Thinking Machines Lab vydala Inkling 2 Small, model určený pro další dotrénování a tvorbu AI agentů, kteří plánují vícekrokové úlohy, používají nástroje a ověřují výsledky. Novinka přijímá text i obrázky a vývojáři ji mohou používat přes Tinker. Váhy modelu zatím zůstávají uzavřené.
Větší model, obrazový vstup a proměnlivé výpočetní úsilí
Inkling 2 Small používá architekturu Mixture-of-Experts: pro každý token vybírá část specializovaných skupin parametrů. Celkem jich má 594 miliard, z toho 17 miliard aktivuje na token. Předchozí Inkling Small měl 276 miliard parametrů a aktivoval jich 12 miliard.
Nový model podporuje proměnlivou míru výpočetního úsilí při inferenci. Obrázky zpracovává obrazový enkodér založený na Perception Encoder, který je rozděluje na menší části a jejich reprezentace vkládá mezi textové tokeny. Na rozdíl od předchůdce však novinka nepřijímá zvuk.
Výsledky ve vizuálních a programovacích testech
V souhrnném Artificial Analysis Intelligence Index, který zahrnuje programování, uvažování a znalostní práci, získal Inkling 2 Small skóre 31. Ve zveřejněné sadě vizuálních testů vedl mezi porovnávanými modely s vydanými či plánovanými otevřenými váhami například v PerceptionBench, ScreenSpot Pro a MMMU Pro.
Thinking Machines uvádí, že po splnění podmínek pro zařazení by model v této kategorii vedl také na DesignArena. Ve zveřejněných testech agentního programování naopak v několika hodnoceních zaostal za DeepSeek V4.1 Flash a na SWE-bench Pro za Kimi K3. Na FrontierCode v2.0 dosáhl 25,4 %, na DeepSWE v1.1 získal 72,1 % a na SWE-bench Pro v2 Hard 86,3 %.
Dotrénování a demonstrace práce s dalším modelem
Laboratoř staví využití modelu také na jeho dalším dotrénování. Podle Thinking Machines dosáhl Inkling 2 Small při shrnování finančních dokumentů po 75 trénovacích krocích konečné výkonnosti předchozího Inkling Small a následně ji překonal. Experiment využíval Tinker Cookbook a cíl posilovaného učení Stable Reinforce.
V jiné demonstraci dostal model zadání předpovídat časové řady a přes Tinker řídil trénování Qwen3.5-4B. Vytvořil evaluátor, vybíral data i trénovací postupy a opravil chybu v hodnocení. Po 4,5 hodinách a útratě 426 dolarů měl výsledný model v dané úloze více než dvojnásobné skóre.
Trénink pro uvažování a agentní úlohy
Počáteční předtrénování zpracovalo 8,4 bilionu tokenů přirozeného jazyka, kódu a obrázků za 68 hodin na systémech NVIDIA GB300 NVL72. Tři následující fáze prodlužovaly kontext a soustředily se na kvalitnější data pro agenty.
Laboratoř poté použila společný běh posilovaného učení pro uvažování a agentní chování. Za devět dnů na 2 048 GPU vzniklo přes 17 milionů trénovacích průběhů a tři biliony tokenů. Trénink používal kontextové okno 256 tisíc tokenů a delší průběhy komprimoval.
Programování představovalo 38,5 % průběhů a 65 % vygenerovaných tokenů v tomto běhu. Další úlohy zahrnovaly kancelářskou práci, práci s obrazem, vývoj webových aplikací, používání nástrojů i bezpečnost.
Podle interních měření laboratoře kleslo skóre obecného nežádoucího chování z 66,8 u původního Inklingu na 14,9 u nového modelu; nižší hodnota je lepší. Laboratoř zároveň uvádí, že uzavřené modely jako GPT-6.1 Sol si v těchto měřeních vedou lépe.
Přístup přes Tinker a plánované vydání vah
Vývojáři mohou zadávat interaktivní požadavky v Tinker Playground a používat Tinker k dotrénování a vzorkování. Váhy zatím nejsou dostupné, takže model nelze lokálně nasadit ani nezávisle zkontrolovat jeho checkpoint. Thinking Machines je plánuje po externím bezpečnostním testování vydat pod licencí Apache 2.0 a přidat další inferenční platformy; pevné datum zatím neoznámila.
Mezi omezeními firma uvádí rozvláčné odpovědi, slabší organizaci konverzace a nekonzistentní výběr nástrojů v kódových základnách s mnoha dostupnými dovednostmi. Upozorňuje také na přehnané reakce na dotazy týkající se duševního zdraví.
