Inkling Testbericht: Das Open-Weights-Modell, das GPT-5 und Claude herausfordert
Inkling ist ein Open-Weights-Modell mit 975B Parametern von Thinking Machines Lab. Wir testen seine multimodalen Fähigkeiten, die Preise und wie es sich im Vergleich zu GPT-5 und Claude schlägt.
1X2.TV — KI-Fußballprognosen
KI-gestützte Vorhersagen für Fußballspiele, Wett-Tipps und tiefgehende Analysen. Ermöglicht durch Machine-Learning-Algorithmen, die über 50.000 Spiele analysieren.
Vorhersagen abrufenInkling Testbericht: Das Open-Weights-Modell, das GPT-5 und Claude herausfordert
Die Landschaft der Open-Weights-Modelle hat sich im gesamten Jahr 2026 rasant entwickelt. Von Googles Nemotron 3 Ultra über Anthropics Claude 4 bis hin zu OpenAIs GPT-5 dominieren die geschlossenen Modelle die Schlagzeilen. Wenn Sie die Open-Source-Community im Blick behalten haben, ist Ihnen vermutlich ein neuer Herausforderer aufgefallen, der leise an Fahrt gewinnt: Inkling, das erste Open-Weights-Modell von Thinking Machines Lab, veröffentlicht am 15. Juli 2026.
Inkling versucht nicht, in jedem Benchmark das stärkste Modell zu sein. Stattdessen positioniert es sich als leistungsstarkes, effizientes und anpassbares Basismodell für Entwickler, die offenen Zugang zu einem leistungsstarken multimodalen Modell wünschen. Mit insgesamt 975 Milliarden Parametern (41 Milliarden aktiv), einem Kontextfenster von 1 Million Tokens und nativer Unterstützung für Text, Bilder und Audio liefert Inkling ein überzeugendes Argument für Open-Weights-Modelle in Unternehmens- und Entwickler-Ökosystemen.
In diesem Testbericht gehen wir tief auf Inklings Fähigkeiten, Preise und den Vergleich mit den großen Anbietern ein – damit Sie entscheiden können, ob es das richtige Modell für Ihren Anwendungsfall ist.
Was ist Inkling?
Inkling ist ein Mixture-of-Experts-Modell (MoE) von Thinking Machines Lab, veröffentlicht unter der Apache-2.0-Lizenz. Diese Lizenzwahl ist bedeutsam: Sie können Inkling kommerziell nutzen, ohne sich über einschränkende Bedingungen sorgen zu müssen, was es zu einer attraktiven Option für Unternehmen jeder Größe macht.
Die Architektur des Modells ist besonders interessant. Mit insgesamt 975 Milliarden Parametern, von denen während der Inferenz nur 41 Milliarden aktiv sind, liefert Inkling eine starke Leistung bei überschaubaren Rechenkosten. Dieses MoE-Design bedeutet, dass das Modell für jede Eingabe nur eine Teilmenge seiner Parameter aktiviert, was zu schnelleren Inferenzzeiten im Vergleich zu dichten Modellen ähnlicher Größe führt.
Inkling ist von Grund auf multimodal, das heißt, es kann Text, Bilder und Audio nativ verarbeiten und darüber schlussfolgern – ohne separate Modelle oder komplexe Pipelines. Für Entwickler, die das Modell mit ihren eigenen Daten feinabstimmen möchten, hat Thinking Machines Lab es auf Tinker verfügbar gemacht, ihrer Plattform für Modell-Anpassungen.
Wie schneidet Inkling ab?
Seien wir ehrlich: Inkling ist heute nicht das stärkste Gesamtmodell, weder unter den offenen noch unter den geschlossenen Modellen. Aber es ist durchaus stark genug, um sich zu behaupten, und hat einige bemerkenswerte Erfolge vorzuweisen.
Laut Artificial Analysis liegt Inkling mit einem Index-Score von 41 vor Nemotron 3 Ultra (38) und Gemma und ist damit eines der stärkeren verfügbaren offenen Modelle. Allerdings liegt es leicht hinter GLM 5.2, das weithin als das führende Open-Weight-Reasoning-Modell im Benchmark-Set gilt – insbesondere bei reinen Coding-Aufgaben.
Für multimodales Reasoning schneidet Inkling sehr gut ab. Die Fähigkeit, Text, Bilder und Audio gleichzeitig zu verarbeiten, ermöglicht es, komplexe Aufgaben wie die Analyse eines Diagramms, die Erklärung einer Abbildung oder die Zusammenfassung eines Video-Transkripts in einem Durchgang zu erledigen. Dies ist besonders für Unternehmensanwendungen wertvoll, bei denen Daten in verschiedenen Formaten vorliegen.
Das 1-Million-Token-Kontextfenster ist ein weiteres herausragendes Merkmal. Zum Vergleich: Die meisten Modelle in der Landschaft von 2026 bieten zwischen 128K und 256K Tokens. Ein 1M-Fenster bedeutet, dass Sie Inkling ganze Bücher, lange Codebasen oder umfangreiche Dokumentensammlungen ohne Aufteilung oder Zusammenfassung zuführen können. Dies ist ein großer Vorteil für Anwendungen wie die Prüfung juristischer Dokumente, die Analyse technischer Dokumentationen und die Generierung von Langtexten.
Inkling im Vergleich zu den großen Playern
Wie schlägt sich Inkling im Vergleich zu den geschlossenen Modellen, die die Diskussion dominieren? Schauen wir uns das genauer an.
Inkling vs. GPT-5
GPT-5 bleibt eines der stärksten verfügbaren Modelle, insbesondere für allgemeine Aufgaben und Reasoning. Es profitiert von der massiven Infrastruktur und den kontinuierlichen Updates von OpenAI. Allerdings ist GPT-5 ein geschlossenes Modell mit proprietären Gewichten, was bedeutet, dass Sie an das Ökosystem und die Preise von OpenAI gebunden sind.
Inkling bietet im Gegenzug offene Gewichte und kommerzielle Freiheit. Für Teams, die das Modell mit proprietären Daten feinabstimmen oder auf ihrer eigenen Infrastruktur bereitstellen möchten, ist der Open-Weights-Ansatz von Inkling ein erheblicher Vorteil. GPT-5 mag bei der Rohleistung leicht vorn liegen, aber die Effizienz und das Anpassungspotenzial von Inkling machen es für viele Anwendungsfälle konkurrenzfähig.
Inkling vs. Claude
Claude (die neueste Generation von Anthropic) ist bekannt für exzellentes Reasoning, die Verarbeitung langer Kontexte und starke Leistung bei Coding- und analytischen Aufgaben. Claudes Stärken liegen in Klarheit und Genauigkeit, insbesondere bei komplexen Reasoning-Aufgaben.
Inkling konkurriert bei multimodalen Aufgaben gut mit Claude und bietet einen ähnlichen Vorteil beim Kontextfenster. Allerdings sind Claudes Ökosystem und Tooling ausgereifter, und die Preise sind wettbewerbsfähig. Inklings Vorteil liegt in der Flexibilität durch offene Gewichte und der Möglichkeit, es auf eigener Hardware auszuführen, was die Kosten für Vielverwender senken kann.
Inkling vs. GLM 5.2
GLM 5.2 ist derzeit das führende Open-Weight-Reasoning-Modell und ragt besonders bei Coding-Benchmarks heraus. Wenn Ihr primärer Anwendungsfall Codegenerierung und -analyse ist, könnte GLM 5.2 die bessere Wahl sein. Inklings multimodale Fähigkeiten geben ihm jedoch einen Vorteil bei Anwendungen, die neben Text auch Bilder und Audio verarbeiten müssen.
Preise und Verfügbarkeit
Einer der wichtigsten Verkaufsargumente von Inkling ist die Preisstrategie. Als Open-Weights-Modell haben Sie mehrere Optionen:
- Self-Hosted: Führen Sie Inkling auf Ihrer eigenen Infrastruktur mit der Apache-2.0-Lizenz aus. Dies ist ideal für Unternehmen mit vorhandenen Rechenressourcen.
- Cloud-API: Greifen Sie über die API von Thinking Machines Lab auf Inkling zu, mit Preisen, die sich nach der Nutzung skalieren.
- Tinker-Plattform: Feinabstimmung von Inkling auf Ihren eigenen Daten über Tinker, mit Preisen, die von der Komplexität Ihrer Fine-Tuning-Anforderungen abhängen.
Zum Vergleich: Die API-Preise von GPT-5 sind wettbewerbsfähig, können sich aber für Vielverwender schnell summieren. Claudes Preise sind ähnlich strukturiert. Inklings Open-Weights-Modell bedeutet, dass Sie die Gewichte nach dem Erwerb unbegrenzt ohne Token-Gebühren nutzen können, was bei großskaligen Bereitstellungen ein erheblicher Kostenvorteil sein kann.
Vor- und Nachteile von Inkling
Vorteile
- Offene Gewichte: Kommerzielle Nutzung unter Apache 2.0, kein Vendor-Lock-in
- Multimodal: Native Unterstützung für Text, Bilder und Audio
- Großes Kontextfenster: 1 Million Tokens für Langtext-Inhalte
- Effiziente MoE-Architektur: 41B aktive Parameter von insgesamt 975B
- Fine-Tuning-fähig: Verfügbar auf Tinker zur Anpassung
- Starke Rankings bei offenen Modellen: Index-Score von 41, vor Nemotron 3 Ultra
Nachteile
- Nicht das stärkste Gesamtpaket: Liegt hinter GLM 5.2 bei reinen Reasoning-Benchmarks
- Neueres Modell: Geringere Ökosystemreife im Vergleich zu GPT-5 und Claude
- Begrenzte Unterstützung durch Drittanbieter: Weniger Integrationen und Tools verfügbar
- Erfordert mehr Rechenleistung: Die größere Modellgröße bedeutet höhere Infrastruktur-Anforderungen
Für wen eignet sich Inkling?
Inkling ist besonders gut geeignet für:
- Unternehmen, die KI-Modelle auf ihrer eigenen Infrastruktur bereitstellen und ihre Daten kontrollieren möchten
- Entwickler, die multimodale Fähigkeiten benötigen, ohne mehrere Modelle verwalten zu müssen
- Teams, die Modelle auf proprietären Daten feinabstimmen möchten
- Kostenbewusste Organisationen, die von Open-Weights-Lizenzen profitieren können
- Anwendungen, die lange Dokumente verarbeiten oder große Kontextfenster benötigen
Wenn Sie das absolut stärkste Modell für eine bestimmte Aufgabe (wie Coding) suchen, könnten Sie GLM 5.2 bevorzugen. Wenn Sie das ausgereifteste Ökosystem und die besten Tools wünschen, sind GPT-5 oder Claude möglicherweise die bessere Wahl. Wenn Sie jedoch Flexibilität, Anpassbarkeit und offene Lizenzen schätzen, ist Inkling eine überzeugende Option.
Erste Schritte mit Inkling
Thinking Machines Lab hat den Einstieg in Inkling relativ unkompliziert gestaltet. Sie können:
- Die Gewichte aus ihrem GitHub-Repository herunterladen
- Auf Ihrer Infrastruktur bereitstellen mit den bereitgestellten Skripten
- Auf Tinker feinabstimmen für individuelle Anwendungen
- Die API nutzen für eine schnelle Integration
Das Modell ist auf den wichtigsten Cloud-Plattformen verfügbar und kann vor Ort bereitgestellt werden, was Ihnen Flexibilität bei der Nutzung bietet.
FAQ
Ist Inkling kostenlos nutzbar? Inkling ist unter Apache 2.0 mit offenen Gewichten lizenziert, sodass Sie es kommerziell ohne Lizenzgebühren nutzen können. Wenn Sie jedoch die API oder die Tinker-Plattform von Thinking Machines Lab nutzen, fallen nutzungsabhängige Kosten an.
Wie schneidet Inkling im Vergleich zu GPT-5 ab? GPT-5 ist in der reinen Leistung leicht stärker, aber Inkling bietet offene Gewichte, multimodale Fähigkeiten und ein größeres Kontextfenster. Für Teams, die feinabstimmen oder auf ihrer eigenen Infrastruktur bereitstellen möchten, ist Inkling konkurrenzfähig.
Wie groß ist das Kontextfenster von Inkling? Inkling verfügt über ein Kontextfenster von 1 Million Token, was deutlich größer ist als bei den meisten Modellen im Jahr 2026.
Kann ich Inkling feinabstimmen? Ja, Inkling ist auf Tinker verfügbar, um es auf Ihren eigenen Daten feinabzustimmen.
Ist Inkling gut zum Programmieren? Inkling liefert bei Programmieraufgaben gute Ergebnisse, auch wenn GLM 5.2 in reinen Coding-Benchmarks derzeit die Nase vorn hat.
Fazit
Inkling ist ein starker Kandidat im Bereich der Open-Weights-Modelle und bietet eine überzeugende Kombination aus multimodalen Fähigkeiten, großem Kontextfenster und effizienter MoE-Architektur. Zwar ist es nicht in jedem Benchmark das stärkste Modell, doch die offene Lizenzierung und das Anpassungspotenzial machen es zu einer attraktiven Option für Unternehmen und Entwickler, die Flexibilität und Kontrolle wünschen.
Für Teams, die bereit sind, das Ökosystem geschlossener Modelle zu verlassen und ein Modell suchen, das mit ihren Anforderungen mitwächst, ist Inkling eine ernsthafte Überlegung wert. Da Thinking Machines Lab Inkling weiterhin als Grundlage seiner Modellfamilie ausbaut, können wir in den kommenden Monaten mit weiteren Verbesserungen und Funktionen rechnen.
Hinweis: Dieser Testbericht enthält Affiliate-Links. Wenn Sie über unsere Links kaufen, erhalten wir möglicherweise eine Provision, ohne dass Ihnen zusätzliche Kosten entstehen.
KI-Aktienprognosen — Intelligente Marktanalyse
KI-gestützte Vorhersagen für den Aktienmarkt und technische Analyse. Erhalten Sie tägliche Prognosen für Aktien, ETFs und Kryptowährungen mit Konfidenzwerten und Risikokennzahlen.
Heutige Prognosen ansehenErstellen oder vermarkten Sie ein KI-Tool?
Lassen Sie sich auf AI Tools Hub listen, testen oder vorstellen — 12-monatige gesponserte Einträge, mehrsprachig. Ab $49.
Team von AI Tools Hub
Experten für KI-Tool-Testberichte
Unser Team aus KI-Enthusiasten und Technologieexperten testet und bewertet Hunderte von KI-Tools, um Ihnen zu helfen, die perfekte Lösung für Ihre Bedürfnisse zu finden. Wir bieten ehrliche, tiefgehende Analysen basierend auf der tatsächlichen Nutzung.