklingの規模、利用を想定した仕組み、学習工程での合成データ、そして別のAI企業をめぐる蒸留の主張が、同じ流れの中で扱われています。TBPNで示された発言と説明に沿って、話題を分けて整理します。

Thinking Machines LabとMira MuratiのInkling

Thinking Machines Labは、初のAIモデルとしてInklingをオープンウェイトで公開したと番組で説明されました。Mira Muratiが率いる同社にとって、Inklingは最初に公開されたモデルです。番組内では、公開のタイミングを水曜日として説明していますが、具体的な年や日付までは扱われていません。

オープンウェイトモデルとは、学習済みモデルの重みを公開する形態を指します。今回の話題では、Inklingがオープンウェイトとして公開されたこと自体と、公開モデルとしての規模が中心に取り上げられました。ライセンスや利用条件、性能ベンチマークについては、今回の説明の対象になっていません。

Inklingの名称とThinking Machines Labの関係は、同社が初めて公開したAIモデルという位置付けで示されています。Mira Muratiの名前とともに紹介されたことで、モデルそのものに加えて、どのような設計思想で公開されたのかにも話が移りました。

9750億パラメータのモデル規模

番組では、Inklingの総パラメータ数を975 billionと説明しています。日本語では9750億パラメータに相当します。出演者は、この規模を公開モデルの中でも大きい側だと述べました。

パラメータは、AIモデルが学習で調整する数値です。Inklingについて今回確認できる規模の情報は、総パラメータ数が9750億であることです。モデルの性能順位やベンチマーク結果、実際の推論速度などは、番組で示された論点には含まれていません。

この数字は、Inklingを説明する際の軸になっています。Thinking Machines Labがオープンウェイトで公開したモデルであることに加え、9750億パラメータという規模が紹介されたためです。番組の説明では、公開モデルの中で大きな部類に入ることが強調されましたが、規模から性能を直接判断する話には広げられていません。

同じ9750億パラメータでも、利用方法や追加学習の設計によって扱い方は変わります。今回のInklingでは、次に挙げるTinker APIとファインチューニングが、規模と並んで主要な特徴として扱われました。

Tinker APIとファインチューニング

Inklingの主要な売りとして番組で説明されたのが、Tinker API向けに独自に設計されている点です。APIは、ソフトウエアからモデルの機能を呼び出すための接続方法です。Tinker APIを通じたファインチューニングを重視するモデルとして、Inklingが紹介されました。

ファインチューニングは、既存の学習済みモデルを特定の用途やデータに合わせて追加学習する方法です。Inklingについては、この追加学習を目的の一つとして設計したと出演者が説明しています。したがって、番組で示された特徴は、9750億パラメータという大きさだけでなく、Tinker APIでの調整を前提にしたモデル設計です。

ここで大切になるのは、Inklingの公開形態と利用のされ方が別の論点として語られていることです。オープンウェイトで公開されたモデルであることは、モデルの重みを公開したという話です。一方、Tinker API向けの設計は、そのモデルをファインチューニングするための扱い方に関する説明です。TBPNでは、この二つがInklingの概要として続けて紹介されました。

ただし、どの業界向けに調整できるのか、どのデータ量が必要なのか、どの程度の性能改善が得られるのかといった具体的な条件は、この話題で示されていません。Inklingについて確認できる範囲では、Tinker APIでのファインチューニングを重視した設計だという点が中心です。

合成データとオープンウェイトモデル

Inklingをめぐる説明では、事後学習に使う合成データにも触れられました。番組が引用したブログ記事の説明によると、オープンウェイトモデルの事後学習に向けた初期の教師ありファインチューニングで、オープンウェイトモデルが生成した合成データを使ったとされています。

その生成元として、Kimi K 2.5を含むオープンウェイトモデルが挙げられました。合成データは、人間が一件ずつ作成したデータではなく、モデルが生成したデータです。今回の説明では、Kimi K 2.5などのモデルを使って事後学習用のデータを生成したという関係が示されています。

この点は、Inklingの公開形態と学習工程をつなぐ情報です。Inklingはオープンウェイトで公開され、Tinker APIによるファインチューニングを重視しています。その一方で、事後学習の初期段階には、オープンウェイトモデルが作った合成データが使われたと説明されています。

合成データをどの程度使ったのか、データの内容や品質をどう評価したのかについては、今回の説明に具体的な数値はありません。したがって、確認できる論点は、Kimi K 2.5などが生成した合成データが初期の教師ありファインチューニングに使われたという点です。

AIモデル蒸留をめぐる主張

TBPNは、合成データの話題からAIモデル蒸留をめぐる議論にも移りました。蒸留は、あるモデルの出力などを別のモデルの学習に使い、知識や振る舞いを移す手法として説明される言葉です。今回の番組では、具体的な企業とモデル名を伴う主張として紹介されています。

Anthropicの国家安全保障政策責任者Taryn Chabbraは、Aspen Security Forumで、Zhipu（Z.ai）がGLM-5.2向けにClaudeとOpenAIのモデルを蒸留したと主張したと説明されました。ここで示されているのは、Taryn Chabbraによる主張です。番組では、その主張をAnthropic側の発言として扱っています。

話題の焦点は、オープンウェイトモデルを使った合成データの生成と、別のモデルの出力を学習に使う蒸留という二つの関係です。Inklingについては、Kimi K 2.5などのオープンウェイトモデルが生成した合成データが事後学習に使われたという説明がありました。Zhipu（Z.ai）については、Taryn ChabbraがClaudeとOpenAIのモデルの蒸留を主張したと紹介されています。

両者は番組内で同じAIモデルをめぐる議論として扱われましたが、説明された対象は異なります。前者はThinking Machines Labの事後学習に使われた合成データの生成元です。後者は、AnthropicのTaryn ChabbraがZhipu（Z.ai）とGLM-5.2について述べた主張です。誰が何について話したのかを分けて読む必要があります。

米中AIモデル競争と安全保障の論点

Inklingの公開と蒸留をめぐる発言は、TBPNで米中のAIモデル競争や安全保障の話題とも接続されました。ここで具体的に示されたのは、Anthropic側のTaryn Chabbraが、Zhipu（Z.ai）によるClaudeとOpenAIのモデルの蒸留を主張したことです。

一方、Thinking Machines Labに関して示されたのは、Inklingをオープンウェイトで公開したこと、総パラメータ数が9750億であること、Tinker APIでのファインチューニングを重視していることです。さらに、事後学習の初期の教師ありファインチューニングには、Kimi K 2.5などのオープンウェイトモデルが生成した合成データが使われたと説明されています。

この二つの話題が同じ回で並んだことで、AIモデルの公開方法と、モデル間で知識や出力を扱う方法が一つの論点として現れています。ただし、Inklingの公開が蒸留問題を引き起こしたという因果関係や、米中の企業間における具体的な競争結果までは、番組で示された事実からは導けません。

確認できる範囲で整理すると、Inklingは大規模なオープンウェイトモデルとして紹介され、Tinker APIでのファインチューニングを重視しています。学習工程ではオープンウェイトモデルが生成した合成データが語られ、別の場面ではTaryn Chabbraによる蒸留の主張が扱われました。公開、追加学習、合成データ、蒸留という複数の論点が、今回のTBPNの話題を構成しています。