1. VEGA
  2. Blog
  3. Inkling 2 Small: el mejor modelo abierto de Thinking Machines
13 de noviembre de 2026Anuncios

Inkling 2 Small: el mejor modelo abierto de Thinking Machines

Inkling 2 Small: el mejor modelo abierto de Thinking Machines

Thinking Machines Lab ha lanzado Inkling 2 Small, su primer modelo de segunda generación y, en su lanzamiento, el modelo de pesos abiertos más potente creado fuera de China según Artificial Analysis Intelligence Index. Combina código agéntico, comprensión de imágenes y una ventana de contexto de 1 millón de tokens con pesos bajo licencia Apache 2.0. Para quienes buscan un modelo para trabajar de verdad, su principal ventaja es que puede hacer cambios, comprobar los resultados y seguir trabajando, en lugar de dar una primera respuesta convincente y detenerse ahí.

¿Qué es Inkling 2 Small?

Thinking Machines Lab, fundada por la exdirectora de tecnología de OpenAI Mira Murati, anunció Inkling 2 Small el 5 de noviembre de 2026 a través de Tinker y Tinker Playground. Sus pesos abiertos se publicaron en Hugging Face el 12 de noviembre bajo la licencia Apache 2.0.

Pese a su nombre, no es un modelo pequeño para alojar. Inkling 2 Small es un modelo disperso de mezcla de expertos (Mixture-of-Experts) con 594 mil millones de parámetros en total y aproximadamente 17 mil millones activos por token. Selecciona ocho de sus 384 expertos para cada token.

Su ventana de contexto admite 1.048.576 tokens, lo que le permite trabajar con documentos extensos y grandes cantidades de código. Las entradas pueden incluir texto e imágenes; a diferencia del primer Inkling, no admite audio.

Los desarrolladores también pueden ajustar reasoning_effort desde none hasta max, equilibrando la profundidad del razonamiento con el costo. En la práctica, esto significa obtener respuestas rápidas y económicas para preguntas sencillas, y un análisis más profundo cuando el problema lo justifique.

Inkling 2 Small en las pruebas: los mayores avances

El resultado más destacado es 31 puntos en Artificial Analysis Intelligence Index v5.0.1, frente a los 13 de Inkling Small. Esto lo sitúa por encima de todos los modelos abiertos creados fuera de China en esa evaluación, a un nivel comparable al de Gemini 3.8 Flash con un alto nivel de razonamiento.

Varios resultados muestran con más claridad la mejora:

PruebaResultado de Inkling 2 SmallPor qué importa
SWE-Bench Pro v2 (Hard)86,3%Alto rendimiento en tareas de programación difíciles
ARC-AGI-281,7%Mejor resultado entre los modelos de pesos abiertos, según ARC Prize
AA Intelligence Index v5.0.131, frente a 13 anteriormenteUn avance considerable respecto a la generación anterior
AA-Briefcase1527 Elo, frente a 912 anteriormenteMejor rendimiento en tareas empresariales extensas
AA-Omniscience v1.127% de alucinaciones, frente al 61%Responder de forma más selectiva redujo las alucinaciones

En AA-Briefcase, que incluye hojas de cálculo, presentaciones y memorandos, sus 1527 puntos Elo también superan los 1439 de Claude Sonnet 5.5 con un nivel medio de razonamiento y los 1203 de Gemini 3.8 Flash con un nivel alto.

El resultado sobre alucinaciones requiere una interpretación cuidadosa. La reducción se debió sobre todo a que el modelo respondió de forma más selectiva, no a que se eliminaran los errores factuales. Es una mejora, pero conviene verificar las afirmaciones importantes.

Para qué sirve Inkling 2 Small en la práctica

La programación agéntica es el punto de partida más claro. El entrenamiento incluyó cientos de miles de tareas de programación extensas, con énfasis en seguir instrucciones, evaluar cambios y comprobar el trabajo terminado. Por eso, las tareas sobre un repositorio son una prueba más reveladora que pedir una función aislada.

La entrada de imágenes aporta una capacidad útil: la autoverificación con visión en el ciclo. Un agente puede generar un sitio de comercio electrónico, inspeccionar su aspecto una vez renderizado y usar esa información visual para evaluar su propio resultado. Esto va más allá de describir una imagen proporcionada.

Para las finanzas y el trabajo con información, los resultados de AA-Briefcase sugieren probarlo con encargos que incluyan varios entregables, en lugar de un único resumen. También obtuvo un 67,5% en Finance Agent v2.1.

El análisis de datos es otro caso de uso prometedor. En Plotly DataAnalyticsBench, obtuvo 39 de 43 puntos, es decir, un 91%, con puntuaciones perfectas en categorías que abarcan ambigüedad, solicitudes inviables, problemas de calidad de datos y trampas estadísticas.

Para los flujos de trabajo de investigación, su entrenamiento incluyó ejercicios de «autoresearch», como el ajuste fino de redes neuronales y la optimización de kernels de GPU. En un ejemplo publicado, ajustó de forma autónoma Qwen3.5-4B para la predicción de series temporales y duplicó la puntuación de ese modelo en 4,5 horas por 426 dólares en Tinker. Es una demostración concreta, no una garantía para otros experimentos.

La licencia Apache 2.0 y el ecosistema de Inkling 2 Small

Los pesos bajo licencia Apache 2.0 permiten personalizar Inkling 2 Small, incluso con versiones ajustadas de las que las empresas pueden ser propietarias. Thinking Machines también informa de un ajuste fino más rápido y una mayor calidad resultante que con sus modelos anteriores al usar los mismos datos y algoritmos.

Desde el primer día, contó con soporte para vLLM, SGLang, Together AI, Snowflake Cortex y Cloudflare Workers AI. El modelo también está disponible a través de OpenRouter.

Las optimizaciones de inferencia son importantes a esta escala. La decodificación especulativa de DSpark propone siete tokens por paso y alcanzó hasta aproximadamente 630 tokens por segundo por usuario en TP4 con GB200. SGLang demostró 576 tokens por segundo en NVIDIA Vera Rubin. Son resultados obtenidos con hardware específico, no una promesa de velocidad universal.

El despliegue local sigue siendo exigente: una versión cuantizada a cuatro bits necesita aproximadamente 356 GB de memoria.

En qué sigue teniendo dificultades Inkling 2 Small

Los resultados son dispares. Inkling 2 Small obtuvo apenas un 13,1% en Terminal-Bench 4.0, y Artificial Analysis midió aproximadamente 21,5 minutos por tarea de Intelligence Index. Por tanto, las tareas largas pueden ser lentas pese a la alta velocidad de generación de tokens. Entre las limitaciones conocidas también están las alucinaciones y el deterioro durante conversaciones largas de varios turnos; una ventana de contexto amplia no elimina esas debilidades.

Prueba Inkling 2 Small en vega.chat

Inkling 2 Small ya está disponible en el selector de modelos de vega.chat, tanto en la sección de chat como en la de código. Admite imágenes, pero no archivos PDF. Pruébalo con una tarea de programación real o un documento extenso junto a tu modelo habitual y comprueba cómo responde cuando tiene que revisar su propio trabajo.

Los desarrolladores pueden acceder a él a través de api.vega.chat, la API compatible con OpenRouter, para probarlo en agentes, flujos de trabajo de programación y sus propias aplicaciones.

VEGA API — all models·API docs·Inkling 2 Small: лучшая открытая модель Thinking Machines

Leer también

Qwen 4 Max: un aliado de 2,4T para tareas largas
Qwen 4 Max: un aliado de 2,4T para tareas largas16 de noviembre de 2026
Presentamos Gemini 4 Hydrogen
Presentamos Gemini 4 Hydrogen13 de noviembre de 2026
MiniMax H3-Image: imágenes 4K en menos de 10 s
MiniMax H3-Image: imágenes 4K en menos de 10 s11 de noviembre de 2026

Comentarios · 0

VEGA - built in getmyai.io
PreciosModelosBlogAcerca del creadorTérminos del servicioPolítica de privacidadPolítica de comunicaciones por correo electrónico