Технічний контекст
Я спеціально заліз в обидва анонси, бо формулювання легко збиває з пантелику. Inkling від Thinking Machines Lab – це не модель для геополітичних прогнозів, а open-weight мультимодальна система на 975 млрд параметрів, заточена під розуміння відео й аудіо.
Тож якщо вам потрібна AI integration для медіа, спостереження, відеоаналітики або складних мультимодальних пайплайнів – тут є на що подивитися. Але щодо передбачення подій треба дивитися другий матеріал TML, а там уже зовсім інший стек.
У статті про world events команда описує донавчання gpt-oss-120b на приблизно 10 тисячах бінарних запитань на кшталт «чи відбудеться подія до дати X». Схема двоетапна: спочатку модель досліджує контекст, потім видає ймовірність, а reinforcement learning винагороджує її за коректні реальні наслідки.
Оце вже цікаво не як демо, а як інженерний патерн. Я давно кажу, що AI implementation не мусить впиратися лише в генерацію тексту: якщо модель можна прив’язати до вимірного зовнішнього результату, вона починає працювати як предиктивний шар над бізнес-процесом.
За цифрами історія акуратна, без цирку. TML не заявляє, що їхня fine-tuned модель магічно всіх знищила, але пише про трохи кращий результат проти frontier-моделей у head-to-head і про сильний внесок в ансамблі разом із Grok 4. Це звучить правдоподібно: у прогнозуванні ансамблі майже завжди корисніші за одиночного «супермозку».
Що це змінює для бізнесу й автоматизації
Для бізнесу головний висновок не в тому, що «LLM тепер знає майбутнє». Головний висновок у тому, що модель можна навчати не гарно відповідати, а краще оцінювати ймовірність події: зриву постачання, регуляторного ризику, стрибка попиту, ескалації в регіоні, відтоку клієнтів.
Виграють команди, які вже мають потік даних та історію рішень. Вони зможуть будувати AI solutions for business не як чатик поверх CRM, а як шар ймовірнісної аналітики для закупівель, sales ops, risk та planning.
Програють ті, хто продовжить міряти все якістю тексту. У таких завданнях важливіші калібрування ймовірностей, схема валідації, дата-зрізи та захист від витоків, ніж «наскільки переконливо звучить відповідь».
Я такі місця зазвичай одразу перевіряю на архітектуру: звідки береться фактологія, як рахується reward, де контроль дрейфу і хто відповідає за final judgment. Саме на цьому ламаються майже всі красиві презентації, і саме ці вузькі місця ми вирішуємо для клієнтів у Nahornyi AI Lab, коли збираємо AI automation під реальні рішення, а не під wow-ефект. Якщо у вас уже назрів сценарій, де потрібно не генерувати, а передбачати й допомагати команді діяти раніше, можна спокійно розібрати це разом із Vadym Nahornyi та зібрати робочу схему без зайвої магії.