Was die Zahlen zeigen
Inkling 2 Small ist ein Mixture-of-Experts (MoE)-Modell mit 594 Milliarden Gesamtparametern und 17 Milliarden aktiven pro Inferenz – ein Design, das die Rechenkosten trotz der Größe des Modells überschaubar hält. Es unterstützt Bildeingaben und variablen Aufwand, sodass Benutzer je nach Aufgabe die Reaktionstiefe gegen die Geschwindigkeit eintauschen können.
Die Schlagzeile stammt aus dem Artificial Analysis Intelligence Index, wo das Unternehmen angibt, dass der Inkling 2 Small 31 erreichte, womit er die Werte seiner Vorgängermodelle bei weitem übertrifft. Thinking Machines führt den Gewinn auf Verbesserungen „bei jedem Schritt“ des Trainings zurück, darunter ein effizienteres Vortraining und einen großen, einheitlichen Lernlauf zur Verstärkung.
Bei den in der Ankündigung veröffentlichten Coding-Benchmarks erzielte Inkling 2 Small starke, aber nicht einheitlich führende Ergebnisse im Vergleich zu einem Feld, zu dem GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017, Muse Spark und Kimi K3 gehören. Es erzielte 86,3 % auf SWEBench Pro v2 (Schwer) – die zweithöchste im Vergleich, hinter Kimi K3 mit 88,2 % – und 72,1 % auf DeepSWE v1.1, wo Muse Spark mit 77,0 % an der Spitze lag. Auf FrontierCode v2.0 erreichte er 25,4 % und lag damit hinter Muse Spark mit 28,5 % an zweiter Stelle, und auf Vibe Code Bench v1.1 erreichte er 81,6 %.
Ausgebildet für die Arbeit als Long-Horizon-Agent
Das Unternehmen gibt an, dass die Agentenfähigkeiten des Modells auf dem verstärkenden Lernen von Hunderttausenden langwierigen Codierungsaufgaben beruhen, die über mehrere Agentensysteme und Kontextkomprimierungsstrategien laufen. Bemerkenswert ist, dass Thinking Machines über einfache Unit-Test-Belohnungen hinausging: Viele Trainingsaufgaben beinhalteten einen agentischen RL-Grader, der bewertete, wie das Modell an ein Problem heranging, und nicht nur, ob der endgültige Code erfolgreich war.
Das Team testete auch frühe Checkpoints in freier Wildbahn und ließ sie auf OpenCode unter dem Codenamen „Fledge-Alpha“ laufen, um die Leistung in der Praxis zu messen. Das Ergebnis ist laut Ankündigung ein Modell, das Anweisungen besser befolgt als sein Vorgänger, Änderungen sorgfältig überlegt und die eigene Arbeit ungefragt überprüft**.
Vision, Computernutzung und interaktive Demos
Inkling 2 Small erweitert die Familie über den Text hinaus. Das Unternehmen hebt Demos hervor, in denen das Modell Three.js verwendete, um einen vollständigen Stadtsimulator von Grund auf zu erstellen – jedes Gebäude, jede Textur und jedes Auto prozedural ohne vorgefertigte Assets generierte – und einen funktionierenden PC-Emulator in Python schrieb, der einen echten Linux-Kernel startet, der im Browser angezeigt werden kann. Eine weitere Demo zeigt, wie das Modell Szenen in Blender generiert und überarbeitet, darunter ein handgezeichnetes Tal mit animierten Origami-Kranichen.
Diese Demos unterstreichen den Kern der Veröffentlichung: ein Modell, das visuelles Feedback integrieren und iterativ verfeinern kann, was es erstellt – Websites, Spiele, 3D-Designs –, anstatt eine einmalige Ausgabe zu produzieren.
Der Open-Weights-Pfad
Die gestaffelte Veröffentlichung folgt dem Ansatz, den Thinking Machines in seinem früheren Aufsatz „Sicherer Weg zu offenen Gewichten“ dargelegt hat. Inkling 2 Small ist heute über Tinker erhältlich, wo Benutzer es auf dem Spielplatz ausprobieren und zur Feinabstimmung und zum Sampling verwenden können. Checkpoints können heruntergeladen werden, wenn die Gewichte unter Apache 2.0 veröffentlicht werden. Dies ist für nächste Woche geplant, nachdem externe Sicherheitstests und Red-Teaming abgeschlossen sind.
Die Strategie spiegelt die erste Generation des Unternehmens wider: das ursprüngliche Inkling-Flaggschiff und den kleineren Inkling-Small, ein Open-Weight-Modell mit 276 Milliarden Parametern, das Anfang des Jahres auf den Markt kam und große Aufmerksamkeit auf sich zog, weil es die Leistung eines Flaggschiffs bei einem Bruchteil der Größe erreichte. Mit Inkling 2 Small verdoppelt das Labor die gleiche Effizienz-First-These – größere Gesamtkapazität, kleiner aktiver Platzbedarf.
Warum es wichtig ist
Amerikanische Labore lagen in der Vergangenheit bei der Lieferung grenzüberschreitender offener Gewichte hinter chinesischen Konkurrenten zurück, ein Abstand, der sich verringert hat, da Woche für Woche Veröffentlichungen von Z.ai, DeepSeek, Tencent und Moonshot auf den Markt kommen. Thinking Machines ist jetzt der prominenteste US-Neuzugang und eine Veröffentlichung der zweiten Generation, so kurz nach der ersten, dass das Labor schneller iteriert, als viele erwartet hatten.
Die Vorbehalte sind die Benchmark-Vergleiche selbst. Thinking Machines wählte die Vergleiche aus und beschriftete die „höchsten gemeldeten“ Ergebnisse in jeder Zeile – und in mehreren dieser Zeilen belegte Inkling 2 Small den zweiten und nicht den ersten Platz. Die Veröffentlichung von Apache 2.0 nächste Woche wird der eigentliche Test sein: Sobald Entwickler die Gewichte unabhängig herunterladen und testen können, weicht das Marketing der Messung. Die Ankündigung positioniert Inkling 2 Small vorerst als Beweis dafür, dass sich das Modellproduktschwungrad des Startups dreht – und dass die Grenze der offenen Gewichte jetzt einen wirklich transpazifischen Wettbewerb hat.
Bleiben Sie der KI immer einen Schritt voraus
Jede Woche kommen neue Modelle mit offenem Gewicht aus Laboren auf drei Kontinenten auf den Markt. Bleiben Sie mit unserer KI-Branchenberichterstattung über jede Veröffentlichung auf dem Laufenden.
Weitere KI-Neuigkeiten lesen →
