Thinking Machines Lab представила Inkling 2 Small із 594B параметрів

Thinking Machines Lab представила Inkling 2 Small 5 листопада 2026 року. Компанія описує її як модель Mixture-of-Experts із 594B загальних параметрів, 17B активних параметрів, підтримкою зображень і змінним рівнем зусиль. Вона каже, що модель набрала 31 бал в Artificial Analysis Intelligence Index, перевершивши попередні моделі компанії.

Доступність і ваги

Inkling 2 Small спочатку буде доступна через Tinker із закритими вагами, відповідно до підходу, який компанія окреслила в безпечному шляху до відкритих ваг. Thinking Machines Lab каже, що має намір зробити повні ваги доступними за ліцензією Apache 2.0 наступного тижня після зовнішнього тестування безпеки та red-teaming. Модель можна випробувати в Tinker Playground сьогодні, вона доступна для fine-tuning і sampling на Tinker. Контрольні точки будуть доступні для завантаження разом із випуском ваг.

Можливості та зір

Компанія каже, що Inkling 2 Small здатніша в усіх аспектах, ніж її перше покоління, особливо в довготривалій автономній роботі. Її можливості бачення та агентної роботи дозволяють використовувати візуальний зворотний зв'язок для ітеративного створення та вдосконалення вебсайтів, ігор і 3D-дизайнів із інтерактивними елементами. Приклади в оголошенні включають симулятор міста на Three.js без готових ресурсів, емулятор ПК з нуля на Python, який завантажує реальне ядро Linux, і прохід по плану поверху, створений із карти.

Inkling 2 Small обробляє вхідні зображення за допомогою 292M-параметрового візуального енкодера на основі Perception Encoder. Він використовує патчі 20×20 пікселів із 2×2 просторовим пулінгом і чергує патчі зображень із текстовими токенами. Компанія повідомляє про сильні візуальні можливості в OCR, прив'язці об'єктів (grounding), інтерпретації інфографіки та візуальному міркуванні, з результатами, зокрема 81,6% у MMMU Pro (Standard 10), 64,7% у PerceptionBench і 83,8/91,5% у ScreenSpot Pro в оригінальному режимі та з Python.

Кодування та autoresearch

Thinking Machines Lab каже, що вдосконалення на кожному етапі навчання, зокрема ефективніше попереднє навчання та великий єдиний запуск RL, сприяли моделі. Inkling 2 Small навчали за допомогою RL на сотнях тисяч довготривалих завдань із кодування в кількох агентних середовищах (harness) і з різними стратегіями ущільнення контексту. Компанія підвищила якість свого конвеєра синтетичних даних для кодування та вийшла за межі винагород лише за модульні тести; багато завдань містили агентний RL-грейдер, який оцінював, як модель підходила до проблеми, а не лише чи проходив її код. Ранні контрольні точки тестували в OpenCode під назвою Fledge-Alpha.

Модель також навчали на довготривалих завданнях autoresearch. В одному тесті вона автономно навчала Qwen3.5-4B на Tinker передбачати часові ряди, такі як погода та перегляди сторінок Wikipedia. Після 4,5 годин роботи та витрат $426 на Tinker навчена модель більш ніж удвічі підвищила свій показник прогнозування.

Інтелектуальна праця

Thinking Machines Lab каже, що Inkling 2 Small прискорює інтелектуальну працю в реалістичних професійних середовищах: шукає інформацію, викликає інструменти через MCP і створює результати. Вона повідомляє про ELO-показник 1527 у AA-Briefcase, 70,5% у JobBench, 73,9% у Vals Legal Index і 71,8% у EnterpriseBench-CoreCraft. Компанія каже, що модель особливо сильна у фінансах і кількісному міркуванні над електронними таблицями, регуляторними звітами та документами, а серед моделей із відкритими вагами вона є найкращою за результатами в кількох фінансових бенчмарках.

Джерела: Thinking Machines Lab · Techmeme