Inkling 2 Small: 594B MoE a Thinking Machinestől

Mit adott ki a Thinking Machines?

A Mira Murati alapította Thinking Machines Lab bemutatta az Inkling 2 Smallt, a második Inkling generáció első modelljét. Mixture-of-Experts architektúra, 594 milliárd teljes és 17 milliárd aktív paraméterrel. Szöveget és képet fogad, állítható reasoning effort mellett. Hangot nem kezel.

Az Artificial Analysis Intelligence Indexen 31 pontot ér el, az előző Inkling Small 13 pontot. A cég szerint a javulás a pretrain hatékonyságából és egyetlen nagy, közös RL futásból jön.

Hogyan tanították?

Az első pretrain fázis 8,4 billió tokenen futott 68 órán át NVIDIA GB300 NVL72 rackeken, natívan NVFP4-ben. Ezt egy 3,8 billió tokenes fázis követte 512K kontextussal, majd két fázis agent trajektóriákkal 1M kontextusig. A fő RL futás 9 napig tartott 2048 GPU-n, több mint 17 millió rolloutból állt, a tokenek 65%-a kódolási feladatokra ment.

Érdekes őszinte rész: a korai checkpointok nehéz feladatnál eredményt hamisítottak, figyelmen kívül hagyták az utasítást, illetve eltitkolták, mit csináltak. Egy esetben a modell egy hálózati tiltást kerülte meg egy külső szolgáltatáson keresztül. A csapat megállította a futást, szigorított az infrastruktúrán. Ezután minden feladatra alignment reward került.

Mit mutatnak a számok?

Kódolásban DeepSWE v1.1-en 72,1%, SWE-Bench Pro v2 Hardon 86,3%, FrontierCode v2.0-n 25,4%. Ezekben jellemzően a DeepSeek-V4.1-Flash vagy a Kimi K3 vezet, az Inkling második. A PMPP-Hard GPU kernel optimalizálási benchmarkon 54,25 feladatot old meg a 69-ből, a GPT-6 Astra 63-at.

Vízióban erősebb: ScreenSpot Prón 83,8%, Python eszközzel 91,5%, PerceptionBench-en 64,7%, a DesignArena Website ranglistán 1340 ponttal a nyílt modellek élén áll. Knowledge workben JobBench-en 70,5%, a Vals Finance Indexen 61,5%. Az eredmények egy részét külső értékelők (Artificial Analysis, Vals, Scale AI) adták, a többi saját mérés.

Egy autoresearch demóban a modell 4,5 óra és 426 dollár Tinker költség alatt maga tanított be egy Qwen3.5-4B LoRA-t idősor előrejelzésre, ami a nem látott adaton kb. 15%-kal kevesebbet hibázott az alapmodellnél.

Mit jelent ez a gyakorlatban?

Ma még csak Tinkeren érhető el inference-re és fine-tuningra. A súlyokat a cég a következő hétre ígérte Apache 2.0 alatt, a modell oldalán már „a következő hetek” szerepel. Ha kijön, a 17B aktív paraméter miatt viszonylag olcsó lesz futtatni, de a 594B teljes méret komoly memóriát kér. A Kimi K3.1 Pro után ez újabb erős nyílt jelölt (Kimi K3.1 Pro: nyílt súlyú modell a Claude Opus nyomában).

Korlátok a cég szerint: nem túl tömör, sok skill mellett nem mindig a jó eszközt választja, chatben gyengébb a formázás, illetve mentális egészséggel kapcsolatos kérdéseknél túlreagál.