Modeli i vogël Inkling 2 i Thinking Machines renditet në vendin e parë mes modeleve perëndimore me pesha të hapura

Inkling 2 Small pretendon të jetë modeli më i fortë perëndimor me peshë të hapur, me 17 miliardë parametra aktivë dhe rezultate referimi që i tejkalojnë shumë paraardhësit e tij.

Startupi Thinking Machines , nga ish-drejtoresha teknologjike e OpenAI, Mira Murati, ka zbuluar Inkling 2 Small, gjeneratën e dytë të modelit të tij. Modelet Inkling janë projektuar si modele bazë për rregullime të hollësishme, gjë që mund t’i bëjë ato veçanërisht tërheqëse për aplikime të specializuara.

Modeli i përzierjes së ekspertëve përmban një total prej 594 miliardë parametrash, nga të cilët 17 miliardë janë aktivë në çdo kohë të caktuar. Ai pranon tekst dhe imazhe si të dhëna hyrëse dhe ofron një thellësi të të menduarit të rregullueshme që u lejon përdoruesve të zgjedhin midis shpejtësisë dhe përpikërisë.

Në Indeksin e Inteligjencës së Analizës Artificiale , Inkling 2 Small merr një vlerësim prej 31 pikësh, sipas Thinking Machines. Kjo është 18 pikë mbi paraardhësin e tij Inkling Small (13) dhe pak a shumë në të njëjtin nivel me Gemini 3.8 Flash të Google.

Fitimet më të mëdha shfaqen në detyrat agjentike, ku modeli ekzekuton në mënyrë të pavarur rrjedha pune me shumë hapa. Në AutomationBench-AA rezultati rritet nga 5 në 46 përqind, dhe në FrontierCode 2.0 rritet nga 5 në 25 përqind. Në pikën referuese të punës me njohuri AA-Briefcase, Inkling 2 Small arrin 1,527 Elo, 615 pikë mbi paraardhësin e tij. Shkalla e halucinacioneve bie nga 61 në 27 përqind, por kryesisht sepse modeli përgjigjet në më pak pyetje. Shkalla e përgjigjeve bie nga 77 në 53 përqind.

Rezultatet më të mira vijnë pjesërisht me koston e përdorimit më të lartë të tokenëve. Inkling 2 Small prodhon mesatarisht afërsisht 150,000 tokena dalës për detyrë, rreth katër herë më shumë se paraardhësi i tij. Me 1.18 dollarë për detyrë, kushton gati gjashtë herë më shumë, sipas Artificial Analysis. Kjo është ende shumë më lirë se Gemini 3.8 Flash (7.77 dollarë) ose Claude Sonnet 5.5 (10.02 dollarë), dhe është më afër gamës së çmimeve të modeleve kineze me kosto të ulët.

Thinking Machines thotë se e trajnoi modelin me mësim përforcues në qindra mijëra detyra kodimi me horizont të gjatë. Një sistem vlerësimi i automatizuar kontrolloi nëse kodi funksiononte dhe si modeli i afrohej secilës detyrë. Në FrontierCode 2.0, Inkling 2 Small arrin 25.4 përqind, në DeepSWE 72.1 përqind dhe në SWEBench Pro v2 (Hard) 86.3 përqind. Deepseek-V4.1-Flash i ri ende kryeson në shumicën e këtyre testeve, duke arritur 28.5 përqind në FrontierCode dhe 77 përqind në DeepSWE.

Thinking Machines thotë se modeli është më i forti në njohjen e tekstit, interpretimin e infografikëve dhe arsyetimin vizual. Në dokumentin GDP.pdf, i cili teston nëse modelet mund t’u përgjigjen pyetjeve nga dokumente komplekse PDF, ai merr një rezultat prej 25.2 përqind, më i larti midis modeleve të krahasuara. Në MMMU Pro, një pikë referimi për kuptimin multimodal të detyrave akademike që përfshijnë diagrame dhe figura, Inkling 2 Small arrin 81.6 përqind.

Në PerceptionBench, i cili teston aftësinë e perceptimit vizual të modeleve multimodale, ai kryeson me 64.7 përqind. Për krijimin vizual, modeli fiton një vlerësim Elo prej 1,340 në faqen e internetit DesignArena, ku përdoruesit vlerësojnë faqet e internetit të gjeneruara nga IA në krahasime kokë më kokë. Ky është rezultati më i lartë midis modeleve me peshë të hapur. Thinking Machines thotë se modeli ka bërë gjithashtu përparim në modelimin 3D.

Në një demonstrim disi të pazakontë, ekipi e vuri modelin përballë studiuesve të vet në një degustacion vere të verbër. Duke punuar vetëm duke u bazuar në një foto, Inkling 2 Small identifikoi saktë tre verëra në 19 nga 20 përpjekje.

Kohëzgjatja totale e trajnimit është jashtëzakonisht kompakte krahasuar me konkurrencën. Në të gjitha fazat, modeli përpunoi rreth 12 trilion tokena, sipas Thinking Machines, shumë më pak se rivalët e krahasueshëm. Faza e të mësuarit me përforcim pas trajnimit bazë kishte nevojë vetëm për 3 trilion tokena në 2,048 GPU gjatë nëntë ditëve.

Thinking Machines thotë se modeli ndonjëherë komunikon në mënyrë joefikase, dhe ky është ndoshta një problem më i madh, pasi nuk zgjedh gjithmonë mjetet më të mira për baza të mëdha kodesh. Nuk mbështet audion dhe është më pak i optimizuar për biseda. Gjithashtu mund të reagojë tepër ndaj temave që lidhen me shëndetin dhe të prodhojë rezultate të paqëndrueshme.

Për momentin, Thinking Machines e ofron modelin përmes platformës së saj Tinker. Kompania planifikon të publikojë peshat sipas një licence Apache 2.0 sapo të përfundojë testimi i jashtëm i sigurisë. Kjo është një nga licencat më tolerante me burim të hapur dhe një avantazh ndaj licencave më kufizuese me peshë të hapur, siç janë ato nga Meta ose Mistral. Thinking Machines thotë se modeli i përket një familjeje me madhësi të ndryshme dhe kompania planifikon të publikojë më shumë variante së shpejti.