Inkling 2 Small オープンモデル、Thinking Machines Labが11月第2週に公開予定

Inkling 2 Small オープンモデルの概要―Thinking Machines Labの発表内容

2026年11月5日、Thinking Machines LabがテキストAIモデル「Inkling 2 Small」を発表した（Gigazine）。同社はOpenAIの元最高技術責任者Mira Murati氏が2025年2月に設立したAI研究企業であり（SBクリエイティブ・ITmedia、AI総研）、設立から約1年9か月でモデルの第2世代をリリースするペースにある。

Inkling 2 SmallはMixture-of-Experts（MoE）アーキテクチャを採用し、総パラメーター数5940億・アクティブパラメーター数170億という構成を持つ（Gigazine）。テキストと画像の両方を入力として受け付けるマルチモーダル仕様であることも確認されている。発表時点では安全性評価の最終工程にあり、2026年11月第2週にオープンモデルとして一般公開される予定とされる（Gigazine）。

同社の製品系譜を整理すると、2026年7月15日に公開された初代Inkling（総975B／アクティブ41B MoE）が旗艦モデルであり、軽量版のInkling-Small（総276B／アクティブ12B）がプレビュー公開済みだった（SBクリエイティブ・ITmedia、Zenn、AI総研、Classmethod）。今回発表されたInkling 2 Smallはその第2世代にあたり、旧軽量版から大幅にスケールアップしている。ファインチューニング基盤「Tinker」を含むエコシステム全体の一部として位置づけられている（SBクリエイティブ・ITmedia、Zenn）。

公開されるオープンモデルを比べて選ぶときは、オープンソースLLM比較一覧で解説しています。

関連記事オープンソースLLMの商用利用条件は？ライセンスの注意点

Inkling 2 Small オープンモデル化が業界に意味するもの

Inkling 2 SmallをオープンモデルとしてリリースするというThinking Machines Labの方針は、商業APIのみで収益を追うGPT系との明確な差別化である。オープンモデルとは一般に、モデルの重みが公開され自社インフラへのデプロイや追加学習が可能な形態を指す。クローズドAPIに比べてデータが外部に送出されないため、機密情報を扱う業務や個人情報保護規制の厳しい環境での採用障壁が下がる。

性能面では、Artificial Analysis Intelligence Index v5.0.1で31点を記録しており、前世代の13点から大幅に向上している（Gigazine）。またDesignArenaにおいてGPT-6.1 Solを上回る評価を得ており、コーディング・自律研究の性能は中国製最先端モデルと同等水準とされる（Gigazine）。これらの数値を他のベンチマーク体系と単純比較することは現時点では難しく、独立した評価機関による追加検証を待つ必要がある点は留意したい。

MoEアーキテクチャの採用は、総パラメーター数の大きさとアクティブパラメーター数の少なさの乖離を生み出す。5940億の総規模を持ちながら推論時に動作するのは170億パラメーター分にとどまるため、高性能を維持しながらGPU消費を抑えられる可能性がある。ただし実際の運用コストは量子化方式・バッチサイズ・ハードウェア構成によって変わるため、公開後のベンチマーク計測が実態把握の出発点となる。

日本企業が得られる機会―活用シナリオ別の整理

Inkling 2 Smallがオープンモデルとして公開された場合、日本企業が具体的に検討できる活用シナリオは以下の通りである。

表：Inkling 2 Smallの活用シナリオ別メリット・注意点（公開後を想定）

活用シナリオ	主なメリット	主な注意点
社内文書処理・要約	自社サーバー内に閉じた運用が可能、個人情報の外部送出リスクを低減	GPUサーバーの調達・維持コストが必要
コード生成・レビュー支援	コーディング性能が高水準との評価あり（Gigazine）、既存IDEとの統合検討が現実的	ライセンス条件の詳細は公開後に確認が必須
マルチモーダル業務処理（画像＋テキスト）	設計図・製品画像の読み取りと文書生成を一モデルで処理できる可能性	画像入力の実際の精度・制限は公開後検証が必要
Tinkerによるファインチューニング	業種特化モデルの構築が一貫したエコシステム上で可能（SBクリエイティブ・ITmedia、Zenn）	訓練データの整備・ライセンス管理が前提条件

製造業・金融・医療など機密情報を多く扱うセクターにとって、オープンモデルは「データを外部APIに送らずに済む」選択肢を広げる点で特に意義がある。ディープラーニングの応用が進む製造業では、既存の画像認識パイプラインとの組み合わせも検討に値する（製造業AI活用の最新動向、AIによる画像認識の実装事例）。

導入を検討する前に知るべきリスクと制約

ライセンス条件の未確定：発表時点ではライセンス形態の詳細が公表されていない。商用利用の可否・ファインチューニング後モデルの再配布条件・派生モデルへの制限など、実務で必須の条件が公開後に初めて明確になる。LLaMA系で過去に起きたように後から商用利用制限が付される事例もあるため、ライセンス本文の一次確認が最初の必須作業となる。

インフラ要件の不透明さ：総5940億パラメーターのMoEモデルを自社GPUで動かすには相当のVRAMが必要と考えられる。量子化（4-bit・8-bit）による軽量化が可能かどうかも、公開後の技術ドキュメントで確認する必要がある。クラウドGPUを利用する場合はその費用対効果の試算が先行する。

安全性評価の完了待ち：発表時点では安全性評価の最終工程にあるとされており（Gigazine）、評価結果の内容次第では公開スケジュールや利用条件に変更が生じる可能性がある。

英語圏ベンチマーク偏重の問題：Artificial Analysis Intelligence IndexおよびDesignArenaはいずれも英語中心の評価体系と考えられる。日本語テキストにおける実際の品質は、日本語ベンチマーク（例：JGLUE系）での評価か自社データを用いたパイロット検証を経てはじめて判断できる。

エコシステムの成熟度：Thinking Machines Labは設立から2年未満の新興企業であり、コミュニティ規模・日本語ドキュメント・サポート体制はGPT系やLLaMA系と比較して現時点では限定的と見るのが妥当である。

公開前後で日本企業が取るべき具体的アクション

意思決定者の立場から整理すると、Inkling 2 Smallへの対応は「今すぐ本採用を決める」フェーズではなく、「公開直後に迅速に評価体制を組む」フェーズである。以下の順序が現実的な進め方と考えられる。

第1段階（公開直後、2026年11月第2週以降）：ライセンスドキュメントの一次確認を最優先とする。商用利用の可否・データ利用制限・派生モデル規定の三点が確認できれば、次の判断に進める。

第2段階（公開後1〜2週）：技術チームが量子化・推論速度・日本語品質を自社の代表的タスクで検証する。クラウドGPUを用いた小規模パイロットは、本格調達判断の前の必須ステップとなる。トランスフォーマーアーキテクチャやMoEの基礎を把握したチームが評価を担うと判断精度が上がる（Transformerアーキテクチャの解説）。

第3段階（パイロット結果を踏まえた稟議）：GPUサーバー調達コスト・既存APIサービスの利用費用・内製化による情報セキュリティ上のメリットを定量的に並べ、経営層への説明資料を構成する。コスト比較の軸は「推論1リクエスト当たりの費用」と「GPU設備投資の回収期間」が実務上わかりやすい。

オープンモデルの選択肢が増えること自体は、特定ベンダーへの依存を分散させる交渉力の向上という意味でも、企業のAI調達戦略に好影響をもたらす可能性がある。ただしInkling 2 Smallが実際にその候補となりうるかは、公開後の独立した性能検証と日本語対応の実態を踏まえた上での判断が必要である。

---

参考文献

• Gigazine「OpenAI元CTOのAI企業が高性能AIモデル『Inkling 2 Small』を発表」2026年11月
  URL: https://gigazine.net/
• SBクリエイティブ・ITmedia「Thinking Machines Lab Inkling発表・Mira Murati氏創業経緯」2026年
  URL: https://www.sbbit.jp/
• AI総研「Thinking Machines LabおよびInklingモデル解説」2026年
  URL: https://ai-souken.com/
• Zenn「Inkling初代モデル・Tinker解説」2026年
  URL: https://zenn.dev/
• Classmethod「Inkling公開レポート」2026年
  URL: https://dev.classmethod.jp/