Thinking Machines lança Inkling 2 Small e mira US$ 5 bi em rodada

Tech Desk

Startup de IA apresenta nova versão do LLM e busca investimento bilionário para expansão e valorização.

Leia também: IA chinesa DeepSeek quase iguala OpenAI em ataques hacker hoje

A Thinking Machines Labs, fundada pela ex-CTO do OpenAI Group PBC Mira Murati, lançou na tarde desta quinta-feira o Inkling 2 Small, modelo de linguagem grande voltado a automatizar treinamento de IA, programação e tarefas empresariais, ao mesmo tempo em que negocia uma rodada de financiamento de US$ 5 bilhões liderada pela Accel, que pode avaliar a startup em US$ 40 bilhões.

Novo LLM foca em automação de treinamento de IA

O Inkling 2 Small foi projetado para assumir tarefas que hoje exigem times especializados de cientistas de dados e engenheiros de machine learning, como pós-treinamento de redes neurais, ajuste fino de outros modelos de linguagem e otimização de componentes internos. A empresa posiciona o LLM como um “motor” de automação para desenvolvimento de IA, capaz de acelerar ciclos de teste e reduzir custos de experimentação.

De acordo com a Thinking Machines, o modelo foi submetido a centenas de milhares de desafios complexos de programação, incluindo exercícios de “autoresearch”, em que ele próprio precisa projetar, pós-treinar e otimizar outros sistemas de IA. Nessas tarefas, o LLM se mostrou capaz de atuar como uma espécie de pesquisador automatizado, ajustando arquiteturas e kernels de modelos concorrentes.

Nas provas práticas, o Inkling 2 Small foi usado para afinar o modelo open source Qwen3.5-4B com foco em previsões meteorológicas. “Inkling 2 Small dobrou a pontuação do modelo Qwen3.5-4B em previsões meteorológicas em 4,5 horas”, informou a empresa. O desempenho também superou rivais como Spark Open e Kimi K3 em benchmarks de conhecimento e em conjuntos de tarefas financeiras.

Entenda o contexto

O lançamento ocorre em meio à corrida global por modelos de linguagem mais eficientes e baratos de operar, capazes de rodar em escala empresarial e de se adaptar rapidamente a nichos específicos. Ao combinar alto número de parâmetros com foco em automação de treinamento, a Thinking Machines tenta ocupar o espaço de “infraestrutura inteligente” para outros modelos de IA, não apenas competir com eles.

Estrategicamente, a empresa aposta que grandes clientes corporativos e laboratórios de pesquisa vão preferir modelos que aprendem mais rápido e exigem menos tempo de máquina em pós-treinamento. “O modelo aprende mais rápido que versões anteriores, o que deve reduzir custos de pós-treinamento”, diz a Thinking Machines, reforçando o argumento econômico por trás da nova geração de LLMs.

Como o Inkling 2 Small foi treinado

O Inkling 2 Small soma 594 bilhões de parâmetros, patamar de modelo de ponta no segmento, e foi treinado em clusters proprietários GB300 NVL72, ambiente que combina grande poder de processamento com redes de alta velocidade. Cada cluster reúne 72 GPUs Blackwell Ultra e um conjunto de CPUs de apoio, formando a base para o pré-treinamento em larga escala.

Segundo a empresa, o pré-treinamento foi concluído em 68 horas, um tempo considerado agressivo para essa ordem de grandeza, e o refinamento posterior, com aprendizado por reforço, se estendeu por nove dias, com múltiplas etapas intermediárias. Ao longo do processo, o modelo aprendeu não só linguagem natural, mas também padrões de código, lógica de otimização e estratégias de pesquisa automatizada.

Uma característica destacada pela Thinking Machines é a capacidade do LLM de ajustar dinamicamente o uso de recursos computacionais. Em termos práticos, o sistema pode ativar mais ou menos parâmetros e gastar mais ou menos poder de GPU de acordo com a complexidade da tarefa, permitindo ao usuário escolher entre máxima qualidade ou maior economia.

IA que também enxerga e inspeciona gráficos

Do total de parâmetros do Inkling 2 Small, 292 milhões pertencem ao codificador visual integrado, responsável por interpretar imagens e fazer checagens visuais do que o próprio modelo gera. Essa combinação de linguagem e visão amplia o tipo de automação possível, especialmente em aplicações que dependem de interfaces gráficas.

No comércio eletrônico, por exemplo, o LLM pode criar uma loja virtual, revisar o código da página em busca de erros e ainda inspecionar visualmente as telas renderizadas, verificando se botões, fotos e textos aparecem no lugar certo. A mesma lógica se aplica a dashboards financeiros, mapas e gráficos técnicos em geral, onde erros visuais podem indicar falhas de código ou de dados.

A capacidade visual também interessa a áreas como meteorologia e geociências, que lidam com mapas, imagens de satélite e modelos gráficos de previsão. Ao unir análise numérica, textual e visual em um único sistema, o Inkling 2 Small tenta se tornar uma peça única de infraestrutura para times de dados e engenharia.

Personalização mais rápida e barata

Para usuários avançados, a Thinking Machines oferece o modelo com a possibilidade de pós-treinamento usando dados próprios de empresas ou laboratórios. Como o LLM teria maior velocidade de aprendizado em relação a gerações anteriores, esse processo de customização tende a ser mais curto e menos caro, reduzindo tanto o tempo de desenvolvimento quanto a conta de nuvem.

Essa combinação de automação de pesquisa, visão integrada e personalização rápida mira especialmente grandes empresas que precisam de modelos adaptados a seus domínios — como bancos, seguradoras, varejistas online e companhias de energia —, mas não querem arcar com a construção de uma infraestrutura de IA do zero.

Modelo já está na nuvem e será aberto

O Inkling 2 Small está disponível desde o lançamento no Tinker, serviço de nuvem da própria Thinking Machines, voltado a clientes que desejam acessar o modelo via API e integrar suas funções a aplicativos, chatbots, sistemas internos e pipelines de dados.

Além do acesso em nuvem, a empresa anunciou que vai liberar os pesos do LLM sob licença open source na próxima semana. A decisão deve ampliar o alcance do modelo entre pesquisadores, startups e comunidades independentes de desenvolvedores de IA, que poderão fazer ajustes profundos, criar variações especializadas e até adaptar o sistema a hardware próprio.

A abertura dos pesos também tende a pressionar concorrentes a tornarem suas tecnologias mais transparentes ou interoperáveis, em um momento em que governos e reguladores discutem regras para explicar decisões algorítmicas e garantir segurança em aplicações sensíveis.

Rodada bilionária liderada pela Accel

Em paralelo ao lançamento técnico, a Thinking Machines negocia uma rodada de financiamento de US$ 5 bilhões, liderada pela Accel, que deve levar a avaliação da empresa a US$ 40 bilhões. Se confirmados, os números colocam a startup entre as mais valiosas do ecossistema de inteligência artificial, mesmo com poucos anos de existência.

O aporte deve ser direcionado à expansão de infraestrutura de computação, contratação de equipes de pesquisa e desenvolvimento de novas versões da família Inkling. Também abre espaço para parcerias estratégicas com grandes grupos de tecnologia, provedores de nuvem e clientes corporativos globais em setores como finanças, varejo e indústria.

A presença de Mira Murati na liderança reforça o simbolismo do movimento: uma executiva com histórico em grandes laboratórios de IA agora capitaneia uma companhia que busca disputar protagonismo em um mercado dominado por poucos players. A diversidade na cúpula tende ainda a influenciar cultura interna, política de contratação e a forma como a empresa lida com temas de segurança e responsabilidade em IA.

Nos próximos meses, a adoção comercial do Inkling 2 Small, a recepção da comunidade open source e o desfecho da rodada com a Accel devem indicar se a aposta da Thinking Machines em automação de treinamento e abertura de tecnologia se traduzirá em vantagem competitiva sustentável no setor de inteligência artificial.