Cognition hat mit Inkling ein leistungsfähiges Open-Weights-KI-Modell veröffentlicht, das explizit auf individuelle Anpassung durch Fine-Tuning ausgelegt ist. Bei Inkling handelt es sich um einen Mixture-of-Experts-Transformer mit 975 Milliarden Gesamt- und 41 Milliarden aktiven Parametern, der einen Kontextfenster von bis zu einer Million Token unterstützt. Das Basismodell wurde aus den Grundzügen heraus mit 45 Billionen Tokens aus Text, Bild, Audio und Video vortrainiert. Parallel wird eine Vorschau von Inkling-Small vorgestellt, ein leichteres Modell mit 276 Milliarden Parametern und 12 aktiven Einheiten, das bei reduzierter Latenz und geringeren Kosten nahezu vergleichbare Ergebnisse liefert. Die Architektur folgt bewährten Effizienzprinzipien: Pro Token werden sechs von 256 Routing-Experten aktiviert, kombiniert mit einem Mischmuster aus schlitzweiser und globaler Aufmerksamkeitsberechnung im Verhältnis 5:1 sowie relativen Positionsembeddings für bessere Skalierbarkeit auf lange Kontexte. Das Pretraining wurde durch eine hybride Optimierungsstrategie unterstützt. Im Fokus stand zudem ein hochskalierter Reinforcement-Learning-Prozess mit über 30 Millionen Rollouts, der die kognitive Leistung logarithmisch steigerte und automatisch zu einer effizienteren, kompakteren Denkweise führte. Inkling ist als breiter Multimodal-Allrounder konzipiert, der nativ über Text, Bilder und Audio reasoning unterstützt. Ein zentrales Alleinstellungsmerkmal ist die steuerbare Denkanstrengung. Entwickler können über einen Effizienzregler präzise steuern, wie viel Rechenleistung und Tokens für die Problemlösung aufgewendet werden, wodurch sich Leistung und Kosten flexibel anpassen lassen. In Benchmarks zur Logik, Programmierung, agenticen Werkzeugnutzung sowie Multimodalität positioniert sich das Modell im oberen Mittelfeld und schneidet im Vergleich zu anderen Open-Weights-Modellen besonders stark ab, auch wenn geschlossene Systeme in einigen Einzeldisziplinen noch leicht führen. Sicherheit und Glaubwürdigkeit wurden durch gezieltes Post-Training und Reinforcement Learning nach einem strengen internen Standard verankert. Inkling zeigt hohe Kalibrierung in Vorhersageaufgaben, folgt komplexen Instruktionen präzise und weist starke Widerstandsfähigkeit gegen Zensur sowie effektive Ablehnung gefährlicher Anfragen auf, ohne harmlose Pendants übermäßig zu blockieren. Externe Sicherheitsaudits bestätigen diese Ergebnisse. Für die Community und Entwickler ist das Modell ab sofort über die Tinker-Plattform zugänglich und wird zunächst mit einem Rabattangebot angeboten. Die vollständigen Gewichte stehen auf Hugging Face zur Verfügung, darunter ein optimiertes NVFP4-Format für NVIDIA Blackwell-Hardware. Über Partnerschaften mit Together, Fireworks, Modal, Databricks und Baseten wird die Integration in gängige Infrastrukturarchitekturen wie SGLang, vLLM und llama.cpp sowie Hugging Face Transformers gewährleistet. Mit Inkling setzt Cognition einen deutlichen Akzent hin zu transparenzorientierter KI-Infrastruktur, die speziell darauf ausgelegt ist, spezialisierte Unternehmensanwendungen durch angepasste Fine-Tuning-Workflows effizient und sicher zu skalieren.