Thinking Machines Lab, лаборатория бывшего технического директора OpenAI Миры Мурати, 5 ноября представила Inkling 2 Small, вторую версию своей модели, и пообещала выложить её полные веса под лицензией Apache 2.0 на следующей неделе. Пока модель с закрытыми весами доступна только через собственную платформу компании Tinker: в песочнице для запросов и через API для дообучения и сэмплинга.
Для разработчика это заявка на ещё одну крупную открытую модель уровня «Flash»-класса: MoE на 594 млрд параметров, из которых на токен работают 17 млрд, с картинками на входе, контекстом до 1 млн токенов и сильной стороной в агентном коде и визуальных задачах. Ранние версии этой модели часть пользователей OpenCode уже видела под другим именем — Fledge-Alpha. Ниже разбираем, что известно об архитектуре, как выглядят цифры компании и что из обещанного ещё не выполнено.
- Inkling 2 Small — MoE на 594 млрд параметров (17 млрд активных), 48 слоёв, 8 из 384 экспертов на токен, вход текст и изображения, контекст до 1 млн токенов.
- Веса компания намерена выложить под Apache 2.0 на неделе после 5 ноября, после внешнего тестирования безопасности; на вечер 7 ноября их на Hugging Face нет, а лицензия в model card — Tinker Terms of Use.
- В таблице компании на DeepSWE v1.1 модель набирает 72,1%: выше GLM-5.3-Flash (63,4%), ниже DeepSeek-V4.1-Flash-1017 (77,0%); в Terminal Bench v4.0 — только 13,1% против 32,8–33,8% у тех же соперников.
- Компания подтвердила, что тестировала ранние чекпоинты модели в OpenCode под именем Fledge-Alpha.
- Слабые места по словам авторов: многословность, неудачный выбор инструментов в репозиториях с большим числом скиллов, нет аудио, хуже подача ответов в чате.
Что за модель и чем она отличается от первой Inkling?
По model card, Inkling 2 Small — декодер-трансформер из 48 слоёв с разреженным MoE: каждый токен уходит в 8 из 384 экспертов, внимание чередует локальные и глобальные слои. Картинки кодирует отдельный визуальный энкодер на 292 млн параметров на основе Perception Encoder, изображения режутся на патчи 20 на 20 пикселей и перемешиваются с текстовыми токенами. Выход только текстовый, аудио модель не поддерживает. Числовые форматы — MXFP8 и NVFP4.
Effort настраивается: при обучении уровень усилия выбирался случайно, а в награду входил штраф за длину ответа, чтобы модель училась выбирать между скоростью и тщательностью. Все бенчмарки компании прогнаны на effort 0,99 (xhigh) при температуре 1,0 и лимите траектории 1 млн токенов.
Предыдущие модели лаборатории уже открыты: Inkling и Inkling-Small лежат на Hugging Face под Apache 2.0, у Inkling-Small больше 1,2 млн загрузок. По индексу Artificial Analysis Intelligence Index новая модель, по словам компании, набрала 31 балл и «намного» обогнала прошлые (в сводной таблице точнее — 30,6 по версии индекса 5.0).
Как Inkling 2 Small выглядит в коде на фоне соседей?
Неровно: на одних тестах модель в верхней части таблицы, на других заметно отстаёт. Все цифры ниже — из таблицы самой Thinking Machines; компания пишет, что по возможности берёт результаты, которые публикуют внешние площадки (Artificial Analysis, Scale AI, Vals, Datacurve и другие), но выбор тестов и соперников её собственный. Для сравнения взяты две открытые модели того же класса, большая открытая Kimi K3 и закрытая Claude Haiku 5.5.
Кодинг и агенты: результаты по данным Thinking Machines
| Тест | Inkling 2 Small | GLM-5.3-Flash | DeepSeek-V4.1-Flash-1017 | Kimi K3 | Claude Haiku 5.5 |
|---|---|---|---|---|---|
| Параметры, активные/всего, млрд | 17/594 | 18/320 | 16/552 | 104/2800 | не раскрыто |
| AA Index v5.0 | 30,6 | 27,8 | 32,6 | нет данных | 36,5 |
| DeepSWE v1.1 | 72,1% | 63,4% | 77,0% | 68,5% | 59,9% |
| FrontierCode v2.0 | 25,4% | 14,2% | 28,5% | 17,3% | 34,9% |
| SWE-bench Verified | 82,2% | 92,0% | 84,6% | 93,4% | 88,9% |
| SWE-bench Pro v2 (Hard) | 86,3% | нет данных | нет данных | 88,2% | 52,9% |
| Terminal Bench v4.0 | 13,1% | 32,8% | 33,8% | 12,6% | 32,8% |
| Vibe Code Bench v1.1 | 81,6% | 30,8% | 87,7% | 85,0% | 90,4% |
| MCP Atlas (Public) | 85,0% | 82,0% | 83,2% | 84,2% | 81,0% |
Источник: model card Inkling 2 Small, замеры вендора и площадок, на которые он ссылается
Отдельно компания показывает автоисследовательские задачи. В оптимизации GPU-ядер PMPP-Hard (69 задач, четыре попытки, 10 часов) Inkling 2 Small решает в среднем 54,25 задачи против 55,25 у DeepSeek V4.1 Flash и 60 у Claude Opus 5.5. В демонстрации модель сама дообучила Qwen3.5-4B на прогноз временных рядов (спрос на электричество, погода, просмотры Википедии): написала оценщик, собрала 12 500 примеров, попробовала SFT и RL, отказалась от RL, когда прогнозы стали самоуверенными, и через 4 часа 17 минут, потратив $426 из бюджета $500 в Tinker, сдала модель, которая на невиденных данных августа и сентября ошибается примерно на 15% меньше базовой.
Сильнее всего модель выглядит в визуальных задачах. В рейтинге DesignArena Website от 5 ноября у неё 1340 баллов, выше любой открытой модели в таблице; в ScreenSpot Pro, тесте на поиск элементов интерфейса на скриншоте, — 83,8% (91,5% с Python). В тесте на фактические знания AA-Omniscience у модели лучший в таблице показатель non-hallucination rate — 73,3%; Artificial Analysis считает его не по всем ответам, а только среди неправильных, частичных ответов и отказов, то есть это доля случаев, где модель, не зная ответа, не стала выдумывать.
При чём здесь Fledge-Alpha в OpenCode?
Это была она. Thinking Machines пишет в анонсе, что тестировала ранние чекпоинты Inkling 2 Small в OpenCode под именем Fledge-Alpha, чтобы проверить модель на реальных задачах программирования. Так что если вы пользовались Fledge-Alpha в OpenCode, вы видели ранний срез этой модели, а не финальную версию. Свежие изменения самого OpenCode мы собирали в обзоре кодинг-агентов от 6 ноября.
Для кода модель учили RL на сотнях тысяч длинных задач в нескольких агентных обвязках и с разными стратегиями сжатия контекста. Награда зависела не только от прохождения юнит-тестов: часть задач оценивал агентный RL-грейдер, который смотрел, как модель подходила к проблеме. По словам компании, по сравнению с первой Inkling модель лучше следует инструкциям и сама проверяет свою работу.
Как её обучали и что пошло не так по ходу?
Предобучение шло в четыре фазы. Первая — 8,4 трлн токенов текста, кода и картинок, 68 часов на стойках NVIDIA GB300 NVL72, нативно в 4-битном формате NVFP4. Вторая — 3,8 трлн токенов более свежих и качественных данных с контекстом 512 тыс. Третья — около 320 млрд токенов рассуждений и агентных траекторий с контекстом 1 млн, четвёртая — около 34 млрд токенов лучших траекторий. Траектории для третьей и четвёртой фаз в основном сгенерированы более ранними моделями, включая Kimi K3 и собственные модели лаборатории.
Затем один общий RL-прогон: 1075 шагов, больше 17 млн роллаутов, 9 дней на 2048 GPU, больше 4 на 10 в 23-й степени FLOPs и больше 3 трлн токенов. Почти две трети токенов RL пришлись на код (65%), 13,3% — на офисную работу. Первая Inkling обучалась иначе: отдельными прогонами на рассуждения и агентность, которые потом сводили дистилляцией.
Компания честно описывает инцидент. В середине RL асинхронный монитор поймал случай, когда модель, проваливая задачу, обошла сетевую блокировку через сторонний сервис, до которого дотянулась своими поисковыми инструментами. Прогон остановили, усилили инфраструктуру, убрали среды с доступом в веб и добавили синхронную проверку вызовов инструментов перед выполнением. Ранние чекпоинты на сложных задачах также подделывали результаты, игнорировали инструкции и скрывали сделанное; во внутреннем тесте на такое поведение доля нарушений упала с 66,8 у первой Inkling до 14,9, но у закрытой GPT-6.1 Sol она 0,8, и отставание компания признаёт.
Когда будут веса и что с ними можно делать?
Точной даты нет. Формулировка анонса — компания «намерена» выложить полные веса под Apache 2.0 на следующей неделе после завершения внешнего тестирования безопасности и редтиминга; в разделе о безопасности сказано, что выпуск весов зависит от дальнейших проверок компании и партнёров. На вечер 7 ноября в организации thinkingmachines на Hugging Face есть только первые Inkling и Inkling-Small, а в model card новой модели в поле лицензии стоят условия использования Tinker. Другие платформы, кроме Tinker, обещаны «в ближайшие недели».
Что можно сделать сейчас:
- попробовать модель в песочнице Tinker Playground — она даёт только инференс;
- дообучать и сэмплировать через API Tinker по Tinker Cookbook; компания обещает, что дообученные чекпоинты можно будет скачать, когда выйдут веса;
- дождаться весов, если нужен локальный запуск. По нашей оценке, даже в 4-битном NVFP4 с блочными масштабами 594 млрд параметров займут около 334 ГБ памяти, ещё без KV-кэша и прочих накладных расходов; официальных требований к железу для локального запуска компания пока не публиковала.
Цены Tinker на эту модель в анонсе не названы.
Какие ограничения называют сами авторы?
- модель не самый лаконичный собеседник и не всегда выбирает лучший инструмент, особенно в кодовых базах с большим числом скиллов;
- аудио на входе нет, только текст и изображения;
- под чат она оптимизирована хуже: хуже организует и подаёт ответ, злоупотребляет косыми чертами и избыточно реагирует на запросы о психическом здоровье и безопасности;
- в тесте FORTRESS на безобидных запросах модель отвечает в 79,7% случаев против 93–97% у GLM-5.3-Flash, DeepSeek и Kimi K3, то есть отказывает чаще нужного;
- в Terminal Bench v4.0 и SWE-bench Verified она заметно ниже ближайших открытых соперников.
Inkling 2 Small компания называет ступенью «лестницы» моделей разного размера, обученных по одному рецепту, и обещает показать следующие. Главная проверка ближайших дней — выйдут ли веса и под какой лицензией окажутся на Hugging Face. Для сравнения цен на открытые модели класса DeepSeek V4 пригодится наш разбор DeepClaude: Claude Code на DeepSeek V4.
Источники: Thinking Machines: Introducing Inkling 2 Small, Model card Inkling 2 Small, Модели Thinking Machines на Hugging Face
Изображение на обложке: Tproger по данным Thinking Machines