Thinking Machines Lab مدل Inkling 2 Small را رونمایی کرد: یک ترکیب خبره‌ها (Mixture-of-Experts) پراکنده ۵۹۴ بیلیونی که تنها ۱۷ بیلیون پارامتر را در هر پیشرو فعال می‌کند و ۳۱ امتیاز در Artificial Analysis Intelligence Index ثبت کرده — بیش از دو برابر نمره ۱۳ مدل پیشین. این مدل چندوجهی (Multimodal) در SWE-Bench Pro v2 Hard با ۸۶.۳٪ امتیاز، تنها از Kimi K3 عقب‌مانده و دومین سیستم تست‌شده است.
معماری و آموزش
Inkling 2 Small از یک ترنسفورمر (Transformer) فقط رمزگذار ۴۸ لایه‌ای با ۳۸۴ خبره استفاده می‌کند که هر توکن را به ۸ خبره مسیریابی می‌کند. یک رمزگذار بینایی (vision encoder) ۲۹۲ میلیون پارامتری مبتنی بر Perception Encoder تکه‌های ۲۰×۲۰ پیکسلی را با ادغام فضایی ۲×۲ پردازش کرده و تکه‌های تصویر را با توکن‌های متن درهم می‌تند. پیش‌آموزش در چهار فاز روی راک‌های NVIDIA GB300 NVL72 اجرا شد:
- فاز ۱: ۸.۴ تریلیون توکن در ۶۸ ساعت، به‌صورت بومی در NVFP4
- فاز ۲: ۳.۸ تریلیون توکن داده باکیفیت‌تر در بستر ۵۱۲K
- فاز ۳: ~۳۲۰ میلیارد توکن مسیرهای استدلال و عامل در بستر ۱M
- فاز ۴: ~۳۴ میلیارد توکن مسیرهای عامل باکیفیت‌ترین
یک اجرای واحد یادگیری تقویتی (RL) دنبال شد: ۱٬۰۷۵ گام، ۱۷ میلیون+ رول‌اوت، ۹ روز روی ۲٬۰۴۸ GPU، فراتر از ۴×۱۰²۳ FLOPs. کدنویسی ۶۵٪ توکن‌های RL را تشکیل می‌داد. آزمایشگاه اجرای‌های جداگانه استدلال و عامل RL را با این رویکرد یکپارچه به‌علاوه خود تقطیر روی‌خط‌مشی (on-policy self-distillation) از یک مشخصه رفتار (conduct spec) جایگزین کرد. یک پاداش همراستاسازی (alignment reward) صریح نمره سوءرفتار داخلی را از ۶۶.۸ به ۱۴.۹ کاهش داد. استفاده از یادگیری تقویتی برای بهبود کدنویسی در این مدل، یادآور پیشرفت م reciente Jetbrains در SWE-bench است.
نتایج بنچمارک
نتایج در تلاش ۰.۹۹ و دما ۱.۰ تفکیک تیز نشان می‌دهد. Inkling 2 Small در PerceptionBench (۶۴.۷٪ در برابر ۵۸.۵٪ Kimi K3)، EnterpriseBench-CoreCraft (۷۱.۸٪ در برابر ۴۶.۷٪ GLM-5.3-Flash)، JobBench (۷۰.۵٪) و DesignArena Website (۱٬۳۴۰، رتبه سوم در لیدربورد ۵ نوامبر) پیشرو است. در Terminal-Bench 4.0 (۱۳.۱٪ در برابر ۳۳.۸٪ DeepSeek-V4.1-Flash-1017)، DeepSWE v1.1 (۷۲.۱٪ در برابر ۷۷.۰٪ DeepSeek) و GDPVal-AA v2.1 (۱٬۶۳۰ در برابر ۱٬۷۴۶ DeepSeek) عقب‌مانده. روی PMPP-Hard هسته‌های GPU ۵۴.۲۵ از ۶۹ تسک را حل می‌کند. یک دموی خودپژوهش (autoresearch) مدل Qwen3.5-4B را برای پیش‌بینی سری‌های زمانی تنظیم کرد، حدود ۴۲۶ دلار از بودجه ۵۰۰ دلاری Tinker را در تقریبا ۴.۵ ساعت خرج نمود.
مقایسه با رقبا و قیمت‌گذاری
قیمت‌گذاری در Artificial Analysis ۰.۳۰ دلار در میلیون توکن ورودی و ۱.۰۰ دلار در میلیون توکن خروجی را فهرست می‌کند — ارزان‌تر روی خروجی نسبت به Inkling Small اصلی که ۱.۲۰ دلار بود. مدل فرمت‌های وزن MXFP8 و NVFP4 را پشتیبانی می‌کند. نیازمندی‌های سخت‌افزاری میزبانی شخصی (self-hosting) همچنان فاش نشده است. مدل‌های رقیب DeepSeek-V4.1-Flash-1017 (۵۵۲B/۱۶B رمزگشایی) و GLM-5.3-Flash (۳۲۰B/۱۸B) هر دو مجوز MIT و بستر ۱M دارند، اما Inkling 2 Small در AA Intelligence Index (۳۱ در برابر ۳۳ و ۲۸) از GLM پیشی می‌گیرد در حالی که در توکن خروجی از GLM گران‌تر است.
دسترسی و پیامد برای توسعه‌دهندگان
مدل از امروز در Tinker برای تنظیم دقیق و استنتاج در دسترس است. بسته tml-renderers و Tinker Cookbook سازگاری سفارشی را پشتیبانی می‌کنند. انتشار پیشرو Apache 2.0 استقرار محلی را امکان‌پذیر می‌سازد، هرچند مشخصات سخت‌افزاری همچنان ناشناخته است. بستر ۱M و ورودی چندوجهی آن را کاندیدایی برای عامل‌های (agents) کدنویسی افق‌بلند و گردش‌های کار تحلیل سند می‌سازد، مشروط بر اینکه شکاف Terminal-Bench قابل قبول باشد.
گام بعدی شما
- مدل را در Tinker برای تسک‌های کدنویسی عامل‌محور با بستر ۱M تست کنید و تأخیر واقعی را با بنچمارک‌های داخلی مقایسه کنید.
- اگر استقرار محلی در برنامه است، انتشار Apache 2.0 هفته آینده را رصد کنید و نیازمندی‌های VRAM را در برابر DeepSeek-V4.1-Flash و GLM-5.3-Flash سنجید.
- متدولوژی تقطیر مشخصه رفتار (conduct-spec distillation) را برای خط لوله‌های RL داخلی خود ارزیابی کنید — کاهش ۷۸٪ نمره سوءرفتار الگو قابل تکراری است.
گفتگو