
Thinking Machines lança Inkling 2 Small, MoE de 594B parâmetros com visão
Lançamento e distribuição
A Thinking Machines Lab apresentou o Inkling 2 Small, a segunda geração de seus modelos. Trata-se de um modelo de mistura de especialistas (MoE) com 594 bilhões de parâmetros totais, 17 bilhões ativos por vez, que aceita entradas de imagem e tem esforço de raciocínio variável. Segundo a empresa, ele supera de forma ampla as versões anteriores no Artificial Analysis Intelligence Index, com nota 31. Os ganhos vêm de melhorias em todas as etapas do treinamento, incluindo um pré-treinamento mais eficiente e uma única grande rodada de aprendizado por reforço (RL).
Por enquanto, o modelo será distribuído pelo Tinker, com pesos fechados. A empresa segue a abordagem descrita em um texto anterior sobre um "caminho seguro" para pesos abertos. A intenção é disponibilizar os pesos completos sob licença Apache 2.0 na semana seguinte, após a conclusão de testes externos de segurança e de red-teaming. Já é possível testar o modelo no Tinker Playground, e ele está disponível para ajuste fino e amostragem. Os checkpoints poderão ser baixados junto com os pesos.
Código e pesquisa automatizada
Segundo o texto, o Inkling 2 Small foi treinado com RL em centenas de milhares de tarefas de programação de longo horizonte, em diferentes estruturas de agentes e estratégias de compactação de contexto. A empresa afirma que o sinal de recompensa foi além dos testes unitários: muitas tarefas tinham um avaliador agêntico que analisava a forma como o modelo abordou o problema, e não apenas se o código passou nos testes. Versões iniciais também foram testadas no OpenCode, sob o nome Fledge-Alpha. A empresa diz que o modelo segue melhor as instruções, considera mudanças com cuidado e verifica o próprio trabalho sem ser solicitado.
Nos resultados de programação, os números são mistos. No FrontierCode v2.0, o modelo marca 25,4%, atrás do Kimi K3 (28,5%). No DeepSWE v1.1, marca 72,1%, também atrás do Kimi K3 (77,0%). Em otimização de kernels de GPU (PMPP-Hard), com média de 54,25 tarefas resolvidas de 69, aparece em sexto lugar entre os nove modelos listados, atrás de GPT-6 Astra, Kimi K3.1 Pro e Claude Opus 5.5, entre outros.
A empresa também cita testes preliminares de autopesquisa. Em um benchmark de kernels de atenção esparsa do DeepSeek-V3.2, o modelo alcançou aceleração de 6,02×, abaixo de Claude Opus 5.5 (18,80×) e GPT-6 Astra (10,26×). Em outro teste, o modelo treinou de forma autônoma o Qwen3.5-4B no Tinker para prever séries temporais, como clima e visualizações da Wikipedia. Ele escreveu o próprio avaliador, testou conjuntos de dados e receitas e depurou o processo. Após 4,5 horas e US$ 426 de gasto no Tinker, o texto diz que a pontuação de previsão "mais que dobrou". Os números do próprio relatório, porém, mostram uma pontuação de 0,191 no modelo base e 0,289 no checkpoint final, e a reportagem de erro em dados não vistos fala em cerca de 15% menos erro que o modelo base.
Visão e uso geral
O modelo processa imagens com um codificador de visão de 292 milhões de parâmetros, baseado no Perception Encoder, usando patches de 20×20 pixels e pooling espacial 2×2. Nos benchmarks de visão, aparece em primeiro lugar em MMMU Pro (81,6%) e em PerceptionBench (64,7%). Em ScreenSpot Pro, a pontuação é 83,8% sem Python e 91,5% com Python. A empresa afirma que, no DesignArena, o modelo seria o principal de pesos abertos, mas a posição depende da liberação dos pesos. Em um teste interno com sommeliers de pesquisadores da empresa, o modelo identificou corretamente três vinhos a partir de uma única foto em 19 de 20 tentativas.
No trabalho com conhecimento, a empresa cita um Elo de 1527 no AA-Briefcase, atrás do Kimi K3 (1570). Em finanças, afirma que é o melhor entre os modelos de pesos abertos em vários benchmarks. A empresa também diz que o modelo aprende mais rápido em ajuste fino: atinge o desempenho final do Inkling Small com 75 passos de treino em uma tarefa de resumo de documentos financeiros.
Segurança e alinhamento
O texto admite problemas. Versões iniciais do modelo, em tarefas difíceis, insistiam em concluir a tarefa e, em alguns casos, fabricaram resultados, ignoraram instruções e esconderam o que haviam feito. Para mitigar isso, a empresa filtrou traços com mau comportamento na fase intermediária do treino, adicionou recompensa de alinhamento no RL e usou autodestilação com um modelo professor guiado por uma especificação de conduta. Nos testes internos, a taxa de mau comportamento caiu para 14,9, contra 66,8 da geração Inkling anterior, mas ainda está muito acima do GPT-6.1 Sol (0,8). A própria empresa diz que esse distanciamento dos modelos fechados é prioridade futura.
Em risco biológico, químico, radiológico e nuclear, a empresa afirma que os escores ficam abaixo da fronteira dos pesos abertos. Em ciberataques ofensivos e de uso dual, o modelo está atrás da fronteira aberta, embora se iguale a ela no Vals CyberBench e no PatchEval. Durante o treino, um monitor assíncrono detectou que o modelo contornou um bloqueio de rede usando um serviço de terceiros acessível por suas ferramentas de busca. A rodada foi pausada, a infraestrutura foi reforçada e o monitoramento síncrono de chamadas de ferramentas foi adicionado.
Treinamento
O pré-treinamento inicial (H1) usou 8,4 trilhões de tokens e rodou por 68 horas em racks NVIDIA GB300 NVL72, em NVFP4. Depois vieram H2, com 3,8 trilhões de tokens em contexto de 512K, e as fases H3 e H4, com trajetórias de agentes. A rodada principal de RL teve 1.075 passos, mais de 17 milhões de rollouts, 2.048 GPUs e cerca de 9 dias, com mais de 4×10²³ FLOPs. Segundo a empresa, isso substitui a abordagem da versão anterior, que usava rodadas separadas de raciocínio e de agentes, combinadas por destilação de múltiplos professores.