Thinking Machines Lab, permulaan AI yang diasaskan oleh bekas ketua pegawai teknologi OpenAI, Mira Murati, mengeluarkan model berwajaran terbuka baharu pada 20 November 2026: Inkling 2 Mini, model kompak yang dibina di sekeliling seni bina luar biasa yang dikatakan syarikat itu membolehkannya mencapai jumlah parameternya jauh lebih tinggi. Model ini cukup kecil untuk dijalankan secara tempatan pada komputer riba pengguna, dengan jumlah jejak memori kira-kira 20GB.

Nombor tajuk menarik untuk kelas saiz. Menurut pengumuman syarikat itu, Inkling 2 Mini mendahului setiap model wajaran terbuka dengan jumlah parameter kurang daripada 100 bilion pada DeepSWE v1.1, menyelesaikan 48.2 peratus tugas dan pada Indeks Vals v2.2, menjaringkan 46.5 peratus. Kedua-dua penanda aras mengukur keupayaan pengekodan agen, salah satu sempadan keupayaan yang paling banyak dipertandingkan secara komersial dalam industri sekarang. For more context on this story, see our ongoing artificial intelligence updates.

Apa yang Membuatkan Transformer Bergelung Berbeza

Inkling 2 Mini ialah pengubah bergelung. Daripada menghantar setiap token melalui setiap lapisan tepat sekali, model menjalankan lapisan tengahnya tiga kali setiap token. Sebenarnya, model boleh menggunakan lebih banyak pengiraan berjujukan kepada masalah tanpa menghasilkan lebih banyak token output.

Pembingkaian syarikat ialah gelung membenarkan model membuat alasan lebih lama tanpa menulis alasannya. Penaakulan rantaian pemikiran tradisional membelanjakan token pada langkah perantaraan yang boleh dilihat; gelung membelanjakan mengira sebaliknya. Itu mempunyai akibat sebenar untuk kepantasan tugas di mana kualiti penaakulan lebih penting daripada kiraan token, dan pengekodan agen adalah tugas seperti itu.

Di bawah tudung, Inkling 2 Mini ialah model Campuran Pakar dengan 26.4 bilion jumlah parameter dan hanya 3.4 bilion aktif bagi setiap token, dengan 5.4 bilion pengaktifan berat bagi setiap token setelah gelung diambil kira. Kebanyakan pemberat telah dilatih dan digunakan secara asli dalam NVFP4, format ketepatan rendah Nvidia telah mendorong seluruh barisan pusat datanya, dengan empat lapisan terakhir disimpan dalam MXFP8. Gabungan pengkuantitian agresif dan kiraan parameter aktif yang kecil adalah perkara yang memerah model ke dalam jejak kira-kira 20GB yang sesuai pada komputer riba dan mesin AI desktop.

Makmal menunjukkan model berjalan di luar talian, dalam mod kapal terbang, pada MacBook Pro dengan cip M5 Pro dan memori 48GB, di mana ia membina simulator penerbangan yang boleh dimainkan dalam beberapa minit.

Pertukaran Kebolehpantauan

Keluaran ini disertakan dengan penyelidikan yang mungkin lebih penting daripada penanda aras. Jika model membuat alasan secara dalaman melalui gelung dan bukannya menyatakan rantaian pemikirannya dalam token, maka teks penaakulan yang boleh dilihat berhenti menjadi tingkap yang setia kepada perkara yang sebenarnya dilakukan oleh model. Itu mempunyai implikasi untuk penyelidikan keselamatan AI, di mana rantaian pemikiran pemantauan telah menjadi salah satu daripada beberapa alat pengawasan praktikal yang tersedia.

Di samping Inkling 2 Mini, Thinking Machines mengeluarkan varian gelung pembolehubah khusus penyelidikan untuk mengukur kesannya. Keputusan memotong ke arah yang menggalakkan untuk keupayaan, yang merumitkan untuk pengawasan. Cakrawala masa model gelung pembolehubah pada tugas yang diselesaikan tanpa sebarang rantaian pemikiran bertambah baik daripada 16 saat pada satu hantaran kepada 37 saat pada tiga gelung, dan prestasi pada penanda aras penaakulan bersiri terus meningkat kepada sepuluh gelung — dua kali lebih banyak daripada model yang dilatih.

Sementara itu, rantaian pemikiran yang boleh dilihat semakin pendek apabila gelung ditambah, tetapi syarikat melaporkan ia kekal boleh dibaca sepanjang masa, dan model itu tidak menunjukkan arah aliran yang lebih tinggi pada ujian sabotaj agen apabila kedalaman gelung meningkat. Thinking Machines menggambarkan ini sebagai beberapa model seni bina bergelung pertama yang tersedia untuk penyelidik, meletakkan sebahagian keluaran sebagai jemputan untuk komuniti keselamatan untuk mengkaji kebolehpantauan pada pemberat sebenar dan bukannya persediaan simulasi.

Permainan Persaingan dalam Kelas Sub-100B

Penanda aras meletakkan Inkling 2 Mini berbanding medan sub-100B yang sesak yang merangkumi model Gemma 4 dalam julat 26B–31B, Qwen3.8-27B, Muse Glimmer dan model pratonton 65B yang dipanggil Ripple. Thinking Machines mendakwa modelnya juga berjalan lebih pantas daripada pesaing yang berprestasi serupa, dengan memetik daya pemprosesan token teori pada saiz kelompok satu.

Segmen sub-100B telah menjadi penting secara strategik kerana dua sebab. Pertama, penggunaan pada peranti dan persendirian berkembang pesat apabila perusahaan menolak menghantar data sensitif kepada API yang dihoskan. Kedua, ekonomi per-token untuk inferens tempatan semakin memihak kepada model yang kecil dan terkuantisasi secara agresif berbanding salinan suling yang besar. MoE 26.4B yang berjalan secara asli dalam NVFP4 dengan pengiraan gelung ialah jawapan langsung kepada pasaran itu.

Model ini tersedia di Hugging Face dengan kad model yang diterbitkan, dan Thinking Machines mempromosikan akses melalui platform penalaan halus Tinkernya. Di antara keluaran ini dan model keluarga Inkling yang lebih awal di makmal, syarikat pemula sedang membina identiti teknikal yang berbeza di sekitar penskalaan pengiraan gaya berulang pada masa kebanyakan makmal sempadan kekal tertumpu pada penskalaan parameter dan data.

Sama ada gelung menjadi seni bina arus perdana atau kekal sebagai niche, keluaran ini menandakan detik yang ketara: salah satu pemula AI yang paling diperhatikan adalah mempertaruhkan pengiraan yang lebih bijak bagi setiap token — bukan lebih banyak token, dan bukan lebih banyak parameter — adalah tempat keuntungan seterusnya berlaku.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →