Présentation

Inkling 2 Small est la deuxième génération de modèles proposée par Thinking Machines. Il s’agit d’un modèle Mixture‑of‑Experts (MoE) comptant 594 milliards de paramètres au total, dont 17 milliards sont actifs lors de l’inférence. Le modèle accepte des entrées d’image et propose un effort variable, ce qui permet d’ajuster la consommation de ressources en fonction de la complexité de la tâche. Sur l’Artificial Analysis Intelligence Index, Inkling 2 Small obtient un score de 31, dépassant largement les performances de la génération précédente.

Architecture et entraînement

Le design MoE répartit la charge de calcul entre plusieurs experts spécialisés, limitant le nombre d’experts sollicités à chaque pas d’inférence à 17 B actifs. Cette approche réduit la latence tout en conservant la capacité d’un modèle de 594 B paramètres. L’entraînement a intégré un pré‑entraînement plus efficace et une phase de renforcement unifiée (RL) à grande échelle. Des centaines de milliers de tâches de codage à horizon long ont été utilisées, combinant plusieurs agent harnesses et des stratégies de context‑compaction afin de maximiser la densité d’information traitée.

Le pipeline de données synthétiques a été enrichi au‑delà des simples récompenses de tests unitaires. Un grader RL agentique évalue non seulement la validité du code produit, mais aussi la méthode adoptée par le modèle, introduisant ainsi une mesure de qualité de processus. Les premiers checkpoints, nommés Fledge‑Alpha, ont été testés sur la suite OpenCode, confirmant la robustesse du modèle sur des scénarios de codage réels.

Capacités vision et agentic

Inkling 2 Small intègre la vision et les capacités agentiques, ce qui lui permet de recevoir un retour visuel et d’ajuster itérativement des projets complexes tels que des sites web, des jeux ou des modèles 3D interactifs. Le modèle peut ainsi construire, tester et affiner des éléments graphiques sans intervention humaine directe, en suivant les instructions, en considérant les changements et en vérifiant son propre travail de façon autonome.

Déploiement et perspectives

Le modèle est d’abord accessible via la plateforme Tinker avec des poids fermés, suivant la stratégie de « safe path to open weights ». Après des tests de sécurité externes et une phase de red‑team, les poids complets seront publiés sous licence Apache 2.0. Les utilisateurs pourront télécharger les checkpoints, les fine‑tuner et les exploiter pour le sampling sur Tinker Playground. Cette démarche vise à concilier rapidité d’accès et exigences de sécurité avant une diffusion ouverte.