Комбінований дизайн експертів
Відповідно до TestingCatalog AI News, Inkling-Small є перетворювачем суміші експертів (MoE), що містить загальну кількість 276 мільярдів параметрів, із 12 мільярдів активних під час будь-якого висновку. Ця архітектура — де лише невеликий шматочок моделі «прокидається» для кожного токена — є тим самим ефективним трюком, який зробив китайські відкриті моделі, такі як DeepSeek, такими дешевими для запуску. Thinking Machines підтвердила, що повна вага буде випущена на Hugging Face.
Модель також постачається з контекстним вікном до одного мільйона токенів і тим, що в лабораторії називають «змінними зусиллями мислення», від мінімального до «xhigh», що дозволяє розробникам міняти обчислення на продуктивність залежно від завдання. Точне налаштування доступне через платформу компанії Tinker, а текстовий, графічний та аудіочат доступний на ігровому майданчику Tinker.
Навчання на системах NVIDIA GB300
У Thinking Machines заявили, що Inkling-Small навчався на системах NVIDIA GB300 NVL72 і використовує «суттєво менше обчислень», ніж оригінальна модель Inkling, яка була представлена 15 липня 2026 року. Ця перша модель — охоплена WIRED і TechCrunch як дебютний випуск Thinking Machines — майже миттєво перетворила лабораторію на серйозного конкурента.
Шлях до Inkling-Small розкриває продуману стратегію ефективності. Лабораторія почала працювати над меншою моделлю лише після навчання Інклінга, використовуючи кімнату для дихання, щоб переглянути його мікс даних перед навчанням і рецепт машинного навчання. Попередню контрольну точку попереднього перегляду було частково навчено з урахуванням політики, де Інклінг виступав у якості вчителя, після чого відбулося приблизно два тижні навчання підкріплення масштабованого агентного кодування.
Де виграє, а де ні
Результати цього рецепту помітні. Thinking Machines стверджує, що Inkling-Small перевершує оригінальний Inkling за міркуваннями та тестами агентного кодування, тоді як Inkling залишається сильнішим у охопленні знань і фактичності. Під час лише текстового Останнього іспиту людства, сумнозвісно складного оцінювання, менша модель, як повідомляється, набрала 31,6% у порівнянні з 29,7% для Inkling — реальне покращення, незважаючи на різке зменшення активних параметрів.
Компроміс очевидний: Inkling-Small є кращим програмістом і розумником, тоді як його старший брат зберігає ширшу базу знань. Для розробників це функція, а не помилка — це означає вибір правильного інструменту для роботи, а не платити за одну гігантську модель для кожного завдання.
Американський гравець у відкритому полі на чолі з Китаєм
Можливо, найбільший наслідок – геополітичний. Як відзначили CNBC та інші, відкриті прикордонні моделі стали гарячою точкою між США та Китаєм, оскільки китайські лабораторії, такі як DeepSeek і Qwen від Alibaba, роздають потужні моделі та знижують ціни на Заході. Forkast прямо сформулював реліз Inkling-Small: «У конкурсі Open-Weights тепер є учасник із США».
До цього часу провідні відкриті моделі надходили майже виключно з Китаю, що викликало занепокоєння у Вашингтоні, що американські лабораторії поступаються цілою категорією ринку. Thinking Machines — добре фінансований американський стартап, який очолює одна з найвидатніших діячів штучного інтелекту — змінює це обчислення. Випустивши повну вагу на Hugging Face і підтримуючи відкриту тонку настройку, лабораторія робить пряму гру для спільноти розробників, яку культивували китайські відкриті моделі.
Створено для розробників, а не лише для тестів
Thinking Machines поєднала випуск із інструментами, спрямованими безпосередньо на розробників. Окрім відкритих ваг Hugging Face, Databricks підтвердив, що сімейство Inkling доступне на його платформі, а Tinker Playground підтримує мультимодальний текстовий, графічний та аудіочат із коробки. Змінний параметр «зусиль мислення» — від мінімального до «xhigh» — призначений для реальних інженерних компромісів: економте, коли завдання просте, витрачайте більше обчислень, коли проблема вимагає глибшого обґрунтування. Ця гнучкість важлива для стартапів, які стежать за своїми рахунками за висновками, багато з яких уже перейшли на дешевші альтернативи відкритого типу замість того, щоб платити преміальні ставки API.
Тенденція ефективності в галузі
Inkling-Small також відповідає ширшій моделі. У всій галузі передовий край зміщується від все більших монолітних моделей до менших, розумніших систем, які перевищують свою вагу. Починаючи з моделей цінової війни DeepSeek і закінчуючи стисненими архітектурами, повідомлення є послідовним: необроблена кількість параметрів має менше значення, ніж те, наскільки ефективно модель використовує свою ємність.
Для Thinking Machines ставка на ефективність над розміром тепер становить дві моделі — і перші тести показують, що стратегія працює. Завдяки Inkling-Small, доступному для завантаження та тонкого налаштування, розробники можуть перевірити це твердження на собі.
Будьте попереду ШІ
Щотижня з’являються нові відкриті моделі, і конкуренція тільки посилюється. Будьте в курсі кожного випуску через наш висвітлення індустрії ШІ.
Читати більше новин AI →
