Thinking Machines Lab, la startup de inteligencia artificial fundada por la ex directora de tecnología de OpenAI, Mira Murati, lanzó un nuevo modelo de pesos abiertos el 20 de noviembre de 2026: Inkling 2 Mini, un modelo compacto construido alrededor de una arquitectura inusual que, según la compañía, le permite superar con creces su número de parámetros. El modelo es lo suficientemente pequeño como para ejecutarse localmente en una computadora portátil de consumo, con una memoria total de aproximadamente 20 GB.
Las cifras de los titulares son sorprendentes para la categoría de tamaño. Según el anuncio de la compañía, Inkling 2 Mini lidera todos los modelos de peso abierto con menos de 100 mil millones de parámetros totales en DeepSWE v1.1, resolviendo el 48,2 por ciento de las tareas, y en Vals Index v2.2, con una puntuación del 46,5 por ciento. Ambos puntos de referencia miden la capacidad de codificación agente, una de las fronteras de capacidad más disputadas comercialmente en la industria en este momento. Para más contexto sobre esta historia, consulta nuestra novedades de IA.
¿Qué hace que un transformador en bucle sea diferente?
Inkling 2 Mini es un transformador en bucle. En lugar de pasar cada token a través de cada capa exactamente una vez, el modelo ejecuta las capas intermedias tres veces por token. De hecho, el modelo puede aplicar cálculos más secuenciales a un problema sin generar más tokens de salida.
El planteamiento de la empresa es que el bucle permite al modelo razonar durante más tiempo sin escribir su razonamiento. El razonamiento tradicional en cadena de pensamiento gasta fichas en pasos intermedios visibles; En su lugar, el bucle gasta cálculo. Esto tiene consecuencias reales para la velocidad en tareas en las que la calidad del razonamiento importa más que el recuento de tokens, y la codificación agente es exactamente ese tipo de tarea.
Bajo el capó, Inkling 2 Mini es un modelo de mezcla de expertos con 26,4 mil millones de parámetros totales y solo 3,4 mil millones de activos por token, con 5,4 mil millones de activaciones de peso por token una vez que se tiene en cuenta el bucle. La mayoría de los pesos fueron entrenados y se implementan de forma nativa en NVFP4, el formato de baja precisión que Nvidia ha estado impulsando en su línea de centros de datos, y las últimas cuatro capas se mantienen en MXFP8. La combinación de una cuantificación agresiva y un pequeño recuento de parámetros activos es lo que reduce el modelo a un espacio de aproximadamente 20 GB que cabe en computadoras portátiles y máquinas de escritorio con inteligencia artificial.
El laboratorio demostró el modelo funcionando sin conexión, en modo avión, en una MacBook Pro con un chip M5 Pro y 48 GB de memoria, donde construyó un simulador de vuelo reproducible en unos minutos.
La compensación de la monitorización
El lanzamiento va acompañado de investigaciones que pueden importar más que los puntos de referencia. Si un modelo razona internamente a través de bucles en lugar de expresar su cadena de pensamiento en tokens, entonces el texto de razonamiento visible deja de ser una ventana fiel a lo que el modelo está haciendo realmente. Esto tiene implicaciones para la investigación de la seguridad de la IA, donde monitorear la cadena de pensamiento se ha convertido en una de las pocas herramientas prácticas de supervisión disponibles.
Junto con Inkling 2 Mini, Thinking Machines lanzó una variante de bucle variable específica de la investigación para medir el efecto. Los resultados van en una dirección alentadora para la capacidad, pero complicada para la supervisión. El horizonte temporal del modelo de bucle variable en tareas completadas sin ninguna cadena de pensamiento mejoró de 16 segundos en una sola pasada a 37 segundos en tres bucles, y el rendimiento en un punto de referencia de razonamiento en serie siguió mejorando hasta diez bucles, el doble de los que se entrenaron con el modelo.
Mientras tanto, la cadena de pensamiento visible se acortó a medida que se agregaron bucles, pero la compañía informa que permaneció legible en todo momento y que el modelo no tuvo una tendencia más alta en las pruebas de sabotaje agente a medida que aumentó la profundidad de los bucles. Thinking Machines los describe como algunos de los primeros modelos de arquitectura en bucle disponibles para los investigadores, posicionando el lanzamiento en parte como una invitación para que la comunidad de seguridad estudie la monitorización en pesos reales en lugar de configuraciones simuladas.
Una jugada competitiva en la clase Sub-100B
Los puntos de referencia colocan al Inkling 2 Mini frente a un campo abarrotado de sub-100B que incluye modelos Gemma 4 en el rango 26B-31B, Qwen3.8-27B, Muse Glimmer y un modelo de vista previa de 65B llamado Ripple. Thinking Machines afirma que su modelo también funciona más rápido que competidores con rendimiento similar, citando el rendimiento teórico del token en un lote de tamaño uno.
El segmento sub-100B se ha vuelto estratégicamente importante por dos razones. En primer lugar, la implementación privada y en el dispositivo está creciendo rápidamente a medida que las empresas se resisten a enviar datos confidenciales a las API alojadas. En segundo lugar, la economía por token para la inferencia local favorece cada vez más los modelos pequeños y agresivamente cuantificados en lugar de copias destiladas de los grandes. Un MoE de 26,4 mil millones que se ejecuta de forma nativa en NVFP4 con computación en bucle es una respuesta directa a ese mercado.
El modelo está disponible en Hugging Face con una tarjeta de modelo publicada, y Thinking Machines está promoviendo el acceso a través de su plataforma de ajuste Tinker. Entre esta versión y los modelos anteriores de la familia Inkling del laboratorio, la startup está construyendo una identidad técnica distintiva en torno al escalado de computación de estilo recurrente en un momento en que la mayoría de los laboratorios fronterizos siguen centrados en el escalamiento de parámetros y datos.
Ya sea que el bucle se convierta en una arquitectura convencional o siga siendo un nicho, el lanzamiento marca un momento notable: una de las nuevas empresas de IA más seguidas está apostando a que un cálculo más inteligente por token (no más tokens ni más parámetros) es donde se vivirán las próximas ganancias.
---
Mantente al Día con la IALas últimas noticias, análisis y avances de inteligencia artificial, en un solo lugar.
Leer más noticias de IA →