Thinking Machines Lab-ը ներկայացնում է Inkling 2 Small-ը 594B պարամետրով

Thinking Machines Lab-ը Inkling 2 Small-ը ներկայացրել է նոյեմբերի 5-ին, 2026 թվականին։ Ընկերությունը այն նկարագրում է որպես Mixture-of-Experts մոդել՝ 594B ընդհանուր պարամետրով, 17B ակտիվ պարամետրով, պատկերային մուտքով և փոփոխական ջանքով։ Այն ասում է, որ մոդելը Artificial Analysis Intelligence Index-ում հավաքում է 31 միավոր՝ գերազանցելով նախորդ մոդելները։

Հասանելիություն և կշիռներ

Inkling 2 Small-ը սկզբում կհասանելի լինի Tinker-ում՝ փակ կշիռներով, հետևելով այն մոտեցմանը, որը ընկերությունը նկարագրել էր «բաց կշիռների անվտանգ ուղի» ծրագրում։ Thinking Machines Lab-ը ասում է, որ մտադիր է ամբողջ կշիռները հասանելի դարձնել Apache 2.0 արտոնագրով հաջորդ շաբաթ՝ արտաքին անվտանգության փորձարկումից և ռեդ-թիմինգից հետո։ Մոդելը այսօր կարելի է փորձարկել Tinker Playground-ում և հասանելի է Tinker-ում նուրբ կարգավորման և նմուշառման համար։ Ստուգակետերը կներբեռնվեն կշիռների թողարկման հետ։

Կարողություններ և տեսողություն

Ընկերությունը ասում է, որ Inkling 2 Small-ը բոլոր ուղղություններով ավելի ընդունակ է, քան առաջին սերունդը, հատկապես երկարաժամկետ ինքնավար աշխատանքում։ Դրա տեսողական և գործակալային կարողությունները թույլ են տալիս նրան օգտագործել տեսողական հետադարձ կապ՝ իտերատիվ կերպով կառուցելու և կատարելագործելու վեբկայքեր, խաղեր և 3D ձևավորումներ՝ ինտերակտիվ տարրերով։ Հայտարարության օրինակները ներառում են Three.js քաղաքային սիմուլյատոր՝ առանց նախապես պատրաստված ակտիվների, Python-ում զրոյից ստեղծված PC էմուլյատոր, որը բեռնում է իրական Linux միջուկ, և քարտեզից ստեղծված հատակագծի զբոսանք։

Inkling 2 Small-ը պատկերային մուտքերը մշակում է 292M-պարամետրանոց տեսողական կոդավորիչով՝ հիմնված Perception Encoder-ի վրա։ Այն օգտագործում է 20×20-պիքսելանոց կտորներ՝ 2×2 տարածական միավորմամբ, և պատկերային կտորները խառնում է տեքստային տոկենների հետ։ Ընկերությունը զեկուցում է ուժեղ տեսողական կարողություններ՝ OCR-ում, grounding-ում, ինֆոգրաֆիկայի մեկնաբանման մեջ և տեսողական բանականության մեջ, այդ թվում՝ 81,6% MMMU Pro-ում (Standard 10), 64,7% PerceptionBench-ում և 83.8/91.5% ScreenSpot Pro-ում՝ բնօրինակով և Python-ով։

Կոդավորում և ինքնահետազոտություն

Thinking Machines Lab-ը ասում է, որ բարելավումները յուրաքանչյուր ուսուցման քայլում, այդ թվում՝ ավելի արդյունավետ նախաուսուցումը և RL-ի մեծ միասնական մարզումը, նպաստել են մոդելին։ Inkling 2 Small-ը ուսուցվել է RL-ով՝ հարյուր հազարավոր երկարաժամկետ կոդավորման առաջադրանքների վրա՝ մի քանի գործակալային համակարգերում և համատեքստը սեղմելու ռազմավարությունների կիրառմամբ։ Ընկերությունը բարձրացրել է իր սինթետիկ կոդավորման տվյալների խողովակի որակը և անցել է միայն միավորային թեստերի պարգևներից այն կողմ. շատ առաջադրանքներ ներառել են գործակալային RL գնահատող, որը գնահատում էր, թե ինչպես է մոդելը մոտենում խնդրին, ոչ միայն արդյոք նրա կոդը անցնում է։ Վաղ ստուգակետերը փորձարկվել են OpenCode-ում՝ Fledge-Alpha անունով։

Մոդելը նաև ուսուցվել է երկարաժամկետ ինքնահետազոտության առաջադրանքների վրա։ Մեկ փորձում այն ինքնավար կերպով ուսուցել է Qwen3.5-4B-ը Tinker-ում՝ ժամանակային շարքեր, ինչպիսիք են եղանակը և Wikipedia էջերի դիտումները, կանխատեսելու համար։ 4,5 ժամ աշխատանքից և 426 դոլար Tinker-ի ծախսից հետո ուսուցված մոդելը ավելի քան կրկնապատկել էր իր կանխատեսման միավորը։

Մտավոր աշխատանք

Thinking Machines Lab-ը ասում է, որ Inkling 2 Small-ը արագացնում է մտավոր աշխատանքը ռեալիստական մասնագիտական միջավայրերում՝ փնտրելով տեղեկատվություն, կանչելով գործիքներ MCP-ով և պատրաստելով արդյունքներ։ Այն զեկուցում է 1527 ELO միավոր AA-Briefcase-ում, 70,5% JobBench-ում, 73,9% Vals Legal Index-ում և 71,8% EnterpriseBench-CoreCraft-ում։ Ընկերությունը ասում է, որ մոդելը հատկապես ուժեղ է ֆինանսներում և քանակական բանականության մեջ՝ աղյուսակների, հաշվետվությունների և փաստաթղթերի վրա, և որ բաց կշիռներով մոդելների շարքում այն լավագույն կատարողն է մի քանի ֆինանսական չափանիշներում։

Աղբյուրներ: Thinking Machines Lab · Techmeme