Thinking Machines Lab

Thinking Machines Lab er et AI-selskab i San Francisco, som Mira Murati startede i februar 2025 efter seks og et halvt år i OpenAI, de sidste som CTO (TechCrunch, The Guardian). Hun er selskabets CEO, og hun har fået sit eget indlæg: Mira Murati. Dette indlæg handler om selskabet: hvad det siger, det vil, hvad det faktisk har udgivet, og hvad der kun er annonceret.

Hvad selskabet går ud på#

Selskabet beskriver sig selv som en virksomhed for AI-forskning og AI-produkter, der vil give alle “the knowledge and tools to make AI work for their unique needs and goals” (thinkingmachines.ai). Begrundelsen er tre mangler. Forskningsfællesskabets forståelse af de største AI-systemer halter efter, hvad systemerne kan. Viden om, hvordan de trænes, er samlet hos de få største laboratorier. Og systemerne er svære at tilpasse den enkeltes behov og værdier. Derfor vil selskabet gøre AI-systemer “more widely understood, customizable and generally capable”, altså mere forståelige, tilpasselige og generelt kapable.

I juli 2026 skærpede selskabet missionen til at bygge AI, “that extends human will and judgment” (The Future Worth Building Is Human). Pointen er, at det meste AI i dag trænes få steder og derefter står fast, uden at de mennesker, der bruger den, former den. Selskabet vil i stedet have AI, som organisationer ejer og tilpasser til deres egen viden, og som er lige så spredt som organisationerne selv. Det er selskabets egen programerklæring og ikke en uafhængig vurdering.

Hvad “forståelig og tilpasselig” betyder i praksis#

Forståelig: forskning og åbne vægte#

Selskabet udgiver forskning på bloggen Connectionism. Det er for eksempel Defeating Nondeterminism in LLM Inference om, hvorfor en sprogmodel kan give forskellige svar på det samme spørgsmål, selv når temperaturen er sat til nul, og LoRA Without Regret om den billige finjusteringsmetode LoRA, som selskabet mener kan matche fuld finjustering, når den sættes rigtigt op (Tinker).

Det andet er åbne vægte. Når en model udgives med sine vægte, kan andre undersøge den. Selskabet skriver selv, at sikre open weights-modeller er “public goods”, fordi de “make training choices inspectable”, og at de samtidig rummer en reel risiko for misbrug, og at en udgivelse ikke kan trækkes tilbage (A Safe Path to Open Weights). Selve Inkling-indlægget gennemgår arkitekturen og træningen i detaljer: 256 specialiserede eksperter pr. lag, seks aktive pr. token, 45 billioner tokens i fortræningen og over 30 millioner rollouts i forstærkningslæringen (Inkling).

Tilpasselig: Tinker og Inkling#

Kilde: Thinking Machines Lab, Tinker Cookbook, Apache License 2.0 (github.com/thinking-machines-lab/tinker-cookbook).

Tinker er selskabets første produkt. Det blev lanceret som privat beta den 1. oktober 2025 og åbnet for alle den 12. december 2025 (Announcing Tinker, Tinker: General Availability). Det er et API til at finjustere sprogmodeller. Brugeren bestemmer data og træningsmetode, og selskabet kører træningen på sine egne klynger og tager sig af planlægning og fejl. Tinker understøtter selskabets egne modeller og en række åbne modeller fra andre, blandt andre Qwen, Kimi, Nemotron, DeepSeek og gpt-oss. Vægtene kan hentes ned igen, og selskabet skriver, at kundens data kun bruges til at finjustere kundens egne modeller (Tinker). Som eksempel fremhæver selskabet softwarefirmaet Glean, der ved at træne en lille søgemodel på Tinker fik 50 % lavere svartid og 25 % færre tokens i søgningen. Det er selskabets egen gengivelse af tallene.

Inkling blev udgivet den 15. juli 2026 med åbne vægte under Apache 2.0 (Hugging Face). Det er en model med 975 milliarder parametre, hvoraf 41 milliarder er aktive ad gangen, og et kontekstvindue på op til en million tokens. Den tager tekst, billeder og lyd ind og svarer med tekst. Tænkeindsatsen kan justeres, så brugeren selv vælger balancen mellem pris og kvalitet. Selskabet siger, at Inkling matcher Nvidias Nemotron 3 Ultra på Terminal Bench 2.1 med omkring en tredjedel af tokens (Inkling).

Inkling-Small kom den 30. juli 2026, også med åbne vægte. Den har 276 milliarder parametre, 12 milliarder aktive, og er altså en fjerdedel så stor. Ifølge selskabet ligger den tæt på Inkling og på nogle områder over den, men Inkling har stadig et forspring på viden og faktuel nøjagtighed (Inkling-Small).

I selskabets egen demo får Inkling besked på at finjustere sig selv til ikke at bruge bogstavet e. Modellen skriver selv træningsjobbet, kører det på Tinker i omkring 27 minutter og skifter til de nye vægte. Det er en demonstration og ikke et produkt.

Generelt kapabel i samarbejde med mennesker: interaction models#

Den tredje del er samarbejdet mellem menneske og maskine. Selskabet peger på, at modeller i dag oplever verden i én tråd: de venter, til brugeren er færdig, og kan ikke opfatte noget, mens de selv svarer. Svaret er interaction models, der løbende tager lyd, video og tekst ind og tænker, svarer og handler i realtid (Interaction Models, 11. maj 2026). Eksemplerne i selskabets demo var ifølge The Verge at lytte efter omtale af dyr i en fortælling, oversætte tale i realtid og sige til, når nogen sidder sammensunket (The Verge).

Det er en forskningsforhåndsvisning. The Verge skrev ved offentliggørelsen, at interaction models ikke kunne prøves endnu. Selskabet har lovet en begrænset forhåndsvisning “in the coming months” og en bredere udgivelse “later this year”. Selskabets nyhedsside viser pr. den 9. oktober 2026 ikke, at forhåndsvisningen er åbnet (nyheder).

Udgivet og annonceret#

Hvor god er modellen?#

Selskabet skriver selv, at Inkling “is not the strongest overall model available today, open or closed”. I selskabets egen sammenligning ligger den bag Claude Fable 5 og GPT 5.6 Sol på de fleste målinger. På Humanity’s Last Exam uden værktøjer får den for eksempel 29,7 % mod 53,3 % og 47,2 % (Inkling). Selskabets pointe er, at Inkling skal være et godt udgangspunkt for tilpasning, ikke den stærkeste model.

Artificial Analysis, refereret af The Decoder, placerer Inkling som den bedste åbne model fra et amerikansk laboratorium, med 41 på deres indeks mod 38 for Nemotron 3 Ultra. Den ligger dog bag de bedste kinesiske åbne modeller og er svag på faktuel nøjagtighed med en hallucinationsrate på 63 % (The Decoder). Alle tal er enten selskabets egne eller tredjeparts benchmarks. Hvordan modellen klarer sig på danske opgaver, har ingen af kilderne noget om.

Inkling er heller ikke bygget uden kinesisk hjælp. Selskabet skriver, at modellens opbygning i store træk følger DeepSeek-V3, og at efteruddannelsen startede med syntetiske data fra åbne modeller, blandt andre Kimi K2.5 (Inkling).

Penge og personer#

I juli 2025 lukkede selskabet en seed-runde på 2 milliarder dollar ledet af Andreessen Horowitz, med deltagelse fra blandt andre Nvidia, Accel, ServiceNow, Cisco, AMD og Jane Street. Værdien var 12 milliarder dollar, oplyste en talsperson (TechCrunch). Albaniens regering foreslog i foråret 2025 at investere 10 millioner dollar (RTSH). Om pengene er gået ind i runden, er ikke bekræftet af selskabet. I marts 2026 kom en aftale med Nvidia om mindst en gigawatt regnekraft og en investering, hvis størrelse ikke er oplyst (Nvidia-partnerskabet). I september 2026 skrev TechCrunch efter The Information, at selskabet er i samtaler om at rejse en milliard dollar til en værdi på mindst 40 milliarder, med Accel i spidsen, og at den årlige omsætning ligger over 100 millioner dollar ifølge en kilde. Runden er ikke lukket i de kilder, jeg har læst (TechCrunch).

Selskabet har mistet flere af sine stiftere. Andrew Tulloch gik til Meta i oktober 2025, og i januar 2026 vendte medstifterne Barret Zoph og Luke Metz tilbage til OpenAI. Soumith Chintala blev ny CTO (TechCrunch). Selskabet er organiseret som public benefit corporation (Wired).

Hvad der adskiller selskabet, og hvad det betyder for datasuveræniteten#

Selskabets eget skel går mellem laboratorier, der træner én model til alle, og et selskab, der vil lade andre gøre modellen til deres egen. I selskabets sammenligninger står Claude Fable 5 og GPT 5.6 Sol som closed weights, mens Inkling, Nemotron, Kimi og GLM står som open weights. Mistral, som selskabet på sin forside nævner som et eksempel på åbne modeller, er ikke med i sammenligningerne, så en direkte sammenligning med Mistral findes ikke her.

For datasuveræniteten er det nødvendigt at skille to ting ad. Vægtene er én ting. De ligger på Hugging Face under Apache 2.0 og kan køres lokalt med blandt andet vLLM og SGLang (modelkortet). Det betyder, at en virksomhed i princippet kan køre Inkling på egen hardware, så data ikke forlader virksomhedens kontrol, uden at være bundet til selskabet. Inkling-Small er en fjerdedel så stor, men 276 milliarder parametre er stadig en stor model at drive selv.

Tinker er noget andet. Det er en tjeneste fra et amerikansk selskab, der kører på selskabets egne klynger, så træningsdata forlader kundens egen infrastruktur. Selskabet lover, at data kun bruges til kundens egne modeller. Det er et løfte fra leverandøren og ikke noget, der kan kontrolleres udefra. Åbne vægte flytter altså kontrollen til brugeren, men kun hvis brugeren selv driver modellen.