Unter Nutzung der DeepSeek-Architektur beginnen amerikanische Großmodelle, Chinas Erfolge zu kopieren.
Die ehemalige OpenAI-CTO Murati hat eine „teurere Alternative“ zu einem chinesischen Modell entwickelt.
Das erste von Thinking Machines veröffentlichte Modell Inkling übernimmt hauptsächlich die Mixture-of-Experts-Architektur von DeepSeek-V3, und für den Kaltstart des Post-Trainings wurden Daten verwendet, die von offenen Modellen wie Kimi K2.5 generiert wurden. Dennoch liegt Inkling in mehreren Benchmark-Bewertungen hinter Kimi und GLM zurück, während die Aufrufpreise höher sind.
Für ein Star-Unternehmen, das 2 Milliarden US-Dollar eingesammelt hat, mit einer Bewertung von 12 Milliarden US-Dollar und einem Team, das eine große Anzahl ehemaliger OpenAI-Mitarbeiter versammelt hat, ist dieses Ergebnis mehr oder weniger unter den Erwartungen geblieben.
Aber Murati hatte wahrscheinlich von Anfang an nicht vor, mit Inkling den ersten Platz zu erobern. Da US-Unternehmen bei der Nutzung chinesischer Modelle zunehmend mit Unsicherheiten konfrontiert sind, hat ein lokales offenes Modell mit akzeptabler Leistung, Anpassungsfähigkeit und geringeren Compliance-Risiken bereits seinen eigenen Markt. Die „teurere Alternative“ muss nicht überragend stark sein, um einen Markt zu finden.
Muratis erstes Modell – ist das alles?
Am 15. Juli Ortszeit veröffentlichte Thinking Machines Lab das erste Modell seit seiner Gründung: Inkling.
Allein an der Konfiguration gemessen, entspricht dieses Modell dem Aufwand, den ein Star-KI-Labor aufweisen sollte.
Inkling verwendet eine Mixture-of-Experts-Architektur mit insgesamt 975 Milliarden Parametern, wobei 41 Milliarden Parameter bei der Verarbeitung jedes Tokens aktiviert werden. Für das Vortraining wurden 45 Billionen Token verwendet, wobei die Daten Text, Bilder, Audio und Video umfassen und ein Kontext von bis zu 1 Million Token unterstützt wird. Es kann Text, Bilder und Audio verstehen, Ergebnisse in Textform ausgeben und zudem durch Anpassung der „Denkintensität“ eine Abwägung zwischen Leistung, Geschwindigkeit und Kosten vornehmen.
Inkling hat gleichzeitig die Modellgewichte offengelegt und verwendet eine sehr großzügige Apache-2.0-Lizenz. Entwickler können die Gewichte herunterladen, selbst bereitstellen oder das Modell über die Tinker-Plattform von Thinking Machines feinabstimmen.
Das Unternehmen hat seine Positionierung klar definiert: Statt direkt mit ChatGPT um normale Nutzer zu konkurrieren, eignet sich Inkling besser als Basis für Unternehmen zur Entwicklung von KI-Anwendungen.
Der auffälligste Teil von Inkling verbirgt sich jedoch im hinteren Abschnitt des technischen Berichts.
Thinking Machines schreibt bei der Beschreibung der Modellarchitektur direkt, dass das Mixture-of-Experts-Design von Inkling „hauptsächlich von DeepSeek-V3 übernommen wurde“. Es verfügt ebenfalls über eine große Anzahl von Expertenmodulen, von denen jedes Token nur einen kleinen Teil aufruft, und verwendet Designs wie die verlustfreie Lastenausgleichsfunktion von DeepSeek-V3.
Der Einfluss chinesischer Modelle auf Inkling erstreckt sich auch auf die Trainingsphase.
Thinking Machines gab an, dass zum Starten des Post-Trainings zunächst eine Runde überwachter Feinabstimmung mit synthetischen Daten durchgeführt wurde, die von Modellen mit offenen Gewichten generiert wurden – darunter explizit Kimi K2.5 von Moonshot AI.
Die gesamte technische Linie ist klar: Ein US-Labor, das von der ehemaligen OpenAI-CTO gegründet wurde, übernahm für sein erstes Modell die Architektur von DeepSeek und nutzte dann die von Kimi generierten Daten, um den Start des Post-Trainings zu vollziehen.
Die Übernahme offener Modelle ist an sich kein Problem. DeepSeek und Kimi veröffentlichen ihre Gewichte und erlauben Entwicklern die Nutzung – wissenschaftliche Forschung und technische Entwicklung bauen auf der Akkumulation öffentlicher Ergebnisse auf. Das peinlichere Detail ist jedoch, dass Inkling nach der Übernahme der Technologie chinesischer Modelle deren Leistung immer noch nicht übertrifft.
Thinking Machines beschönigt dies nicht. Das Unternehmen gibt in seinem Veröffentlichungsbeitrag offen zu: „Inkling ist derzeit nicht das leistungsstärkste Modell, weder bei offenen noch bei geschlossenen Modellen.“
Aus den von Thinking Machines veröffentlichten Ergebnissen geht hervor,
. dass Inkling bei der reinen Textbewertung – dem „letzten menschlichen Test“ – 29,7 % erreicht, während Kimi K2.6 35,9 % und GLM 5.2 40,1 % erzielen;
. dass Inkling nach Hinzufügen von Tools auf 46 % steigt, aber immer noch unter den 54 % von Kimi K2.6 und den 54,7 % von GLM 5.2 liegt;
. dass Inkling bei SWE-Bench Pro, das die Fähigkeiten im echten Software-Engineering prüft, 54,3 % erreicht, Kimi K2.6 58,6 % und GLM 5.2 62,1 %;
. dass der Unterschied bei Terminal Bench 2.1 noch deutlicher ist: Inkling erreicht nur 63,8 %, während Kimi K2.6 71,3 % und GLM 5.2 82,7 % erzielen.
Natürlich hat Inkling seine eigenen Stärken. Es zeigt gute Leistungen bei der Gestaltung von Webanwendungen, Audioverständnis und Sicherheitsbewertungen und übertrifft Kimi und DeepSeek bei einigen mathematischen Aufgaben.
Aber im Hinblick auf umfassende Schlussfolgerungsfähigkeiten, Programmierung und Agentenfähigkeiten gehört es derzeit kaum zur ersten Liga der offenen Modelle.
Die Leistung ist nicht an der Spitze angekommen, und auch der Preis bietet keine Überraschungen.
Auf der Tinker-Plattform kostet die 64K-Version von Inkling 1,87 US-Dollar pro 1 Million Prefill-Token und 4,68 US-Dollar pro 1 Million Sample-Token. Ersteres kann grob als Eingabekosten verstanden werden, letzteres entspricht den Generierungskosten – und dies ist bereits ein „zeitlich begrenzter Rabatt von 50 %“. Die 256K-Version ist noch teurer und kostet 3,74 US-Dollar bzw. 9,36 US-Dollar.
Zum Vergleich: Die offizielle API von Kimi K2.6 berechnet 0,95 US-Dollar pro 1 Million Eingabe-Token und 4 US-Dollar pro 1 Million Ausgabe-Token, während GLM 5.2 1,4 US-Dollar bzw. 4,4 US-Dollar verlangt.
Tinker bietet gleichzeitig Trainings- und Sampling-Dienste an, wobei die Abrechnungsmodalitäten nicht vollständig mit denen normaler Modell-APIs übereinstimmen. Ein grober Vergleich der oben genannten Preise zeigt jedoch, dass der Prefill-Preis von Inkling fast das Doppelte von Kimi K2.6 beträgt und der Generierungspreis ebenfalls höher ist als bei Kimi K2.6 und GLM 5.2 – vorläufig zeigt es keinen Preisvorteil.
So ergibt sich für das erste Modell von Thinking Machines eine etwas heikle Situation: Die Architektur orientiert sich an DeepSeek, das Post-Training stützt sich auf Kimi, die umfassende Leistung übertrifft die führenden chinesischen offenen Modelle nicht, während die Aufrufpreise höher sind.
Muratis Wahl
Angesichts des Hintergrunds von Murati und Thinking Machines wirkt diese Wahl noch aufschlussreicher.
Wenn Inkling von einem gewöhnlichen KI-Start-up stammen würde, das DeepSeek übernimmt und mit Kimi trainiert, wäre dies vielleicht nicht so bemerkenswert. Aber es stammt von Thinking Machines – einem Unternehmen, das fast als „OpenAI-Alumni-Verein“ bezeichnet werden kann.
Als Thinking Machines im Februar 2025 offiziell vorgestellt wurde, bestand das Team aus etwa 30 Personen, von denen rund zwei Drittel von OpenAI stammten und die übrigen Mitglieder hauptsächlich von Meta und Mistral kamen.
Das Gründungsteam umfasste zeitweise Mitbegründer John Schulman von OpenAI, den ehemaligen Vizepräsidenten für Forschung Barret Zoph sowie Forscher wie Lilian Weng, Andrew Tulloch und Luke Metz.
Diese Personen waren jeweils an der Forschung zu Verstärkungslernen, Post-Training, Vortraining, Sicherheit und Schlussfolgerung bei OpenAI beteiligt. Reuters beschrieb damals sogar direkt, dass Murati mindestens 20 Forscher von ihrem früheren Arbeitgeber abgeworben hat.
Murati, die sich unter diesen OpenAI-Alumni befindet, ist natürlich die Besonderste.
Sie trat 2018 bei OpenAI ein, war an Produkten wie DALL-E, Codex, ChatGPT und Sora beteiligt, wurde 2022 zur CTO befördert und koordinierte Forschung, Modelltraining, Sicherheit und Produktimplementierung.
Im November 2023, nachdem das OpenAI-Board Sam Altman plötzlich abgewählt hatte, fungierte Murati kurzzeitig als Interims-CEO. Ihre Rolle entspricht eher der einer Gesamtverantwortlichen für Technik und Produkte, die den vollständigen Überblick über den Modellentwicklungsprozess und den Produktpfad von OpenAI hat.
Mit anderen Worten: Thinking Machines fehlte es von Anfang an nicht an OpenAI-Erfahrung.
Murati und ihr Team wissen, wie ein Top-Labor mit geschlossenen Modellen Modelle entwickelt, und sie haben den gesamten Prozess miterlebt, wie ChatGPT von einem Forschungsergebnis zu einem globalen Produkt wurde. Wenn diese Personen OpenAI verlassen und ihr eigenes technisches System von Grund auf aufbauen, erwartet die Öffentlichkeit natürlich, dass sie eine Linie mit dem typischen OpenAI-Charakter vorlegen.
Stattdessen weist die eindeutigste technische Quelle von Inkling nach China. Dies kann leicht als dramatisches Signal verstanden werden – dass die Gruppe, die OpenAI am besten kennt, nach dem Verlassen von OpenAI letztendlich den technischen Entwurf chinesischer Modelle gewählt hat.
Aber diese Schlussfolgerung muss genauer betrachtet werden.
Die fortschrittlichen Modelle von OpenAI folgen in den letzten Jahren vollständig dem geschlossenen Ansatz: Die Öffentlichkeit erhält keine Zugriff auf die Modellgewichte und kennt die vollständige Architektur, die Trainingsdaten und die Post-Training-Lösungen nicht. Selbst wenn Murati die internen Technologien von OpenAI gut kennt, kann sie die Geschäftsgeheimnisse ihres früheren Arbeitgebers nicht direkt in das neue Unternehmen übernehmen. DeepSeek und Kimi hingegen haben ihre Gewichte oder technischen Berichte veröffentlicht – ihre Architekturen, Trainingsmethoden und Toolchains können rechtmäßig erforscht und wiederverwendet werden.
Inkling selbst ist ebenfalls ein Modell mit offenen Gewichten. Für ein Unternehmen, das ein Ökosystem für offene Modelle aufbauen möchte, ist es eine logische technische Entscheidung, ausgereifte Lösungen aus offenen Modellen wie DeepSeek und Kimi zu übernehmen.
Heute wäre es sogar kostspieliger bei Versuchen und Fehlern, ein offenes Modell zu entwickeln und dabei die bereits von chinesischen Teams veröffentlichten Ergebnisse vollständig zu umgehen.
Daher beweist die Übernahme chinesischer Modelle durch Inkling nicht direkt, dass Murati der Meinung ist, dass die Technologie von DeepSeek OpenAI in allen Bereichen übertrifft. Die Offenheitsgrade beider Seiten sind unterschiedlich, und die Bedingungen für Übernahmen sind völlig verschieden.
Aber diese Angelegenheit sendet dennoch ein klares Signal aus: Zumindest im Bereich der offenen Gewichte sind chinesische Modelle zu einem wichtigen Referenzrahmen für US-KI-Teams geworden.
Daher ist die Übernahme chinesischer Modelle leicht zu erklären. Die eigentliche Frage, die beantwortet werden muss, lautet: Warum hat Thinking Machines, das fertige Architekturen und Trainingserfahrungen übernommen hat, am Ende ein Inkling mit schwächerer Leistung und höherem Preis entwickelt?
Murati verfügt über ein Spitzenteam, ausreichend Kapital und das neueste Trainingssystem von Nvidia. Sie hat keinen Grund, die Leistungs- und Preisunterschiede zwischen Inkling und chinesischen Modellen nicht zu sehen.
Daher ist die „teurere Alternative“ höchstwahrscheinlich eine berechnete Wahl.
„Ausreichend gut“ – das reicht
Angesichts der Behandlung, die Thinking Machines erhalten hat, hätte Inkling nicht nur ein „ausreichendes“ Modell sein sollen.
Im Juli 2025 schloss das Unternehmen, bevor es überhaupt Produkte auf den Markt brachte, eine Seed-Finanzierung von 2 Milliarden US-Dollar ab und erreichte eine Bewertung von 12 Milliarden US-Dollar. Zu den Investoren gehörten a16z, Nvidia, AMD und Jane Street. Vier Monate später kamen Gerüchte über Verhandlungen zu einer neuen Finanzierungsrunde auf, mit einer Zielbewertung von bis zu 50 Milliarden US-Dollar. Obwohl der Deal nie offiziell abgeschlossen wurde, betrachtete die Öffentlichkeit das Unternehmen bereits als potenziellen Konkurrenten von OpenAI und Anthropic.
Daher wirkt es zwangsläufig unter den Erwartungen, dass Inkling als Produkt vorgestellt wird, das in der Leistung hinter chinesischen Modellen zurückbleibt und teurer ist.
Aus geschäftlicher Sicht hatte Murati jedoch wahrscheinlich von Anfang an nicht vor, damit den ersten Platz in den Benchmark-Bewertungen zu erobern.
Thinking Machines betont offene Gewichte, Multimodalität und Anpassbarkeit – und hofft, dass Unternehmen es über Tinker feinabstimmen, um Inkling zu spezialisierten Modellen wie Kundenservice-Assistenten, Programmierhelfern oder Branchenagenten umzuwandeln. Der Markt, auf den Murati setzt, ist nicht so sehr auf den ersten Platz in Benchmarks fixiert. Unternehmen legen mehr Wert darauf, ob sie das Modell privat bereitstellen, die Daten behalten und es nach ihren eigenen Geschäftsabläufen weiter trainieren können.
Bisher wurde ein großer Teil dieser Nachfrage von chinesischen offenen Modellen bedient.
Die US-Unternehmen OpenAI und Anthropic halten seit langem an geschlossenen Modellen fest. Nachdem die Leistung von Metas Llama 4 hinter den Erwartungen zurückblieb, schränkte Meta den offenen Ansatz ebenfalls ein. Gleichzeitig haben DeepSeek, Kimi, Qwen und GLM ihre Gewichte kontinuierlich offengelegt – ihre Leistung nähert sich zunehmend der von US-geschlossenen Modellen an, während die Preise viel niedriger sind.
Die US-Unternehmen stimmten schnell mit ihren Füßen ab.
Laut Daten, die OpenRouter CNBC zur Verfügung gestellt hat, haben chinesische Modelle seit Februar 2026 einen wöchentlichen Anteil von über 30 % an den Token, die US-Unternehmen über diese Plattform aufrufen – zeitweise erreichte der Anteil bis zu 46 %. Im ersten Halbjahr 2025 lag der durchschnittliche Anteil noch bei nur 4,5 %.
Cursor testete bei der Entwicklung von Composer 2 mehrere Basismodelle und entschied sich letztendlich für Kimi K2.5 – mit dem direkten Grund, dass es in den Bewertungen die stärkste Leistung zeigte. Bridgewater Associates hingegen stimmte das Qwen-Modell von Alibaba über Tinker fein ab, sodass das angepasste Modell mit niedrigeren Kosten einige Top-geschlossene Modelle übertraf.
Chinesische offene Modelle wurden so zu einem Weg für US-Unternehmen, ihre KI-Kosten zu senken. Doch dieser Weg steht zunehmend unter Druck.
Gleichzeitig verschärft sich das regulatorische Klima in den USA für chinesische KI-Modelle. Behörden haben bereits Warnungen zu Datensicherheit, Modellquellen und Lieferkettenrisiken ausgesprochen, und einige Unternehmen, die chinesische Modelle nutzen, wurden untersucht. Auch wenn noch keine einheitlichen Beschränkungen bestehen, reicht die politische Unsicherheit aus, um die Entscheidungen von Unternehmen zu beeinflussen – insbesondere von solchen, die mit Regierungsgeschäften und sensiblen Daten arbeiten.
Genau das ist der Marktraum von Inkling.
Es ist ein Modell mit offenen Gewichten, das von einem US-Unternehmen entwickelt wurde, unter der Apache-2.0-Lizenz steht und private Bere