Wat de cijfers laten zien
Inkling 2 Small is een Mixture-of-Experts (MoE)-model met in totaal 594 miljard parameters en 17 miljard actieve per gevolgtrekking – een ontwerp dat de computerkosten beheersbaar houdt ondanks de omvang van het model. Het ondersteunt beeldinvoer en variabele inspanning, waardoor gebruikers de responsdiepte kunnen inruilen voor snelheid, afhankelijk van de taak.
De kopclaim komt uit de Artificial Analysis Intelligence Index, waar het bedrijf zegt dat Inkling 2 Small 31 scoorde, wat volgens het bedrijf de scores van zijn eerdere modellen ver overtreft. Thinking Machines schrijft de winst toe aan verbeteringen ‘bij elke stap’ van de training, waaronder een efficiëntere voortraining en een grote, uniforme leerrun voor versterking.
Op codeerbenchmarks die in de aankondiging zijn gepubliceerd, boekte Inkling 2 Small sterke maar niet uniform toonaangevende resultaten in een veld dat onder meer GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017, Muse Spark en Kimi K3 omvat. Het scoorde 86,3% op SWEBench Pro v2 (Hard) – op een na hoogste in de vergelijking, na de 88,2% van Kimi K3 – en 72,1% op DeepSWE v1.1, waar Muse Spark met 77,0% aan kop stond. Op FrontierCode v2.0 bereikte het 25,4%, op de tweede plaats na de 28,5% van Muse Spark, en op Vibe Code Bench v1.1 noteerde het 81,6%.
Opgeleid voor agentwerk op lange horizon
Het bedrijf zegt dat de agentische vaardigheden van het model voortkomen uit versterkend leren op honderdduizenden codeertaken met een lange horizon, uitgevoerd via meerdere agentharnassen en contextverdichtingsstrategieën. Opvallend is dat Thinking Machines verder ging dan eenvoudige unit-testbeloningen: veel trainingstaken omvatten een agentische RL-grader die evalueerde hoe het model een probleem benaderde, en niet alleen of de uiteindelijke code slaagde.
Het team testte ook vroege controlepunten in het wild en draaide ze op OpenCode onder de codenaam "Fledge-Alpha" om de prestaties in de echte wereld te meten. Volgens de aankondiging is het resultaat een model dat de instructies beter volgt dan zijn voorganger, veranderingen zorgvuldig overweegt en zijn eigen werk verifieert zonder dat erom wordt gevraagd.
Visie, computergebruik en interactieve demo's
Inkling 2 Small breidt de familie verder uit dan tekst. Het bedrijf belicht demo's waarin het model Three.js gebruikte om een volledige stadssimulator helemaal opnieuw te bouwen – waarbij elk gebouw, elke textuur en elke auto procedureel werd gegenereerd zonder vooraf gemaakte middelen – en een werkende pc-emulator in Python schreef die een echte Linux-kernel opstart, zichtbaar in de browser. Een andere demo laat zien hoe het model scènes genereert en bewerkt in Blender, waaronder een handgetekende vallei met geanimeerde origami-kraanvogels.
Deze demo's onderstrepen de pitch van de release: een model dat visuele feedback kan integreren en iteratief kan verfijnen wat het bouwt (websites, games, 3D-ontwerpen) in plaats van one-shot output te produceren.
Het pad met open gewichten
De gefaseerde release volgt de aanpak die Thinking Machines heeft uiteengezet in zijn eerdere essay 'Safe Path to Open Weights'. Inkling 2 Small is vandaag verkrijgbaar via Tinker, waar gebruikers het op de speelplaats kunnen uitproberen en gebruiken voor verfijning en sampling. Checkpoints kunnen worden gedownload zodra de gewichten worden vrijgegeven onder Apache 2.0, gepland voor volgende week nadat externe veiligheidstests en red-teaming zijn afgerond.
De strategie weerspiegelt de eerste generatie van het bedrijf: het originele vlaggenschip van Inkling en de kleinere Inkling-Small, een model met een open gewicht van 276 miljard parameters dat eerder dit jaar werd uitgebracht en dat veel aandacht trok omdat het de prestaties van het vlaggenschip evenaarde bij een fractie van de grootte. Met Inkling 2 Small verdubbelt het laboratorium dezelfde stelling waarbij efficiëntie voorop staat: grotere totale capaciteit, kleine actieve voetafdruk.
Waarom het ertoe doet
Amerikaanse laboratoria hebben historisch gezien de Chinese concurrenten achter zich gelaten wat betreft het verzenden van open gewichten die geschikt zijn voor de grens, een kloof die kleiner is geworden naarmate de releases van Z.ai, DeepSeek, Tencent en Moonshot week na week binnenkwamen. Thinking Machines is nu de meest prominente nieuwkomer in de VS, en een release van de tweede generatie zo kort na de eerste suggereert dat het lab sneller itereert dan velen hadden verwacht.
De kanttekeningen zijn de benchmarkvergelijkingen zelf. Thinking Machines koos de vergelijkingen en bestempelde de ‘hoogst gerapporteerde’ scores in elke rij – en in een aantal van die rijen werd Inkling 2 Small tweede, niet eerste. De Apache 2.0-release volgende week zal de echte test zijn: zodra ontwikkelaars de gewichten zelfstandig kunnen downloaden en onderzoeken, maakt de marketing plaats voor metingen. Voorlopig positioneert de aankondiging Inkling 2 Small als bewijs dat het model-productvliegwiel van de startup draait – en dat de open-weights-grens nu een werkelijk transpacifische strijd kent.
Blijf AI een stap voor
Elke week landen er nieuwe modellen met open gewicht vanuit laboratoria op drie continenten. Blijf op de hoogte van elke release via onze [AI-industrieverslaggeving] (https://aibuzzwire.news).
Lees meer AI-nieuws →
