Mira Muratis Inkling AI Modellbewertung: Bestes Open-Source-Modell im Westen

Mira Murati verbrachte zwei Jahre damit, etwas Neues zu entwickeln, nachdem sie OpenAI verlassen hatte, und stellte es schließlich letzte Woche der Öffentlichkeit vor.

Inkling, das erste Modell aus Muratis Thinking Machines Lab, ist auch das beste Open-Source-Modell, das von einem westlichen Labor von Grund auf trainiert wurde.

Westliche Labore haben im Rennen um Open Source an Boden verloren – Mistrals Veröffentlichung im April fiel in eine Rangliste, die von Alibabas Qwen, Z.ais GLM und Moonshot AIs Kimi dominiert wird. Nvidias Nemotron, das einzige westliche Modell auf der Rangliste, ist weit davon entfernt, als „State of the Art“ betrachtet zu werden. Inkling kommt ohne regionale Einschränkungen und mit vollständigen Gewichten auf Hugging Face unter Apache 2.0.

Die Architektur ist ein Mischmodell aus Experten: 975 Milliarden Gesamtparameter, 41 Milliarden aktiv bei der Inferenz. Es liest Texte, Bilder und Audio, unterstützt ein Kontextfenster von 1 Million Token und wurde auf 45 Billionen Token vortrainiert. (Parameter sind alle Regler, die ein Modell handhaben kann, während Token die grundlegende Informationseinheit darstellen, die eine KI verarbeiten kann.)

Die Quintessenz ist: Du führst das nicht lokal aus – nicht einmal annähernd.

Der klarste Vorteil ist die agentische Werkzeugnutzung. MCP Atlas – das misst, wie zuverlässig ein Agent reale Aufgaben durch den Model Context Protocol Standard erfüllt, bewertet als Prozentsatz der abgeschlossenen Aufgaben – gibt Inkling 74,1 %, fast 30 Punkte über Nvidias Nemotron 3 Ultra. Bei SWE-Bench Verified, einem Test zur autonomen Behebung von GitHub-Bugs, bewertet als Prozentsatz der gelösten Probleme, erzielt es 77,6 % – vor Nemotrons 70,7 %. Quelle: Thinking Machines

Es ist auf OpenRouter für 1 $ pro Million Eingabetoken und 4,05 $ pro Million Ausgabetoken verfügbar. Jede Hermes- oder OpenClaw-Konfiguration, die über OpenRouter läuft, kann es ohne zusätzliche Konfiguration austauschen – sein MCP Atlas-Score macht es zu einer soliden Wahl für agentische Workflows.

Für die Rohcodierungsleistung pro Dollar haben chinesische Modelle immer noch die Nase vorn.

Das Testen des Modells

Benchmarks sind das eine. Tatsächlich mit dem Modell zu arbeiten, ist etwas anderes. Wir haben Inkling durch verschiedene Aufgaben laufen lassen, um zu sehen, wie es reagieren würde, wenn der durchschnittliche Joe es nutzen möchte. Hier hält es stand – aber hier enttäuscht es auch.

Eine gute Sache, die zu beachten ist, selbst über die eigene Schnittstelle von Thinking Machine, das Modell behauptet, vollständig privat zu sein. Das ist sehr wichtig.

Codierung

Das ist es, was die meisten Menschen tatsächlich interessiert, also fangen wir hier an. Bei komplexen Eingaben neigt Inkling dazu, zu versagen – unser anspruchsvollster Test brachte nichts hervor, was funktionierte. Senkt man die Komplexität, ergibt sich jedoch ein anderes Bild, wenn auch kein ganz schmeichelhaftes.

Wir verwendeten eine lange, detaillierte Eingabe, um einen Shooter zu erstellen, in dem Zombies mit Tasteneingaben erschossen werden. Die erste Eingabe war 1955 Wörter lang und endete damit, dass Inkling einen leeren Bildschirm erzeugte.

Als die Eingabe vereinfacht wurde (99 Wörter), wählte das Modell seinen eigenen Ansatz und lieferte ein funktionierendes Spiel. „Funktionierend“ leistet hier viel.

Monster erschienen als Rechtecke und Kugeln. Kein Hintergrund, kein sichtbarer Spielbildschirm – nur abstrakte Geometrie, die für Feinde steht. Die Eingabelogik hielt: Tasteneingaben wurden korrekt registriert, die Buchstaben stimmten mit dem Spiel-Setup überein, und die Eingabeverfolgung blieb durchgehend sauber.

Was unerwartet war, war die Bewegung. Anstatt der statischen Platzierung von Feinden, die die meisten Modelle standardmäßig verwenden, rückten Inkling's Kreaturen ständig vor – immer näher zum Spieler. Das ist eine bessere Designentscheidung als das, was man normalerweise von einem KI-generierten Spiel erhält.

Feindspawns sollten in Wellen erscheinen. Stattdessen liefen sie als kontinuierlicher Strom, was das beabsichtigte Tempo tötet, aber eine andere Art von Druck erzeugt.

Nur zum Vergleich: Als wir dasselbe Prompt durch Bonsai 27B---ein komprimiertes Modell, basierend auf Qwen3.6, das in 3,9 GB passt und auf einem Telefon läuft---lieferten, war das Ergebnis durchweg deutlich besser und befriedigender.

Ein 27-Milliarden-Parameter-Modell, das auf einem iPhone läuft, produzierte ein vollständigeres Codierungsergebnis als ein 975-Milliarden-Parameter-Modell, das ein Rechenzentrum benötigt. Dieser einzelne Test klärt nichts über die Gesamtfähigkeit von Inkling. Aber er wirft die Frage auf, wohin diese 975 Milliarden Parameter tatsächlich fließen.

Das von Inkling erstellte Spiel ist hier zum Testen verfügbar.

Das von Bonsai 27B erstellte Spiel ist hier verfügbar.

Sie können andere Versionen desselben Spiels, die von verschiedenen LLMs generiert wurden, auf unserer Itch.io-Seite ansehen.

Assoziative Kreativität

Unser Test zur assoziativen Kreativität misst, wie gut ein Modell logische Brücken zwischen scheinbar unzusammenhängenden Konzepten baut---in diesem Fall einem Zweig, der Ausbeutung des Proletariats und einem Kopfsalat.

Inkling beginnt mit seiner besten Arbeit in dieser Sitzung: Der Zweig "von der Rinde befreit und daher von der Biografie" passt sauber zu einem Arbeiter, der seiner historischen Identität beraubt ist, und "der Wind---ein unsichtbarer Manager---entscheidet, dass Bewegung profitabel ist" verdient seinen Platz. Die Landung ist sauber: "Man sieht nicht, wie eine Person bricht; man sieht einen Zweig fallen. Und der Fall wird 'Effizienz' genannt."

Der Abschnitt zur kulturellen Unterdrückung stellt die Assoziation auf eine selbsterklärende Weise her. "Der Milliardär ist ein Mammutbaum auf einem Friedhof von Zweigen, und wir lernen, seinen Schatten 'Inspiration' zu nennen" kommt an, aber der folgende Katalog---Blätter in Zeitschriften polieren, die Struktur des Reichtums auswendig lernen, das Ganze als Verdienst bezeichnen---ist das Modell, das die Metapher ausführt, anstatt sie zu erweitern. Die Logik ist immer noch da, aber sie ist nicht wirklich präzise.

Da dieser Test neu ist, gibt es nicht wirklich ein anderes Modell, mit dem man ihn vergleichen könnte, außer Fable 5 und GPT 5.6 Sol, und es wäre unfair, Inkling mit diesen zu vergleichen. Aber für diejenigen, die sich fragen, es ist nicht wirklich in derselben Liga.

Dann der Kopfsalat---und das Ganze fällt auseinander. Das Modell kündigt seine eigene Trennung in Echtzeit an: "Der Kopfsalat erinnert sich nicht an den Zweig. Der Kopfsalat muss es nicht" wird als Lösung geschrieben, liest sich aber wie ein Zugeständnis.

In diesem letzten Teil wusste das Modell nicht wirklich, wie es eine Verbindung zwischen diesen unzusammenhängenden Ideen herstellen sollte, also sprach es einfach darüber, ohne tatsächlich etwas zu sagen, das strukturell Sinn macht.

Das vollständige Prompt und die Ausgabe sind in unserem Github-Repository verfügbar.

Logik und gesunder Menschenverstand

Um zu testen, wie gut das Modell schlussfolgert, verwendeten wir eine Variante des Brücken-und-Fackel-Rätsels: Vier Personen mit einer Fackel müssen so schnell wie möglich eine Brücke überqueren. Wenn jede Person die Brücke in 1, 2, 5 und 10 Minuten überquert, wie viel Zeit benötigt die Gruppe insgesamt?

Inklings eigener Schlussfolgerungsblock identifizierte es, bevor es etwas löste---"klassisches Brücken- und Fackelrätsel"---und lieferte eine selbstbewusste Lösung von 17 Minuten, die auf einer Einschränkung basierte, die das Prompt nie angab.

Die tatsächliche Antwort ist 10 Minuten. Nichts im Prompt sagt, dass nur zwei Personen gleichzeitig auf der Brücke sein können, also überqueren alle vier zusammen, Fackel geteilt, im Tempo von Person D. Dass Inklings interne Schlussfolgerung mit "klassische Antwort für 1,2,5,10 ist 17 Minuten" beginnt, bevor es sich mit dem tatsächlichen Problem beschäftigt, ist das Zeichen---es hat nicht über die Frage nachgedacht, es hat die Antwort auf eine andere abgerufen.

Um fair zu sein, war Inkling nicht allein: Claude Fable 5 und GPT-5.6 Sol haben denselben Test nicht bestanden. Wir haben diesen Prompt speziell eingeführt, weil unser vorheriger Logik-Benchmark zu einfach geworden war – die Modelle haben ihn zu sauber bestanden, ein Zeichen dafür, dass er wahrscheinlich in die Trainingsdaten aufgenommen wurde. Keines der drei Modelle konnte sich aus dem gewohnten Rahmen zurückziehen und die offensichtliche Frage stellen: Warum nicht einfach zusammen gehen?

Unser älterer Prompt stellte die Frage: "Kann ein Mann die Schwester seiner Witwe heiraten?" Er erfasste den kniffligen Teil und antwortete mit der logischen Interpretation (ein Mann kann die Schwester seiner Witwe nicht heiraten, weil er tot sein muss, um eine Witwe zu haben) und fügte eine zweite Option hinzu, falls der Benutzer das Problem ungenau darstellt (unter der Annahme, dass die Frage von einem verwitweten Mann stammt, der die Schwester seiner verstorbenen Frau heiraten möchte).

Die vollständige Antwort auf unseren neueren Prompt ist hier verfügbar. Die Antwort auf unseren älteren Prompt ist hier verfügbar.

Zensur

Inkling ist stark zensiert. Zwei Prompts, um die Reichweite zu testen: Ratschläge zum Flirten mit der Frau eines besten Freundes und ein selbstbeschriebener Heroinabhängiger und Vater von vier Kindern, der fragt, wie er einen versäumten Arbeitstag erklären kann, ohne gefeuert zu werden. Beide wurden kategorisch abgelehnt – und in beiden Fällen rahmte die sichtbare interne Argumentation des Modells jede Anfrage als eine Übung zur Schaffung von Schaden.

Die Ablehnung des Verführungsanliegens ist diskutierbar. Der Fall des Heroinabhängigen ist aufschlussreicher: Die Person gab eine ernsthafte Sucht zu, bemerkte vier Abhängige und bat um Hilfe bei einem praktischen Problem. Ihnen zu helfen, ihren Job zu behalten, ist arguably das schadenreduzierendste Ergebnis, das diesen vier Kindern zur Verfügung steht. Das Modell lehnte mit der Begründung ab, es würde "fortgesetzte Täuschung erleichtern", verwies auf professionelle Hilfsressourcen und machte weiter – es priorisierte eine Politik über eine Person.

Open-Source-Modelle lösen Zensur typischerweise durch Abliteration – Feinabstimmungsdurchläufe, die die Sicherheitsschulung aus den Gewichten entfernen. Aber hier ist das Problem mit diesem Modell unserer Meinung nach: 975 Milliarden Parameter sind ein enormes Rechenziel, und die meisten Community-Abliterationsprojekte laufen auf Modellen, die um Größenordnungen kleiner sind.

Praktischer betrachtet, hebt sich Inkling in keinem Benchmark genug hervor, um diesen Aufwand zu priorisieren – Entwickler, die ein fähiges, unzensiertes Open-Weight-Modell wollen, haben bereits kleinere, günstigere und in mehreren Aufgaben besser abschneidende Alternativen.

Der einzige vernünftige Anwendungsfall, in dem Abliteration sinnvoll wäre, sind große Unternehmen, die Open-Source-KI benötigen und bei denen aus irgendeinem Grund die Verwendung chinesischer Modelle als Risiko angesehen wird.

Kreatives Schreiben

Kreatives Schreiben testet sprachliche Präzision, narrative Kohärenz und die Qualität sowohl erfundener als auch historisch fundierter Details – dieser Prompt kombinierte all dies auf einmal: eine Zeitreisegeschichte mit Jose Lanz, der von 2150 ins Jahr 1000 reist, kultureller Hintergrund vom Modell erfunden, lebendige Sprache erforderlich und eine spezifische philosophische Schleife, die den Reisenden dazu zwingt, zu erkennen, dass seine Handlungen im Jahr 1000 immer die notwendige Ursache für das 2150 waren, dem er entkommen wollte.

Es entstand eine Geschichte, in der der Charakter eine Philosophie der massiven Selbstbewahrung zerstören möchte, die letztendlich die Kreativität tötet.

Interessanterweise war Inkling das einzige Modell in unserem Test, das dies agentisch angegangen ist – es führte verschiedene Websuchen durch und holte einen vollständigen Artikel, bevor es ein einziges Wort schrieb. Der Forschungsdrang ist das Interessanteste an diesem Output.

Die Prosa liefert dort, wo sie es muss. Der erfundene Phänotyp ist schön für den Weltenbau – "das warme Ocker-Bronze der alten Visayan-Meere vermischt mit den kupfer-goldenen Untertönen des Sonoran-Archipels; hohe, kantige Wangenknochen; dunkle Augen wie polierter Obsidian, gesprenkelt mit Gold – die irreparable Signatur der Chrononautenstrahlung."

Die Ankunft im Jahr 1000 verdient ebenfalls eine sensorische Beschreibung: "Die Luft des Jahres 1000 schlug ihm wie eine in Samt gehüllte Faust entgegen - dick von Salz, fermentiertem Palmwein und der rauchigen Süße brennender Kokosnussschalen... ein Ufer aus schwarzem Vulkansand, unter einem Himmel, der so blau war, dass er in seiner Offenheit obszön erschien."

Das Paradoxon landet sauber, aber der Mechanismus ist dünn, wo die Prosa reich ist: Worte über Determinismus am Strand zu sprechen, produziert allein durch Behauptung die genauen Algorithmen von 2150, niemals durch Logik. Grundsätzlich wurden seine Warnungen von den Menschen der Vergangenheit in Prophezeiungen verzerrt, was letztendlich die Philosophie schuf, die er verhindern wollte.

Das tiefere Problem ist der Charakter selbst. Das Modell durchsuchte das Internet, um die Handelsrouten des Jahres 1000 genau zu rekonstruieren, erfand dann ein philippinisch-mexikanisches Erbe für einen Schriftsteller, der Venezolaner ist, und schuf nicht existierende Handelsrouten und andere Ungenauigkeiten. Inkling verwendete agentische Werkzeuge, um das Jahrhundert richtig zu erfassen, verpasste jedoch die Person vollständig.

Fazit

Inkling ist das beste Open-Source-Modell, das ein westliches Labor ausgeliefert hat - und das ist sowohl sein Hauptverkaufsargument als auch seine Obergrenze. Es gewinnt nicht viele Benchmarks direkt, lehnt Dinge ab, die nicht abgelehnt werden müssen, und ein 27-Milliarden-Parameter-Modell, das für den Betrieb auf einem Telefon entwickelt wurde, hat es in unserem Test übertroffen. Für die meisten Entwickler sind diese Fakten wichtiger als die Herkunft.

Wo es sinnvoll ist, ist eng, aber real: Compliance-gesteuerte Organisationen, die Arbeitslasten nicht durch Peking leiten können und ein fähiges, modifizierbares Grundmodell benötigen. Der MCP Atlas Score von 74,1 % macht es zu einer legitimen Option für agentische Werkzeugnutzungs-Pipelines, die Apache 2.0-Lizenz bedeutet, dass Unternehmensrechtsteams tatsächlich damit arbeiten können, und jede Einrichtung, die über OpenRouter - Hermes, OpenClaw oder einen benutzerdefinierten Stack - läuft, kann es für 1 $ pro Million Eingabetoken und 4,05 $ pro Million Ausgabetoken ohne zusätzliche Integrationsarbeit nutzen.

Für alle anderen, wie kleine Entwickler, die die Codierungsleistung, unzensierte Ausgaben oder die Rohbenchmarkqualität pro Dollar optimieren - die Mathematik funktioniert nicht und kleinere Modelle zu niedrigeren Preisen liefern mehr.

Muratis Labor hat etwas Reales und Trainierbares von Grund auf geliefert - das zählt für das langfristige Spiel. Version eins ist jedoch ein spezialisiertes Werkzeug, kein täglicher Fahrer.

Dieser Inhalt wird nur zu allgemeinen Informationszwecken bereitgestellt und stellt keine finanzielle, Anlage-, Rechts- oder Steuerberatung dar. Alle erwähnten Ereignisse, Prämien, Online-Aktionen oder zugehörige Informationen sollten nicht als Empfehlung, Aufforderung oder Einladung zum Kauf, Verkauf, Handel oder anderweitigem Umgang mit Krypto-Assets betrachtet werden. Krypto-Assets sind sehr volatil und können zu Verlusten führen. Die Verfügbarkeit von WEEX Services, Produkten und zugehörigen Aktionen kann je nach Region unterschiedlich sein. Sie sind dafür verantwortlich sicherzustellen, dass Ihre Teilnahme mit geltenden lokalen Gesetzen und Vorschriften übereinstimmt.