Eski OpenAI baş teknoloji sorumlusu Mira Murati tarafından kurulan AI girişimi Thinking Machines Lab, 20 Kasım 2026'da yeni bir açık ağırlık modeli piyasaya sürdü: Inkling 2 Mini, şirketin parametre sayısının çok üzerinde performans göstermesine olanak sağladığını söylediği sıra dışı bir mimari etrafında inşa edilmiş kompakt bir model. Model, yaklaşık 20 GB toplam bellek alanıyla tüketici dizüstü bilgisayarında yerel olarak çalışacak kadar küçüktür.
Başlık numaraları beden sınıfı için dikkat çekicidir. Şirketin duyurusuna göre Inkling 2 Mini, DeepSWE v1.1'de görevlerin yüzde 48,2'sini çözerek ve Vals Index v2.2'de yüzde 46,5 puan alarak toplam 100 milyardan az parametreyle tüm açık ağırlık modellerine liderlik ediyor. Her iki kriter de şu anda sektörde ticari olarak en çok tartışılan yetenek sınırlarından biri olan aracılı kodlama yeteneğini ölçer. For more context on this story, see our ongoing artificial intelligence updates.
Döngülü Transformatörü Farklı Kılan Nedir?
Inkling 2 Mini döngülü bir transformatördür. Model, her bir jetonu her katmandan tam olarak bir kez geçirmek yerine, orta katmanlarını jeton başına üç kez çalıştırır. Aslında model, daha fazla çıktı belirteci üretmeden bir soruna daha sıralı hesaplama uygulayabilir.
Şirketin çerçevesi, döngünün, modelin mantığını yazmadan daha uzun süre akıl yürütmesine olanak sağlamasıdır. Geleneksel düşünce zinciri mantığı, jetonları görünür ara adımlara harcar; döngü bunun yerine hesaplamayı harcar. Bunun, akıl yürütme kalitesinin jeton sayısından daha önemli olduğu görevlerde hız açısından gerçek sonuçları vardır ve aracılı kodlama tam olarak bu tür bir görevdir.
Temel olarak Inkling 2 Mini, 26,4 milyar toplam parametreye ve token başına yalnızca 3,4 milyar etkinliğe ve döngü hesaba katıldığında token başına 5,4 milyar ağırlık aktivasyonuna sahip bir Uzmanlar Karması modelidir. Ağırlıkların çoğu eğitildi ve NVFP4'te yerel olarak konuşlandırıldı; Nvidia'nın veri merkezi serisinde uyguladığı düşük hassasiyetli format, son dört katman MXFP8'de tutuldu. Agresif nicemleme ve küçük bir aktif parametre sayımının birleşimi, modeli dizüstü bilgisayarlara ve masaüstü yapay zeka makinelerine sığacak şekilde yaklaşık 20 GB'lık bir alana sığdıran şeydir.
Laboratuvar, M5 Pro çipli ve 48 GB belleğe sahip bir MacBook Pro üzerinde uçak modunda çevrimdışı çalışan modeli gösterdi ve birkaç dakika içinde oynanabilir bir uçuş simülatörü oluşturdu.
İzlenebilirlik Dengesi
Sürüme, kıyaslamalardan daha önemli olabilecek araştırmalar eşlik ediyor. Bir model, düşünce zincirini simgelerle ifade etmek yerine döngüler yoluyla dahili olarak akıl yürütürse, o zaman görünür akıl yürütme metni, modelin gerçekte ne yaptığına dair sadık bir pencere olmaktan çıkar. Bunun, düşünce zincirini izlemenin mevcut birkaç pratik gözetim aracından biri haline geldiği yapay zeka güvenlik araştırmaları için etkileri vardır.
Inkling 2 Mini'nin yanı sıra Thinking Machines, etkiyi ölçmek için araştırmaya özel bir değişken döngü çeşidi yayınladı. Sonuçlar yetenek açısından cesaret verici, gözetim açısından ise karmaşık bir yönde ilerliyor. Değişken döngü modelinin herhangi bir düşünce zinciri olmadan tamamlanan görevlerdeki zaman ufku, tek geçişte 16 saniyeden üç döngüde 37 saniyeye yükseldi ve seri akıl yürütme kıyaslamasındaki performans on döngüye kadar iyileşmeyi sürdürdü; bu sayı, modelin eğitildiği döngünün iki katıydı.
Bu arada, görünür düşünce zinciri döngüler eklendikçe kısaldı, ancak şirket bunun baştan sona okunaklı kaldığını ve döngü derinliği arttıkça modelin kasıtlı sabotaj testlerinde daha yüksek bir eğilim göstermediğini bildirdi. Thinking Machines, bunları araştırmacıların kullanımına sunulan ilk döngüsel mimari modellerden bazıları olarak tanımlıyor ve bu sürümü, güvenlik topluluğunun simüle edilmiş kurulumlar yerine gerçek ağırlıklar üzerinde izlenebilirliği incelemesi için kısmen bir davet olarak konumlandırıyor.
100B Altı Sınıfında Rekabetçi Bir Oyun
Karşılaştırmalar Inkling 2 Mini'yi, 26B–31B aralığındaki Gemma 4 modellerini, Qwen3.8-27B, Muse Glimmer'ı ve Ripple adlı 65B ön izleme modelini içeren kalabalık bir 100B altı alana yerleştiriyor. Thinking Machines, modelinin aynı zamanda benzer performansa sahip rakiplerden daha hızlı çalıştığını iddia ederek, parti boyutunda teorik token verimini öne sürüyor.
100B'nin altındaki segment iki nedenden dolayı stratejik olarak önemli hale geldi. Birincisi, kuruluşlar hassas verileri barındırılan API'lere göndermekten kaçındıkça, cihaz içi ve özel dağıtım hızla artıyor. İkincisi, yerel çıkarım için jeton başına ekonomi, büyük modellerin damıtılmış kopyaları yerine giderek daha küçük, agresif bir şekilde nicelenmiş modelleri tercih ediyor. Yerel olarak NVFP4'te döngüsel bilgi işlemle çalışan 26,4B MoE, bu pazara doğrudan bir yanıttır.
Model, yayınlanmış bir model kartıyla Hugging Face'te mevcuttur ve Thinking Machines, Tinker ince ayar platformu aracılığıyla erişimi teşvik etmektedir. Bu sürüm ile laboratuvarın daha önceki Inkling ailesi modelleri arasında, başlangıç noktası laboratuvarların çoğunun parametrelere ve verilere odaklandığı bir dönemde, yineleme tarzı bilgi işlem ölçeklendirme etrafında farklı bir teknik kimlik oluşturuyor.
Döngü ister ana akım bir mimari haline gelsin, ister bir niş olarak kalsın, sürüm dikkate değer bir anı işaret ediyor: En yakından izlenen yapay zeka girişimlerinden biri, bir sonraki kazanımların canlı olacağı yerin token başına daha akıllı hesaplamanın (daha fazla token ve daha fazla parametre değil) olacağını iddia ediyor.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →