Thinking Machines Lab, стартап в области искусственного интеллекта, основанный бывшим техническим директором OpenAI Мирой Мурати, 20 ноября 2026 года выпустила новую модель с открытым весом: Inkling 2 Mini, компактную модель, построенную на необычной архитектуре, которая, по словам компании, позволяет ей значительно превосходить свои параметры. Модель достаточно мала, чтобы работать локально на потребительском ноутбуке, а общий объем памяти составляет около 20 ГБ.
Цифры в заголовках впечатляют для данного размерного класса. Согласно заявлению компании, Inkling 2 Mini лидирует среди всех моделей открытого веса с общим количеством менее 100 миллиардов параметров в DeepSWE v1.1, решая 48,2 процента задач, и в Vals Index v2.2, набирая 46,5 процента. Оба теста измеряют способность агентного кодирования, одну из наиболее коммерчески оспариваемых границ возможностей в отрасли на данный момент. Подробнее об этой истории — в нашем больше статей об ИИ.
Чем отличается петлевой трансформатор
Inkling 2 Mini представляет собой шлейф-трансформер. Вместо того, чтобы передавать каждый токен через каждый слой ровно один раз, модель запускает средние уровни три раза для каждого токена. По сути, модель может применять к задаче более последовательные вычисления без генерации дополнительных токенов вывода.
Концепция компании заключается в том, что цикл позволяет модели рассуждать дольше, не записывая свои рассуждения. Традиционные рассуждения по цепочке мыслей тратят жетоны на видимые промежуточные шаги; вместо этого циклы тратят вычисления. Это имеет реальные последствия для скорости задач, где качество рассуждения имеет большее значение, чем количество токенов, а агентное кодирование — именно такая задача.
Под капотом Inkling 2 Mini представляет собой смесь экспертов с 26,4 миллиардами общих параметров и всего 3,4 миллиарда активных на токен, а также 5,4 миллиарда активаций веса на токен с учетом циклов. Большинство весов были обучены и изначально развернуты в NVFP4, формате низкой точности, который Nvidia продвигает в своей линейке центров обработки данных, при этом последние четыре уровня сохраняются в MXFP8. Сочетание агрессивного квантования и небольшого количества активных параметров — вот что позволяет модели занимать примерно 20 ГБ, что подходит для ноутбуков и настольных машин с искусственным интеллектом.
Лаборатория продемонстрировала работу модели в автономном режиме в режиме полета на MacBook Pro с чипом M5 Pro и 48 ГБ памяти, где за несколько минут был создан игровой симулятор полета.
Компромисс в области мониторинга
Релиз сопровождается исследованиями, которые могут иметь большее значение, чем тесты. Если модель рассуждает внутри себя посредством циклов, а не выражает свою цепочку мыслей в токенах, то видимый текст рассуждений перестает быть точным окном в то, что на самом деле делает модель. Это имеет значение для исследований в области безопасности ИИ, где мониторинг цепочки мыслей стал одним из немногих доступных практических инструментов надзора.
Наряду с Inkling 2 Mini компания Thinking Machines выпустила специальный исследовательский вариант с регулируемым контуром для измерения эффекта. Результаты обнадеживают в плане возможностей и усложняют надзор. Временной горизонт модели с переменным циклом для задач, выполняемых без какой-либо цепочки мыслей, увеличился с 16 секунд за один проход до 37 секунд за три цикла, а производительность в тесте последовательного мышления продолжала улучшаться до десяти циклов — вдвое больше, чем модель обучалась.
Между тем, видимая цепочка мыслей становилась короче по мере добавления циклов, но компания сообщает, что она оставалась разборчивой на всем протяжении, и модель не увеличивалась в тестах на агентный саботаж по мере увеличения глубины цикла. Thinking Machines описывает их как одни из первых моделей с циклической архитектурой, доступных исследователям, позиционируя этот релиз отчасти как приглашение сообществу безопасности изучить возможность мониторинга на реальных весах, а не на смоделированных установках.
Соревновательная игра в классе Sub-100B
В тестах Inkling 2 Mini сравнивается с переполненным полем с ценой ниже 100B, которое включает модели Gemma 4 в диапазоне 26B–31B, Qwen3.8-27B, Muse Glimmer и предварительную модель 65B под названием Ripple. Thinking Machines утверждает, что ее модель также работает быстрее, чем конкуренты с аналогичными показателями, ссылаясь на теоретическую пропускную способность токенов при первом размере пакета.
Сегмент ниже 100B стал стратегически важным по двум причинам. Во-первых, быстро растет число развертываний на устройствах и в частном порядке, поскольку предприятия отказываются отправлять конфиденциальные данные в размещенные API. Во-вторых, экономика каждого токена для локального вывода все больше отдает предпочтение небольшим, агрессивно квантованным моделям, а не дистиллированным копиям больших. MoE емкостью 26,4 МБ, который изначально работает на NVFP4 с циклическими вычислениями, является прямым ответом на этот рынок.
Модель доступна на Hugging Face с опубликованной карточкой модели, а Thinking Machines продвигает доступ через свою платформу тонкой настройки Tinker. Между этой версией и более ранними моделями семейства Inkling, разработанными лабораторией, стартап создает четкую техническую идентичность вокруг масштабирования вычислений в стиле рекуррентного использования в то время, когда большинство передовых лабораторий по-прежнему сосредоточены на масштабировании параметров и данных.
Независимо от того, станет ли циклическая архитектура основной архитектурой или останется нишей, этот релиз знаменует собой примечательный момент: один из наиболее внимательно наблюдаемых стартапов в области искусственного интеллекта делает ставку на то, что более разумные вычисления на каждый токен — а не больше токенов и не больше параметров — будут тем, где будут следующие достижения.
---
Будьте в курсе ИИПоследние новости, аналитика и прорывы в сфере ИИ — всё в одном месте.
Читать больше новостей об ИИ →