1. VEGA
  2. Բլոգ
  3. Inkling 2 Small․ Thinking Machines-ի լավագույն բաց մոդելը
13 նոյեմբերի, 2026 թ.Հայտարարություններ

Inkling 2 Small․ Thinking Machines-ի լավագույն բաց մոդելը

Inkling 2 Small․ Thinking Machines-ի լավագույն բաց մոդելը

Thinking Machines Lab-ը թողարկել է Inkling 2 Small-ը՝ իր երկրորդ սերնդի առաջին մոդելը և, թողարկման պահին, Artificial Analysis Intelligence Index-ի համաձայն՝ Չինաստանից դուրս ստեղծված ամենահզոր բաց կշիռներով մոդելը։ Այն համատեղում է գործակալային կոդավորումը, պատկերների ընկալումը և 1M թոքենանոց կոնտեքստային պատուհանը՝ Apache 2.0 լիցենզավորված կշիռներով։ Իրական աշխատանքի համար մոդել ընտրող ընթերցողների համար հիմնական առավելությունն այն է, որ մոդելը կարող է փոփոխություններ կատարել, ստուգել արդյունքները և շարունակել աշխատանքը, այլ ոչ թե պարզապես համոզիչ առաջին պատասխան տալ ու կանգ առնել։

Ի՞նչ է Inkling 2 Small-ը

Thinking Machines Lab-ը, որը հիմնադրել է OpenAI-ի նախկին CTO Mira Murati-ն, Inkling 2 Small-ը ներկայացրել է 2026 թվականի նոյեմբերի 5-ին՝ Tinker-ի և Tinker Playground-ի միջոցով։ Դրա բաց կշիռները նոյեմբերի 12-ին հրապարակվել են Hugging Face-ում՝ Apache 2.0 լիցենզիայով։

Չնայած անվանը՝ սա հոսթինգի համար փոքր մոդել չէ։ Inkling 2 Small-ը նոսր Mixture-of-Experts մոդել է՝ 594 միլիարդ ընդհանուր պարամետրով և մեկ թոքենի հաշվով մոտ 17 միլիարդ ակտիվ պարամետրով։ Յուրաքանչյուր թոքենի համար այն ընտրում է իր 384 փորձագետներից ութին։

Դրա կոնտեքստային պատուհանը տեղավորում է 1,048,576 թոքեն՝ հնարավորություն տալով աշխատել երկար փաստաթղթերի և ծավալուն կոդային կոնտեքստի հետ։ Մուտքային տվյալները կարող են ներառել տեքստ և պատկերներ. ի տարբերություն առաջին Inkling-ի՝ այն չի ընդունում աուդիո։

Մշակողները կարող են նաև reasoning_effort-ը կարգավորել none-ից մինչև max՝ հավասարակշռելով դատողության խորությունն ու արժեքը։ Գործնականում դա նշանակում է պարզ հարցերի համար արագ ու էժան պատասխաններ, իսկ բարդ խնդիրների դեպքում՝ ավելի խորքային աշխատանք։

Inkling 2 Small-ի բենչմարքները․ ամենամեծ առաջընթացը

Հիմնական ցուցանիշը 31 միավորն է Artificial Analysis Intelligence Index v5.0.1-ում, մինչդեռ Inkling Small-ը ստացել էր 13։ Այս գնահատման մեջ այն գերազանցում է Չինաստանից դուրս ստեղծված բոլոր բաց մոդելներին և արդյունքով համադրելի է Gemini 3.8 Flash-ի հետ՝ reasoning effort-ի բարձր կարգավորմամբ։

Մի քանի արդյունք ավելի հստակ են ցույց տալիս առաջընթացը.

ԲենչմարքInkling 2 Small-ի արդյունքըԻնչու է կարևոր
SWE-Bench Pro v2 (Hard)86.3%Բարդ կոդավորման առաջադրանքների բարձր կատարողական
ARC-AGI-281.7%Լավագույն արդյունքը բաց կշիռներով մոդելների շարքում՝ ըստ ARC Prize-ի
AA Intelligence Index v5.0.131՝ նախկին 13-ի դիմացՍերունդների միջև զգալի առաջընթաց
AA-Briefcase1527 Elo՝ նախկին 912-ի դիմացԵրկարատև գործարար առաջադրանքների ավելի լավ կատարողական
AA-Omniscience v1.1Հալյուցինացիաների մասնաբաժինը՝ 27%, նախկին 61%-ի փոխարենԱվելի ընտրողական պատասխանները նվազեցրել են հալյուցինացիաները

AA-Briefcase-ում, որն ընդգրկում է աղյուսակներ, շնորհանդեսներ և հուշագրեր, դրա 1527 Elo-ն գերազանցում է նաև Claude Sonnet 5.5-ի 1439 արդյունքը՝ միջին reasoning effort-ի դեպքում, և Gemini 3.8 Flash-ի 1203 արդյունքը՝ բարձր effort-ի դեպքում։

Հալյուցինացիաների ցուցանիշը պետք է զգուշությամբ մեկնաբանել։ Նվազումը հիմնականում պայմանավորված է ավելի ընտրողական պատասխաններով, այլ ոչ թե փաստական սխալների վերացմամբ։ Սա բարելավում է, սակայն կարևոր պնդումները դեռ պետք է ստուգել։

Ինչի համար է գործնականում լավ Inkling 2 Small-ը

Գործակալային կոդավորումը ամենաակնհայտ մեկնարկային տարբերակն է։ Ուսուցումը ներառել է հարյուր հազարավոր երկարատև կոդավորման առաջադրանքներ՝ շեշտը դնելով հրահանգներին հետևելու, փոփոխությունները գնահատելու և կատարված աշխատանքը ստուգելու վրա։ Այդ պատճառով պահոցի հետ կապված առաջադրանքներն ավելի խոսուն փորձություն են, քան մեկ առանձին ֆունկցիա գրելու խնդրանքը։

Պատկերների մուտքագրումն ավելացնում է օգտակար հնարավորություն՝ տեսողության միջոցով ինքնաստուգումը աշխատանքի ընթացքում։ Գործակալը կարող է ստեղծել էլեկտրոնային առևտրի կայք, ուսումնասիրել դրա ցուցադրված տեսքը և այդ տեսողական արձագանքի միջոցով գնահատել իր արդյունքը։ Սա ավելին է, քան պարզապես տրված պատկերը նկարագրելը։

Ֆինանսական և գիտելիքահեն աշխատանքի համար AA-Briefcase-ի արդյունքները հուշում են այն փորձարկել մի քանի արդյունք պահանջող առաջադրանքներում, այլ ոչ թե միայն մեկ ամփոփում կազմելիս։ Այն նաև ստացել է 67.5% Finance Agent v2.1-ում։

Տվյալների վերլուծությունը ևս խոստումնալից կիրառություն է։ Plotly DataAnalyticsBench-ում այն հավաքել է 43-ից 39 միավոր՝ 91%, իսկ երկիմաստության, անհնարին հարցումների, տվյալների որակի խնդիրների և վիճակագրական ծուղակների կատեգորիաներում ստացել է առավելագույն միավորներ։

Հետազոտական աշխատանքների համար դրա ուսուցումն ընդգրկել է «autoresearch» վարժություններ, օրինակ՝ նեյրոնային ցանցերի fine-tuning և GPU միջուկների օպտիմալացում։ Ներկայացված օրինակներից մեկում այն ինքնուրույն կատարել է Qwen3.5-4B-ի fine-tuning-ը ժամանակային շարքերի կանխատեսման համար՝ 4.5 ժամում կրկնապատկելով այդ մոդելի միավորը։ Tinker-ում դրա արժեքը կազմել է $426։ Սա կոնկրետ ցուցադրական օրինակ է, այլ ոչ թե այլ փորձերի համար երաշխիք։

Apache 2.0-ի բաց լինելը և Inkling 2 Small-ի էկոհամակարգը

Apache 2.0 լիցենզավորված կշիռները հնարավորություն են տալիս հարմարեցնել Inkling 2 Small-ը, այդ թվում՝ ձեռնարկություններին պատկանող fine-tuned տարբերակներ ստեղծել։ Thinking Machines-ը նաև հայտնում է, որ նույն տվյալներն ու ալգորիթմներն օգտագործելիս՝ իր նախորդ մոդելների համեմատ, fine-tuning-ն ավելի արագ է, իսկ ստացված որակը՝ ավելի բարձր։

Թողարկման առաջին իսկ օրվանից աջակցություն են տրամադրել vLLM-ը, SGLang-ը, Together AI-ն, Snowflake Cortex-ը և Cloudflare Workers AI-ն։ Մոդելը հասանելի է նաև OpenRouter-ի միջոցով։

Այս մասշտաբի մոդելի սպասարկման օպտիմալացումները կարևոր են։ DSpark speculative decoding-ը յուրաքանչյուր քայլում կանխատեսում է յոթ թոքեն և GB200-ի վրա TP4 կարգավորմամբ մեկ օգտատիրոջ հաշվով հասել է մինչև մոտ 630 թոքենի վայրկյանում։ SGLang-ը NVIDIA Vera Rubin-ի վրա ցուցադրել է վայրկյանում 576 թոքեն։ Սրանք կոնկրետ սարքավորումների վրա ստացված արդյունքներ են, ոչ թե արագության համընդհանուր երաշխիքներ։

Տեղային տեղակայումը դեռևս պահանջում է մեծ ռեսուրսներ. քառաբիթ քվանտացված տարբերակին անհրաժեշտ է մոտ 356 ԳԲ հիշողություն։

Որտեղ է Inkling 2 Small-ը դեռ դժվարանում

Արդյունքները տարբեր են։ Inkling 2 Small-ը Terminal-Bench 4.0-ում ստացել է ընդամենը 13.1%, իսկ Artificial Analysis-ը Intelligence Index-ի յուրաքանչյուր առաջադրանքի համար չափել է մոտ 21.5 րոպե։ Հետևաբար երկար առաջադրանքները կարող են դանդաղ լինել՝ չնայած թոքենների գեներացման բարձր արագությանը։ Հայտնի սահմանափակումներից են նաև հալյուցինացիաները և երկար, բազմափուլ զրույցների ընթացքում որակի անկումը. մեծ կոնտեքստային պատուհանը չի վերացնում այդ թերությունները։

Փորձեք Inkling 2 Small-ը vega.chat-ում

Inkling 2 Small-ն արդեն հասանելի է vega.chat-ի մոդելների ընտրացանկում՝ թե՛ զրույցի, թե՛ կոդի բաժիններում։ Պատկերների մուտքագրումն աջակցվում է, իսկ PDF մուտքագրումը՝ ոչ։ Փորձեք այն ձեր սովորական մոդելի կողքին՝ իրական կոդավորման առաջադրանքով կամ երկար փաստաթղթով, և տեսեք, թե ինչպես է աշխատում, երբ պետք է ստուգի սեփական արդյունքը։

Մշակողները կարող են մոդելն օգտագործել api.vega.chat-ի՝ OpenRouter-ի հետ համատեղելի API-ի միջոցով՝ այն գործակալներում, կոդավորման աշխատանքային գործընթացներում և սեփական հավելվածներում փորձարկելու համար։

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

Կարդացեք նաև

Qwen 4 Max․ 2.4T պարամետր՝ երկարատև աշխատանքի համար
Qwen 4 Max․ 2.4T պարամետր՝ երկարատև աշխատանքի համար16 նոյեմբերի, 2026 թ.
Ներկայացնում ենք Gemini 4 Hydrogen-ը
Ներկայացնում ենք Gemini 4 Hydrogen-ը13 նոյեմբերի, 2026 թ.
MiniMax H3-Image․ բաց կշիռներով 4K պատկերներ՝ 10 վայրկյանից էլ արագ
MiniMax H3-Image․ բաց կշիռներով 4K պատկերներ՝ 10 վայրկյանից էլ արագ11 նոյեմբերի, 2026 թ.

Մեկնաբանություններ · 0

VEGA - built in getmyai.io
ԳներՄոդելներԲլոգՍտեղծողի մասինԾառայության պայմաններԳաղտնիության քաղաքականությունՓոստային հաղորդագրությունների քաղաքականություն