The Pulse
Thinking Machines Lab prevede di rilasciare con licenza Apache 2.0 i pesi di Inkling 2 Small, un modello da 594 miliardi di parametri
Thinking Machines Lab ha presentato Inkling 2 Small, un modello Mixture-of-Experts con 594 miliardi di parametri totali, input di immagini e sforzo variabile. La società afferma che inizialmente offrirà il modello tramite Tinker con pesi ch
AI.info Team · Scritto con l’IA · verificato ·
Thinking Machines Lab ha presentato il 5 novembre Inkling 2 Small come seconda generazione dei suoi modelli. Il modello Mixture-of-Experts ha 594 miliardi di parametri totali e 17 miliardi di parametri attivi, supporta input di immagini e offre uno sforzo variabile. La società afferma che inizialmente il modello sarà disponibile tramite Tinker con pesi chiusi. Intende rilasciare i pesi completi con licenza Apache 2.0 la prossima settimana, dopo test di sicurezza e red-teaming esterni.
Gli utenti possono provare Inkling 2 Small in Tinker Playground e utilizzarlo per il fine-tuning e il campionamento su Tinker. La società afferma che i checkpoint scaricabili arriveranno insieme al rilascio dei pesi del modello.
Thinking Machines afferma di aver addestrato Inkling 2 Small con apprendimento per rinforzo su compiti di programmazione a lungo orizzonte
Thinking Machines riporta un punteggio di 31 per Inkling 2 Small nell’Artificial Analysis Intelligence Index, che secondo la società supera ampiamente quelli dei suoi modelli precedenti. La società attribuisce i progressi a miglioramenti in ogni fase del processo di addestramento, tra cui un pre-addestramento più efficiente e una vasta sessione unificata di apprendimento per rinforzo. Afferma di aver addestrato il modello con apprendimento per rinforzo su centinaia di migliaia di compiti di programmazione a lungo orizzonte. Questi compiti sono stati eseguiti con diversi harness per agenti e strategie di compattazione del contesto.
La società afferma inoltre di aver migliorato la qualità della propria pipeline di dati sintetici per la programmazione e di essere andata oltre le sole ricompense basate sui test unitari. Molti compiti hanno utilizzato un valutatore agentico basato sull’apprendimento per rinforzo, per valutare sia l’approccio del modello sia il superamento dei test da parte del suo codice. Thinking Machines ha testato i primi checkpoint su OpenCode con il nome Fledge-Alpha. La società afferma che il modello segue le istruzioni meglio di Inkling, valuta attentamente le modifiche e verifica il proprio lavoro senza che gli venga chiesto.
I punteggi nei benchmark di programmazione riportati dalla società
Inkling 2 Small ha ottenuto il 25,4% su FrontierCode v2.0, rispetto al 28,5% di DeepSeek-V4.1-Flash-1017 e al 17,3% di Kimi K3. Su DeepSWE v1.1 ha ottenuto il 72,1%, sotto DeepSeek-V4.1-Flash-1017 con il 77,0% e sopra Kimi K3 con il 68,5%. Il suo punteggio su SWEBench Pro v2 (Hard) è stato dell’86,3%, mentre Kimi K3 ha ottenuto l’88,2%. Su Vibe Code Bench v1.1, Inkling 2 Small ha ottenuto l’81,6%; DeepSeek-V4.1-Flash-1017 ha ottenuto l’87,7%.
La società riporta anche i risultati di PMPP-Hard, un benchmark esterno per l’ottimizzazione dei kernel GPU adattato per la valutazione tra modelli. Inkling 2 Small ha risolto in media 54,25 compiti su 69 in quattro tentativi indipendenti, con un budget di 10 ore. L’area sotto la curva media riportata è stata di 494,27 compiti-ora. Nella valutazione, ogni modello utilizza l’impostazione di ragionamento massima disponibile, l’harness PI e una politica di compattazione condivisa.
Le sessioni di Autoresearch includono un test di previsione da 426 dollari
In un compito di ottimizzazione di kernel ad attenzione sparsa, Thinking Machines riporta per Inkling 2 Small un’accelerazione preliminare di 6,02 volte rispetto ai kernel originali. La società precisa che le accelerazioni riguardano solo quei kernel, non l’addestramento end-to-end. In un compito separato di previsione di serie temporali, il modello ha addestrato Qwen3.5-4B su Tinker utilizzando dati relativi alla domanda di elettricità, alla produzione di energia eolica e solare, al meteo, alla qualità dell’aria e alle visualizzazioni delle pagine di Wikipedia. Il compito comprendeva l’analisi dei dati, la scrittura di un valutatore, la sperimentazione di ricette di addestramento e il debugging del processo.
Thinking Machines afferma che Inkling 2 Small si è fermato dopo 4 ore e 17 minuti, avendo speso 426 dollari di un budget di 500 dollari. La sua migliore soluzione presentata ha ottenuto un punteggio di 0,289, rispetto a 0,191 per il modello base Qwen3.5-4B. Sui dati di agosto–settembre del compito, che il modello non aveva mai visto, il modello finale ha registrato un errore inferiore di circa il 15% rispetto al modello base.
Thinking Machines afferma che gli input di immagini supportano la creazione e la valutazione visiva
Inkling 2 Small elabora le immagini con un encoder visivo da 292 milioni di parametri basato su Perception Encoder. La società descrive utilizzi visivi che includono la realizzazione e il perfezionamento di siti web, giochi e progetti 3D con elementi interattivi. Tra gli esempi figurano un simulatore di città realizzato con Three.js, un emulatore di PC Linux scritto in Python e una visita virtuale di una planimetria generata a partire da una mappa.
Nella classifica DesignArena Website del 5 novembre, Inkling 2 Small ha ottenuto 1.340 punti, dietro Muse Wonder con 1.366 e Muse Spark 1.3 con 1.351. La società afferma inoltre di aver messo alla prova il modello contro alcuni dei suoi ricercatori in un evento di degustazione di vini. Secondo la società, il modello li ha superati usando soltanto la visione, identificando correttamente tre vini da una singola immagine in 19 prove su 20.