Thinking Machines Lab, 594B parametreli Inkling 2 Small modelini tanıttı

Thinking Machines Lab, Inkling 2 Small modelini 5 Kasım 2026'da tanıttı. Şirket, modeli 594B toplam parametre, 17B aktif parametre, görüntü girişi ve değişken çaba içeren bir Mixture-of-Experts modeli olarak tanımlıyor. Modelin Artificial Analysis Intelligence Index'te 31 puan aldığını ve önceki modellerini geride bıraktığını belirtiyor.

Kullanılabilirlik ve ağırlıklar

Inkling 2 Small başlangıçta kapalı ağırlıklarla Tinker üzerinden kullanılabilecek; bu, şirketin açık ağırlıklara güvenli yol yaklaşımında belirlediği yöntemi izliyor. Thinking Machines Lab, dış güvenlik testleri ve red-teaming sonrasında tam ağırlıkları gelecek hafta Apache 2.0 lisansı altında sunmayı planladığını söylüyor. Model bugün Tinker Playground'da denenebilir ve Tinker üzerinde ince ayar (fine-tuning) ile örnekleme (sampling) için kullanılabilir. Checkpoint'ler ağırlıkların yayımlanmasıyla birlikte indirilebilecek.

Yetenekler ve görüntü işleme

Şirket, Inkling 2 Small'ın her alanda ilk nesilden daha yetenekli olduğunu, özellikle uzun soluklu otonom çalışmalarda daha güçlü olduğunu söylüyor. Görüntü ve ajan yetenekleri, görsel geri bildirimi kullanarak web sitelerini, oyunları ve etkileşimli öğeler içeren 3B tasarımları yinelemeli şekilde oluşturmasını ve iyileştirmesini sağlıyor. Duyurudaki örnekler arasında önceden hazırlanmış varlık içermeyen bir Three.js şehir simülatörü, gerçek bir Linux çekirdeğini önyükleyen Python ile sıfırdan yazılmış bir PC emülatörü ve bir haritadan oluşturulan kat planı gezintisi yer alıyor.

Inkling 2 Small, Perception Encoder tabanlı 292M parametreli bir görüntü kodlayıcıyla görüntü girdilerini işliyor. 20×20 piksel yamalar ve 2×2 uzamsal havuzlama kullanıyor, görüntü yamalarını metin token'larıyla iç içe geçiriyor. Şirket, OCR, görüntüde konumlandırma, infografik yorumlama ve görsel akıl yürütme alanlarında güçlü görsel yetenekler bildiriyor; puanlar arasında MMMU Pro (Standard 10) üzerinde 81.6%, PerceptionBench üzerinde 64.7% ve ScreenSpot Pro'da orijinal ve Python ile 83.8/91.5% yer alıyor.

Kodlama ve otomatik araştırma

Thinking Machines Lab, daha verimli ön eğitim ve büyük bir birleşik RL çalışması dahil olmak üzere her eğitim adımındaki iyileştirmelerin modele katkı sağladığını söylüyor. Inkling 2 Small, birden fazla ajan çerçevesi ve bağlam sıkıştırma stratejisi üzerinde yüz binlerce uzun soluklu kodlama göreviyle RL kullanılarak eğitildi. Şirket, sentetik kodlama veri hattının kalitesini artırdı ve yalnızca birim testi ödüllerinin ötesine geçti; birçok görev, kodunun çalışıp çalışmadığından ziyade modelin bir soruna nasıl yaklaştığını değerlendiren ajan tabanlı bir RL değerlendiricisi içeriyordu. Erken checkpoint'ler Fledge-Alpha adıyla OpenCode üzerinde test edildi.

Model ayrıca uzun soluklu otomatik araştırma görevleriyle eğitildi. Bir testte hava durumu ve Wikipedia sayfa görüntüleme sayısı gibi zaman serilerini tahmin etmek için Tinker üzerinde Qwen3.5-4B modelini otonom olarak eğitti. 4.5 saatlik çalışmanın ve $426 tutarında Tinker harcamasının ardından eğitilen modelin tahmin puanı iki katından fazla arttı.

Bilgi işleri

Thinking Machines Lab, Inkling 2 Small'ın gerçekçi profesyonel ortamlarda bilgi işlerini hızlandırdığını; bilgi aradığını, MCP üzerinden araç çağırdığını ve çıktılar ürettiğini söylüyor. AA-Briefcase üzerinde 1527 ELO puanı, JobBench üzerinde 70.5%, Vals Legal Index üzerinde 73.9% ve EnterpriseBench-CoreCraft üzerinde 71.8% bildiriyor. Şirket, modelin özellikle elektronik tablolar, dosyalar ve belgeler üzerinde finans ve nicel akıl yürütme konularında güçlü olduğunu ve açık ağırlıklı modeller arasında birkaç finans kıyaslama testinde en iyi performansı gösteren model olduğunu belirtiyor.

Kaynaklar: Thinking Machines Lab · Techmeme