Thinking Machines Lab, start-up założony przez byłą dyrektor ds. technologii OpenAI Mirę Murati, 5 listopada wprowadził Inkling 2 Small, drugą generację rodziny modeli i wersję, która według firmy zapewnia znaczny postęp w kodowaniu agentycznym, wizji, pracy opartej na wiedzy i rozumowaniu. Model zadebiutuje z zamkniętymi ciężarkami na firmowej platformie Tinker, a w pełni otwarte ciężarki zostaną obiecane w ramach licencji Apache 2.0 w przyszłym tygodniu, po zakończeniu zewnętrznych testów bezpieczeństwa i czerwonego zespołu. Jest to jedna z najchętniej obserwowanych premier modeli w ciągu tygodnia wypełnionego premierami i bierze udział w wyścigu ciężarów otwartych, który codziennie śledzimy w naszych najnowszych osiągnięciach sztucznej inteligencji.

Co pokazują liczby

Inkling 2 Small to model mieszanki ekspertów (MoE) z 594 miliardami parametrów całkowitych i 17 miliardami aktywnych na wnioskowanie — konstrukcja, która pozwala utrzymać koszty obliczeń na rozsądnym poziomie pomimo rozmiaru modelu. Obsługuje wejścia obrazu i zmienny wysiłek, umożliwiając użytkownikom zamianę głębokości reakcji na szybkość w zależności od zadania.

Główne twierdzenie pochodzi z Indeksu sztucznej analizy, według którego firma Inkling 2 Small uzyskała wynik 31, co według niej znacznie przewyższa wyniki jego poprzednich modeli. Thinking Machines przypisuje ten zysk ulepszeniom „na każdym etapie” treningu, w tym bardziej efektywnemu treningowi przedtreningowemu i dużemu, ujednoliconemu cyklowi uczenia się przez wzmacnianie.

W testach porównawczych kodowania opublikowanych w ogłoszeniu Inkling 2 Small uzyskał dobre, ale nie jednolicie czołowe wyniki w dziedzinie obejmującej GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017, Muse Spark i Kimi K3. Uzyskał 86,3% w SWEBench Pro v2 (Hard) — drugi najwyższy wynik w porównaniu, za 88,2% Kimi K3 — i 72,1% w DeepSWE v1.1, gdzie Muse Spark prowadził z wynikiem 77,0%. Na FrontierCode v2.0 osiągnął on 25,4%, ustępując miejsca 28,5% Muse Spark, a w Vibe Code Bench v1.1 osiągnął 81,6%.

Przeszkolony do pracy jako agent długoterminowy

Firma twierdzi, że zdolności agentyczne modelu wynikają z uczenia się przez wzmacnianie setek tysięcy długoterminowych zadań kodowania, realizowanych z wykorzystaniem wielu wiązek agentów i strategii zagęszczania kontekstu. Warto zauważyć, że Thinking Machines wykraczało poza proste nagrody za testy jednostkowe: wiele zadań szkoleniowych obejmowało agenta oceniającego RL, który oceniał, jak model podszedł do problemu, a nie tylko to, czy końcowy kod przeszedł pomyślnie.

Zespół przetestował także wczesne punkty kontrolne w środowisku naturalnym, uruchamiając je w środowisku OpenCode pod kryptonimem „Fledge-Alpha”, aby zmierzyć wydajność w świecie rzeczywistym. Zgodnie z zapowiedzią powstał model, który lepiej niż poprzednik postępuje zgodnie z instrukcjami, uważnie rozważa zmiany i bez pytania weryfikuje swoją pracę.

Wizja, korzystanie z komputera i interaktywne demonstracje

Inkling 2 Small rozszerza rodzinę poza tekst. Firma prezentuje wersje demonstracyjne, w których model wykorzystał Three.js do zbudowania od podstaw pełnego symulatora miasta – generując każdy budynek, teksturę i samochód proceduralnie, bez żadnych gotowych zasobów – i napisał działający emulator komputera PC w Pythonie, który uruchamia prawdziwe jądro Linuksa, widoczne w przeglądarce. Kolejne demo pokazuje generowanie modelu i poprawianie scen w Blenderze, w tym ręcznie rysowaną dolinę z animowanymi żurawiami origami.

Te wersje demonstracyjne podkreślają charakter wydania: model, który może uwzględniać wizualne informacje zwrotne i iteracyjnie udoskonalać to, co tworzy — strony internetowe, gry, projekty 3D — zamiast tworzyć jednorazowe wyniki.

Ścieżka otwartych ciężarów

Wydanie etapowe opiera się na podejściu Thinking Machines przedstawionym we wcześniejszym eseju „Bezpieczna ścieżka do otwarcia ciężarów”. Inkling 2 Small jest dostępny już dzisiaj za pośrednictwem Tinker, gdzie użytkownicy mogą wypróbować go na placu zabaw i używać go do dostrajania i pobierania próbek. Punkty kontrolne będą dostępne do pobrania po udostępnieniu wag w ramach Apache 2.0, co zaplanowano na przyszły tydzień po zakończeniu zewnętrznych testów bezpieczeństwa i zakończeniu współpracy z red-teamem.

Strategia nawiązuje do pierwszej generacji firmy: oryginalnego flagowca Inkling i mniejszego Inkling-Small, modelu otwartego o 276 miliardach parametrów, wydanego na początku tego roku, który przykuł uwagę ze względu na dorównującą wydajnością flagowemu produktowi przy ułamku jego wielkości. Dzięki Inkling 2 Small laboratorium realizuje tę samą tezę, że na pierwszym miejscu jest wydajność — większa całkowita pojemność, niewielka powierzchnia czynna.

Dlaczego to ma znaczenie

Amerykańskie laboratoria historycznie pozostawały w tyle za chińskimi konkurentami w dostarczaniu otwartych ciężarków zdolnych do transportu granicznego, a różnica ta zmniejszała się wraz z pojawianiem się publikacji Z.ai, DeepSeek, Tencent i Moonshot tydzień po tygodniu. Thinking Machines jest obecnie najbardziej znaczącym uczestnikiem rynku w USA, a wydanie drugiej generacji, które pojawiło się tak szybko po pierwszym, sugeruje, że laboratorium wykonuje iteracje szybciej, niż wielu się spodziewało.

Zastrzeżenia stanowią same porównania porównawcze. Thinking Machines wybrało porównania i w każdym rzędzie oznaczyło „najwyższe odnotowane” wyniki — a w kilku z tych rzędów Inkling 2 Small zajął drugie miejsce, a nie pierwsze. Wydanie Apache 2.0 w przyszłym tygodniu będzie prawdziwym testem: gdy programiści będą mogli samodzielnie pobierać i sprawdzać wagi, marketing ustąpi miejsca pomiarom. Na razie w ogłoszeniu Inkling 2 Small jest dowodem na to, że koło zamachowe modelu i produktu start-upu się kręci i że na granicy ciężarów otwartych toczy się obecnie prawdziwie transpacyficzna rywalizacja.

Wyprzedź sztuczną inteligencję

Co tydzień nowe modele z otwartą wagą przybywają z laboratoriów na trzech kontynentach. Bądź na bieżąco z każdą wersją dzięki naszemu relacjom branży AI.

Przeczytaj więcej aktualności o sztucznej inteligencji →