En blandning av experter design
Enligt TestingCatalog AI News är Inkling-Small en Mixture-of-Experts (MoE) transformator som innehåller 276 miljarder totala parametrar, med 12 miljarder aktiva under en given slutledning. Den där arkitekturen - där bara en liten bit av modellen "vaknar" för varje token - är samma effektivitetsknep som har gjort kinesiska modeller med öppen vikt som DeepSeek så billiga att köra. Thinking Machines bekräftade att de fulla vikterna släpps på Hugging Face.
Modellen levereras också med ett kontextfönster på upp till en miljon tokens och vad labbet kallar "variabel tankeinsats", som sträcker sig från minimal till "xhigh", vilket låter utvecklare byta beräkningar för prestanda beroende på uppgiften. Finjustering är tillgänglig via företagets Tinker-plattform, och text-, bild- och ljudchatt är tillgängliga på Tinker Playground.
Utbildad på NVIDIA GB300-system
Thinking Machines sa att Inkling-Small utbildades i NVIDIA GB300 NVL72-system och använder "avsevärt mindre datoranvändning" än den ursprungliga Inkling-modellen, som lanserades den 15 juli 2026. Den första modellen – täckt av WIRED och TechCrunch som Thinking Machines debutsläpp – etablerade labbet nästan som en seriös konkurrent över natten.
Vägen till Inkling-Small avslöjar en medveten effektivitetsstrategi. Labbet började arbeta med den mindre modellen först efter att ha tränat Inkling, och använde andningsrummet för att revidera sin datamix före träning och recept för maskininlärning. En tidigare kontrollpunkt för förhandsvisning eftertränades delvis genom policy-destillation, med Inkling som lärare, följt av ungefär två veckors skalad inlärning av agentkodning.
Där det vinner – och där det inte gör det
Resultaten av det receptet är anmärkningsvärda. Thinking Machines hävdar att Inkling-Small övertar den ursprungliga Inkling på resonemang och riktmärken för agentkodning, medan Inkling förblir starkare i kunskapstäckning och fakta. På texten Humanity's Last Exam, en notoriskt svår utvärdering, fick den mindre modellen enligt uppgift 31,6 %, jämfört med 29,7 % för Inkling – en verklig förbättring trots den dramatiska minskningen av aktiva parametrar.
Avvägningen är tydlig: Inkling-Small är den skarpare kodaren och resoneraren, medan dess större syskon behåller den bredare kunskapsbasen. För utvecklare är det en funktion, inte en bugg - det innebär att välja rätt verktyg för jobbet snarare än att betala för en enda jättemodell för varje uppgift.
En amerikansk spelare i ett öppet viktfält som leds av Kina
Den kanske största implikationen är geopolitisk. Som CNBC och andra har noterat har gränsmodeller med öppen vikt blivit en flampunkt mellan USA och Kina, med kinesiska labb som DeepSeek och Alibabas Qwen som ger bort kraftfulla modeller och underskrider västerländsk prissättning. Forkast ramade in Inkling-Small-utgåvan rakt av: "Open-Weights Competition Now has a US Entrant."
Fram till nu har de ledande modellerna med öppen vikt nästan uteslutande kommit från Kina, vilket har väckt oro i Washington för att amerikanska laboratorier avstår från en hel kategori av marknaden. Thinking Machines – en välfinansierad amerikansk startup som leds av en av de mest framstående figurerna inom AI – ändrar den kalkylen. Genom att släppa fulla vikter på Hugging Face och stödja öppen finjustering gör labbet ett direkt spel för utvecklargemenskapen som kinesiska modeller med öppen vikt har odlat.
Byggd för utvecklare, inte bara benchmarks
Thinking Machines har parat ihop releasen med verktyg som riktar sig rakt mot utvecklare. Utöver de öppna Hugging Face-vikterna bekräftade Databricks att Inkling-familjen är tillgänglig på sin plattform, och Tinker Playground stöder multimodal text-, bild- och ljudchatt direkt. Variabeln "tänkande ansträngning" - från minimal till "xhigh" - är designad för verkliga tekniska kompromisser: kör billigt när en uppgift är enkel, spendera mer beräkning när ett problem kräver djupare resonemang. Denna flexibilitet är viktig för nystartade företag som tittar på sina slutsatser, av vilka många redan har migrerat till billigare alternativ med öppen vikt istället för att betala premium API-priser.
Effektivitetstrenden inom branschen
Inkling-Small passar också ett bredare mönster. I hela branschen förändras spetsen från allt större monolitiska modeller till mindre, smartare system som slår över sin vikt. Från DeepSeeks priskrigsmodeller till komprimerade arkitekturer är budskapet konsekvent: antalet råparametrar spelar mindre roll än hur effektivt en modell använder sin kapacitet.
För Thinking Machines är satsningen på effektivitet över storlek nu två modeller djup – och de tidiga riktmärkena tyder på att strategin fungerar. Med Inkling-Small tillgängligt för nedladdning och finjustering idag kan utvecklare testa det påståendet själva.
Ligg före AI
Nya modeller med öppen vikt landar varje vecka och konkurrensen bara hårdnar. Håll dig uppdaterad med varje release genom vår AI-industribevakning.
Läs mer AI-nyheter →
