Thinking Machines Lab, start-up zajmujący się sztuczną inteligencją założony przez byłą dyrektor ds. technologii OpenAI Mirę Murati, wypuścił 20 listopada 2026 r. nowy model z otwartą wagą: Inkling 2 Mini, kompaktowy model zbudowany w oparciu o niezwykłą architekturę, która według firmy pozwala na wydajność znacznie przekraczającą liczbę parametrów. Model jest na tyle mały, że można go uruchomić lokalnie na laptopie konsumenckim, a całkowita pojemność pamięci wynosi około 20 GB.

Liczby nagłówkowe są uderzające jak na klasę wielkości. Zgodnie z zapowiedzią firmy, Inkling 2 Mini przoduje we wszystkich modelach z otwartą wagą, uzyskując mniej niż 100 miliardów parametrów całkowitych w DeepSWE v1.1, rozwiązując 48,2% zadań, oraz w Vals Index v2.2, uzyskując 46,5%. Obydwa testy mierzą zdolność kodowania agentowego, która jest obecnie jedną z najbardziej kwestionowanych pod względem komercyjnym granic możliwości w branży. Więcej kontekstu na ten temat znajdziesz w naszych najnowsze osiągnięcia AI.

Co wyróżnia transformator z pętlą

Inkling 2 Mini to transformator zapętlony. Zamiast przepuszczać każdy żeton przez każdą warstwę dokładnie raz, model uruchamia warstwy środkowe trzy razy na żeton. W rezultacie model może zastosować do problemu bardziej sekwencyjne obliczenia bez generowania większej liczby tokenów wyjściowych.

Firma stoi na stanowisku, że pętla pozwala modelowi na dłuższe rozumowanie bez zapisywania uzasadnienia. Tradycyjne rozumowanie oparte na łańcuchu myślowym wydaje żetony na widoczne etapy pośrednie; Zamiast tego pętla zużywa obliczenia. Ma to realne konsekwencje dla szybkości zadań, w których jakość rozumowania jest ważniejsza niż liczba żetonów, a kodowanie agentowe jest dokładnie takim zadaniem.

Pod maską Inkling 2 Mini to model będący mieszanką ekspertów z 26,4 miliardami parametrów ogółem i zaledwie 3,4 miliardami aktywności na token, z 5,4 miliardami aktywacji na token po uwzględnieniu zapętlenia. Większość obciążników została wyszkolona i wdrożona natywnie w NVFP4, formacie o niskiej precyzji, który Nvidia rozpowszechnia w swoich centrach danych, a ostatnie cztery warstwy są przechowywane w MXFP8. Połączenie agresywnej kwantyzacji i małej liczby aktywnych parametrów powoduje, że model zajmuje powierzchnię około 20 GB, która mieści się na laptopach i komputerach stacjonarnych wyposażonych w sztuczną inteligencję.

Laboratorium zademonstrowało działanie modelu w trybie offline, w trybie samolotowym, na MacBooku Pro z chipem M5 Pro i 48 GB pamięci, gdzie w kilka minut zbudowano grywalny symulator lotu.

Kompromis w zakresie możliwości monitorowania

Wydaniu towarzyszą badania, które mogą mieć większe znaczenie niż benchmarki. Jeśli model rozumuje wewnętrznie poprzez pętle, zamiast wyrażać swój łańcuch myślowy w tokenach, wówczas widoczny tekst rozumowania przestaje być wiernym oknem na to, co faktycznie robi model. Ma to konsekwencje dla badań nad bezpieczeństwem sztucznej inteligencji, gdzie monitorowanie łańcucha myślowego stało się jednym z niewielu dostępnych praktycznych narzędzi nadzoru.

Oprócz Inkling 2 Mini firma Thinking Machines wypuściła przeznaczony do badań wariant ze zmienną pętlą do pomiaru efektu. Wyniki skierowały się w zachęcającym kierunku w zakresie zdolności, komplikując się w zakresie nadzoru. Horyzont czasowy modelu o zmiennej pętli w przypadku zadań wykonanych bez żadnego łańcucha myślowego poprawił się z 16 sekund przy jednym przejściu do 37 sekund przy trzech pętlach, a wydajność w teście porównawczym wnioskowania szeregowego stale poprawiała się do dziesięciu pętli — dwa razy więcej niż model był szkolony.

Tymczasem widoczny łańcuch myślowy stał się krótszy w miarę dodawania pętli, ale firma twierdzi, że pozostał on czytelny przez cały czas, a model nie uzyskał wyższej tendencji w testach sabotażu agenta w miarę zwiększania się głębokości pętli. Thinking Machines opisuje je jako jedne z pierwszych dostępnych badaczom modeli o architekturze zapętlonej, pozycjonując tę ​​publikację częściowo jako zaproszenie dla społeczności zajmującej się bezpieczeństwem do zbadania możliwości monitorowania na rzeczywistych ciężarach, a nie na symulowanych konfiguracjach.

Rywalizacja w klasie Sub-100B

W testach porównawczych Inkling 2 Mini wypada na tle zatłoczonego pola poniżej 100B, które obejmuje modele Gemma 4 z zakresu 26B–31B, Qwen3.8-27B, Muse Glimmer i model poglądowy 65B o nazwie Ripple. Thinking Machines twierdzi, że jej model działa również szybciej niż konkurenci o podobnych wynikach, powołując się na teoretyczną przepustowość tokena w partii o wielkości pierwszej.

Segment poniżej 100B stał się strategicznie ważny z dwóch powodów. Po pierwsze, szybko rośnie liczba wdrożeń prywatnych i na urządzeniach, ponieważ przedsiębiorstwa wzbraniają się przed wysyłaniem wrażliwych danych do hostowanych interfejsów API. Po drugie, ekonomia przypadająca na token w przypadku wnioskowania lokalnego coraz bardziej faworyzuje małe, agresywnie skwantowane modele zamiast destylowanych kopii dużych. MoE 26.4B, które działa natywnie w NVFP4 z obliczeniami w pętli, jest bezpośrednią odpowiedzią na ten rynek.

Model jest dostępny na Hugging Face z opublikowaną kartą modelu, a Thinking Machines promuje dostęp za pośrednictwem swojej platformy dostrajania Tinker. Pomiędzy tą wersją a wcześniejszymi modelami z rodziny Inkling opracowanymi przez laboratorium, startup buduje odrębną tożsamość techniczną wokół skalowania obliczeniowego w stylu rekurencji w czasie, gdy większość pionierskich laboratoriów w dalszym ciągu koncentruje się na skalowaniu parametrów i danych.

Niezależnie od tego, czy pętla stanie się architekturą głównego nurtu, czy pozostanie niszą, wydanie to będzie znaczącym momentem: jeden z najchętniej obserwowanych start-upów zajmujących się sztuczną inteligencją obstawia, że ​​dzięki inteligentniejszym obliczeniom na token – a nie większej liczbie tokenów i nie większej liczbie parametrów – pojawią się kolejne zyski.

---

Bądź na Bieżąco z AI

Najnowsze wiadomości, analizy i przełomy w dziedzinie AI — wszystko w jednym miejscu.

Czytaj więcej wiadomości AI →