Thinking Machines Lab-მა წარადგინა Inkling 2 Small 594B პარამეტრით

Thinking Machines Lab-მა Inkling 2 Small 2026 წლის 5 ნოემბერს წარადგინა. კომპანია მას აღწერს როგორც Mixture-of-Experts მოდელს 594B საერთო პარამეტრით, 17B აქტიური პარამეტრით, სურათების შეყვანითა და ცვლადი ძალისხმევით. მისი თქმით, მოდელი Artificial Analysis Intelligence Index-ზე 31 ქულას აღწევს და აღემატება კომპანიის წინა მოდელებს.

ხელმისაწვდომობა და წონები

Inkling 2 Small თავდაპირველად Tinker-ის მეშვეობით იქნება ხელმისაწვდომი დახურული წონებით, იმ მიდგომის შესაბამისად, რომელიც კომპანიამ „ღია წონებისკენ უსაფრთხო გზის“ შესახებ გამოქვეყნებულ მასალაში აღწერა. Thinking Machines Lab-ის განცხადებით, გარე უსაფრთხოების ტესტირებისა და red-teaming-ის შემდეგ მომავალ კვირას გეგმავს სრული წონების გამოქვეყნებას Apache 2.0 ლიცენზიით. მოდელის გამოცდა Tinker Playground-ზე დღესვე შეიძლება, Tinker-ზე კი ის ხელმისაწვდომია fine-tuning-ისა და sampling-ისთვის. Checkpoint-ები ჩამოსატვირთი იქნება წონების გამოქვეყნებისას.

შესაძლებლობები და ვიზუალური აღქმა

კომპანიის თქმით, Inkling 2 Small ყველა მიმართულებით უფრო ძლიერია, ვიდრე მისი პირველი თაობა, განსაკუთრებით გრძელვადიან ავტონომიურ სამუშაოში. ვიზუალური და აგენტური შესაძლებლობები საშუალებას აძლევს მოდელს, ვიზუალური უკუკავშირით განმეორებით ააშენოს და დახვეწოს ვებსაიტები, თამაშები და 3D დიზაინები ინტერაქტიული ელემენტებით. განცხადებაში მოყვანილ მაგალითებს შორისაა Three.js-ის ქალაქის სიმულატორი წინასწარ მომზადებული აქტივების გარეშე, ნულიდან დაწერილი PC ემულატორი Python-ზე, რომელიც რეალურ Linux-ის ბირთვს ჩატვირთავს, და რუკის მიხედვით გენერირებული სართულის გეგმის ვირტუალური დათვალიერება.

Inkling 2 Small სურათების შეყვანას ამუშავებს 292M პარამეტრიანი ვიზუალური ენკოდერით, რომელიც Perception Encoder-ზეა დაფუძნებული. ის იყენებს 20×20 პიქსელის ზომის პატჩებს 2×2 სივრცითი pooling-ით და სურათის პატჩებს ტექსტის ტოკენებთან ერთად გადახლართავს. კომპანია იუწყება ძლიერ ვიზუალურ შესაძლებლობებზე OCR-ში, grounding-ში, ინფოგრაფიკის ინტერპრეტაციასა და ვიზუალურ მსჯელობაში; ქულებს შორისაა 81,6% MMMU Pro-ზე (Standard 10), 64,7% PerceptionBench-ზე და 83,8/91,5% ScreenSpot Pro-ზე ორიგინალურ და Python-ით რეჟიმებში.

პროგრამირება და ავტოკვლევა

Thinking Machines Lab-ის თქმით, მოდელის შექმნაში წვლილი შეიტანა ყოველ სასწავლო საფეხურზე გაუმჯობესებებმა, მათ შორის უფრო ეფექტურმა წინასწარმა ვარჯიშმა და მასშტაბურმა ერთიანმა RL გაშვებამ. Inkling 2 Small RL-ით გაიწვრთნა ასობით ათას გრძელვადიან პროგრამირების ამოცანაზე, მრავალი აგენტური harness-ისა და კონტექსტის შეკუმშვის სტრატეგიის გამოყენებით. კომპანიამ გააუმჯობესა სინთეტიკური პროგრამირების მონაცემების მილსადენის ხარისხი და მხოლოდ unit-test ჯილდოებით აღარ შემოიფარგლა; ბევრი ამოცანა მოიცავდა აგენტურ RL შემფასებელს, რომელიც აფასებდა, როგორ უდგებოდა მოდელი პრობლემას და არა მხოლოდ იმას, გაიარა თუ არა მისმა კოდმა. ადრეული checkpoint-ები OpenCode-ზე Fledge-Alpha-ს სახელით გამოიცადა.

მოდელი ასევე გაიწვრთნა გრძელვადიანი ავტოკვლევის ამოცანებზე. ერთ ტესტში მან დამოუკიდებლად გაწვრთნა Qwen3.5-4B Tinker-ზე, რათა წინასწარმეტყველებდა დროით რიგებს, როგორიცაა ამინდი და Wikipedia-ს გვერდების ნახვები. 4,5 საათის მუშაობისა და Tinker-ზე დახარჯული 426 დოლარის შემდეგ, გაწვრთნილმა მოდელმა პროგნოზირების ქულა ორზე მეტჯერ გაზარდა.

ინტელექტუალური შრომა

Thinking Machines Lab-ის თქმით, Inkling 2 Small აჩქარებს ინტელექტუალურ შრომას რეალისტურ პროფესიულ გარემოში: ეძებს ინფორმაციას, იძახებს ხელსაწყოებს MCP-ის მეშვეობით და ამზადებს სამუშაო პროდუქტებს. კომპანია იუწყება 1527 ELO ქულაზე AA-Briefcase-ზე, 70,5% JobBench-ზე, 73,9% Vals Legal Index-ზე და 71,8% EnterpriseBench-CoreCraft-ზე. კომპანიის თქმით, მოდელი განსაკუთრებით ძლიერია ფინანსებსა და რაოდენობრივ მსჯელობაში ცხრილებზე, ოფიციალურ საბუთებსა და დოკუმენტებზე და ღია წონების მოდელებს შორის საუკეთესოა რამდენიმე ფინანსურ ბენჩმარკზე.

წყაროები: Thinking Machines Lab · Techmeme