Projekt złożony z ekspertów
Według TestingCatalog AI News, Inkling-Small to transformator typu Mixture-of-Experts (MoE) zawierający 276 miliardów całkowitych parametrów, z czego 12 miliardów jest aktywnych podczas dowolnego wnioskowania. Ta architektura — w której tylko niewielki wycinek modelu „budzi się” dla każdego tokena — to ten sam trik zwiększający wydajność, dzięki któremu chińskie modele o otwartej wadze, takie jak DeepSeek, są tak tanie w eksploatacji. Thinking Machines potwierdziło, że na Hugging Face zostaną ujawnione pełne ciężary.
Model jest również dostarczany z oknem kontekstowym obejmującym do miliona tokenów i tym, co laboratorium nazywa „zmiennym wysiłkiem myślenia”, od minimalnego do „xwysokiego”, umożliwiając programistom zamianę obliczeń na wydajność w zależności od zadania. Dostrajanie jest możliwe za pośrednictwem firmowej platformy Tinker, a czaty tekstowe, obrazowe i audio są dostępne w Tinker Playground.
Przeszkolony na systemach NVIDIA GB300
Thinking Machines twierdzi, że Inkling-Small był szkolony na systemach NVIDIA GB300 NVL72 i wykorzystuje „znacznie mniej mocy obliczeniowej” niż oryginalny model Inkling, który został wprowadzony na rynek 15 lipca 2026 r. Ten pierwszy model — objęty WIRED i TechCrunch jako debiutancka wersja Thinking Machines — niemal z dnia na dzień uczynił laboratorium poważnym konkurentem.
Droga do Inkling-Small ujawnia przemyślaną strategię wydajności. Laboratorium rozpoczęło pracę nad mniejszym modelem dopiero po przeszkoleniu Inklinga, wykorzystując chwilę oddechu do zrewidowania zbioru danych przedtreningowych i receptury uczenia maszynowego. Wcześniejszy punkt kontrolny w wersji zapoznawczej został przeszkolony częściowo poprzez destylację zgodnie z zasadami, przy czym Inkling pełnił rolę nauczyciela, po czym nastąpiły około dwa tygodnie skalowanej nauki wzmacniającej kodowanie agentowe.
Gdzie wygrywa — a gdzie nie
Wyniki tego przepisu są godne uwagi. Thinking Machines twierdzi, że Inkling-Small przewyższa oryginalnego Inklinga w testach porównawczych rozumowania i kodowania agentycznego, podczas gdy Inkling pozostaje silniejszy pod względem zasięgu wiedzy i faktów. W niezwykle trudnej ocenie zawierającej wyłącznie tekst Ostatni egzamin ludzkości, mniejszy model uzyskał podobno 31,6% w porównaniu z 29,7% w przypadku Inkling — co stanowi prawdziwą poprawę pomimo dramatycznego obniżenia parametrów aktywnych.
Kompromis jest jasny: Inkling-Small jest bystrzejszym programistą i rozumiakiem, podczas gdy jego większe rodzeństwo zachowuje szerszą bazę wiedzy. Dla programistów jest to funkcja, a nie błąd — oznacza to wybór odpowiedniego narzędzia do danego zadania, zamiast płacić za jeden gigantyczny model do każdego zadania.
Gracz z USA w wadze otwartej pod wodzą Chin
Być może największe implikacje mają charakter geopolityczny. Jak zauważyło CNBC i inne firmy, modele z pogranicza typu open-weight stały się punktem zapalnym w USA i Chinach, a chińskie laboratoria, takie jak DeepSeek i Qwen należące do Alibaba, udostępniają potężne modele i podcinają zachodnie ceny. Forkast bez ogródek sformułował publikację Inkling-Small: „Zawody w wadze otwartej mają teraz uczestnika z USA”.
Do tej pory czołowe modele z otwartą wagą pochodziły niemal wyłącznie z Chin, co wzbudziło obawy w Waszyngtonie, że amerykańskie laboratoria wycofują się z całej kategorii rynku. Thinking Machines – dobrze finansowany amerykański start-up kierowany przez jedną z najwybitniejszych postaci w dziedzinie sztucznej inteligencji – zmienia tę kalkulację. Wypuszczając pełne ciężary na Hugging Face i wspierając otwarte dostrajanie, laboratorium bezpośrednio gra dla społeczności programistów, którą kultywują chińskie modele z otwartą wagą.
Stworzony dla programistów, a nie tylko testów porównawczych
Thinking Machines połączyło tę wersję z narzędziami skierowanymi bezpośrednio do programistów. Oprócz otwartych obciążników Hugging Face firma Databricks potwierdziła, że na jej platformie dostępna jest rodzina Inkling, a Tinker Playground obsługuje wielomodalny czat tekstowy, obrazowy i audio od razu po wyjęciu z pudełka. Zmienne ustawienie „wysiłku myślenia” — od minimalnego do „xwysokiego” — zaprojektowano z myślą o rzeczywistych kompromisach inżynieryjnych: oszczędzaj, gdy zadanie jest proste, wydawaj więcej mocy obliczeniowej, gdy problem wymaga głębszego rozumowania. Ta elastyczność ma znaczenie dla startupów obserwujących swoje rachunki, z których wiele przeszło już na tańsze alternatywy o otwartej wadze, zamiast płacić wyższe stawki API.
Trend wydajności w całej branży
Inkling-Small pasuje również do szerszego wzoru. W całej branży najnowocześniejsze rozwiązania przesuwają się z coraz większych modeli monolitycznych w stronę mniejszych, inteligentniejszych systemów, które przewyższają swoją wagę. Od modeli DeepSeek charakteryzujących się wojną cenową po skompresowane architektury – przesłanie jest spójne: nieprzetworzona liczba parametrów ma mniejsze znaczenie niż to, jak efektywnie model wykorzystuje swoją pojemność.
W przypadku Thinking Machines przedłożenie wydajności nad rozmiarem sięga obecnie dwóch modeli, a wczesne testy porównawcze sugerują, że strategia działa. Dzięki możliwości pobrania i udoskonalenia oprogramowania Inkling-Small programiści mogą sami przetestować to twierdzenie.
Wyprzedź sztuczną inteligencję
Co tydzień lądują nowe modele z wagą otwartą, a konkurencja tylko się nasila. Bądź na bieżąco z każdą wersją dzięki naszemu relacjom branży AI.
Przeczytaj więcej aktualności o sztucznej inteligencji →
