Введение
16 июля 2026 года мир искусственного интеллекта получил неожиданный поворот. Стартап Inkling, основанный бывшим техническим директором OpenAI Мирой Мурати, представил модель, которая, по заявлениям разработчиков, является сильнейшим открытым ИИ на сегодняшний день. Однако ключевая деталь, вызвавшая бурные обсуждения в профессиональном сообществе, заключается в том, что при обучении Inkling использовалась китайская модель DeepSeek-V3. Этот факт поднимает важные вопросы о глобальной кооперации в AI-сфере и пересматривает традиционное представление о технологическом лидерстве.
Что такое Inkling и почему это важно
Inkling — это открытая языковая модель, которая, по данным бенчмарков, превосходит такие закрытые аналоги, как GPT-4o и Claude 3.5 Sonnet, по ряду ключевых показателей: логическому рассуждению, генерации кода и пониманию многозначных запросов. Разработчики Inkling сделали модель полностью открытой — веса, архитектура и код обучения доступны на GitHub. Это означает, что любой разработчик или исследователь может скачать, модифицировать и запустить модель на своём оборудовании.
Главная инновация, описанная в статье на Habr, заключается в том, что команда Мурати не стала строить модель с нуля, а взяла за основу архитектуру DeepSeek-V3 — китайской модели, которая ранее считалась одной из лучших в классе open-source. Используя технику knowledge distillation (дистилляция знаний), инженеры Inkling «переобучили» DeepSeek-V3 на новом наборе данных, добавив специализированные датасеты для улучшения точности ответов на английском языке и снижения цензуры. Источник
Технические детали: как обучали сильнейший открытый ИИ
Процесс обучения Inkling состоял из нескольких этапов:
1. Выбор базовой модели: DeepSeek-V3 с 671 миллиардом параметров (из которых 37 миллиардов активны при инференсе) была выбрана из-за её высокой эффективности и открытого лицензирования.
2. Дистилляция: Команда сгенерировала 10 миллионов пар (вопрос-ответ) с помощью DeepSeek-V3, а затем обучила меньшую модель-ученика (Inkling) с 70 миллиардами параметров на этих данных. Это позволило сохранить качество, но радикально снизить вычислительные затраты.
3. Дообучение (fine-tuning): Модель дополнительно обучили на датасете из 500 тысяч примеров, размеченных вручную экспертами из США и Европы, чтобы улучшить понимание западного контекста и культурных нюансов.
4. Оптимизация для инференса: Использована техника quantization (квантование) до 4 бит, что позволило запускать модель на одном GPU с 48 ГБ памяти (например, NVIDIA A6000).
| Параметр | DeepSeek-V3 | Inkling |
|---|---|---|
| Параметры | 671B (37B active) | 70B |
| Требования к памяти | 4x A100 80GB | 1x A6000 48GB |
| Лицензия | MIT | Apache 2.0 |
| Языковое качество (MMLU) | 89.5% | 91.2% |
Данные из статьи подчёркивают, что Inkling не является копией DeepSeek-V3 — это самостоятельная модель, которая использует знания, извлечённые из китайской модели, но адаптированные под другие задачи.
Почему это меняет правила игры
Открытость Inkling имеет несколько последствий для индустрии:
- Доступность: Любой стартап или университет может запустить сильнейшую модель локально, без необходимости платить за API или арендовать дорогие кластеры.
- Прозрачность: Исследователи могут анализировать веса модели, выявлять предвзятости и улучшать её.
- Снижение зависимости от закрытых API: Компании могут развернуть Inkling на своих серверах, обеспечив полный контроль над данными.
Однако есть и риски. Использование китайской модели в качестве основы вызвало вопросы о безопасности: не осталось ли в Inkling «закладок» или скрытых функций, заложенных разработчиками DeepSeek? Команда Inkling заявила, что провела полный аудит модели и удалила все подозрительные компоненты, но полная гарантия невозможна.
Практические примеры использования
Предположим, вы — разработчик чат-бота для техподдержки. Раньше вам приходилось выбирать между дорогим GPT-4 Turbo (около $30 в месяц за API) или слабыми open-source моделями вроде Llama 3.1 8B. С Inkling вы можете:
1. Скачать модель с Hugging Face (размер — 35 ГБ в квантованном виде).
2. Развернуть на локальном сервере с одним GPU.
3. Обучить на своих данных с помощью LoRA (Low-Rank Adaptation) — это займёт 2-3 часа на A100.
4. Получить качество ответов, сравнимое с GPT-4, но с нулевыми затратами на API.
Другой пример: исследовательская лаборатория в университете хочет проанализировать медицинские тексты. Inkling можно использовать для извлечения сущностей, суммаризации и генерации отчётов — и всё это без передачи данных третьим лицам.
Заключение
Представление Inkling — это важный шаг в демократизации сильного ИИ. Использование китайской модели DeepSeek-V3 в качестве донора знаний показывает, что в современной AI-индустрии границы между странами становятся всё более размытыми. Сильнейший открытый ИИ из США вырос на китайской архитектуре — и это не парадокс, а новая реальность. Теперь задача сообщества — проверить модель на практике, выявить её слабые места и убедиться, что открытость не компрометирует безопасность.
Для тех, кто хочет глубже разобраться в архитектуре и методах дистилляции, рекомендуется изучить оригинальную статью на Habr и репозиторий Inkling на GitHub. АSI Biont поддерживает подключение к Hugging Face через API — подробнее на asibiont.com/courses.
Комментарии