1. VEGA
  2. ბლოგი
  3. Inkling 2 Small: Thinking Machines-ის საუკეთესო ღია მოდელი
13 ნოემბერი, 2026განცხადებები

Inkling 2 Small: Thinking Machines-ის საუკეთესო ღია მოდელი

Inkling 2 Small: Thinking Machines-ის საუკეთესო ღია მოდელი

Thinking Machines Lab-მა გამოუშვა Inkling 2 Small — თავისი პირველი, მეორე თაობის მოდელი და, გამოშვების მომენტისთვის, Artificial Analysis Intelligence Index-ის მიხედვით, ჩინეთის ფარგლებს გარეთ შექმნილი ყველაზე ძლიერი ღია წონების მოდელი. მასში გაერთიანებულია აგენტური კოდირება, სურათების გაგება და 1M-ტოკენიანი კონტექსტური ფანჯარა, Apache 2.0 ლიცენზიით. მათთვის, ვინც რეალური სამუშაოსთვის მოდელს არჩევს, მთავარი უპირატესობაა მისი უნარი, ცვლილებები შეიტანოს, შედეგები შეამოწმოს და მუშაობა გააგრძელოს — დამაჯერებელი პირველი პასუხის გაცემითა და გაჩერებით კი არ შემოიფარგლოს.

რა არის Inkling 2 Small?

Thinking Machines Lab-მა, რომელიც OpenAI-ის ყოფილმა ტექნიკურმა დირექტორმა მირა მურატიმ დააარსა, Inkling 2 Small 2026 წლის 5 ნოემბერს Tinker-ისა და Tinker Playground-ის მეშვეობით დააანონსა. ღია წონები 12 ნოემბერს Apache 2.0 ლიცენზიით Hugging Face-ზე გამოქვეყნდა.

სახელის მიუხედავად, ეს არ არის მცირე მოდელი ჰოსტინგისთვის. Inkling 2 Small არის იშვიათი Mixture-of-Experts მოდელი, რომელსაც აქვს ჯამში 594 მილიარდი პარამეტრი და თითო ტოკენზე დაახლოებით 17 მილიარდი აქტიური პარამეტრი. თითოეული ტოკენისთვის ის 384 ექსპერტიდან რვას არჩევს.

მისი კონტექსტური ფანჯარა 1,048,576 ტოკენს იტევს, რაც გრძელი დოკუმენტებისა და დიდი მოცულობის კოდის კონტექსტისთვის საკმარის სივრცეს იძლევა. შეყვანა შეიძლება მოიცავდეს ტექსტსა და სურათებს; პირველი Inkling-ისგან განსხვავებით, აუდიოს მიღება არ შეუძლია.

დეველოპერებს ასევე შეუძლიათ reasoning_effort პარამეტრის none-დან max-მდე შეცვლა და მსჯელობის სიღრმისა და ხარჯის დაბალანსება. პრაქტიკაში ეს ნიშნავს მარტივ კითხვებზე სწრაფ და იაფ პასუხებს, ხოლო რთულ ამოცანებზე — უფრო ღრმა მუშაობას.

Inkling 2 Small-ის ბენჩმარკები: ყველაზე დიდი წინსვლა

მთავარი შედეგია 31 ქულა Artificial Analysis Intelligence Index v5.0.1-ზე, მაშინ როცა Inkling Small-მა 13 ქულა მიიღო. ამ შეფასებაში მოდელი ჩინეთის ფარგლებს გარეთ შექმნილ ყველა ღია მოდელს უსწრებს და Gemini 3.8 Flash-ს მაღალი მსჯელობის ძალისხმევის რეჟიმში უტოლდება.

რამდენიმე შედეგი ამ გაუმჯობესებას უფრო კონკრეტულს ხდის:

ბენჩმარკიInkling 2 Small-ის შედეგირატომ არის მნიშვნელოვანი
SWE-Bench Pro v2 (Hard)86.3%რთულ კოდირების ამოცანებში მაღალი შედეგი
ARC-AGI-281.7%ARC Prize-ის თანახმად, ღია წონების მოდელებს შორის საუკეთესო შედეგი
AA Intelligence Index v5.0.131, წინა შედეგი — 13თაობებს შორის მნიშვნელოვანი გაუმჯობესება
AA-Briefcase1527 Elo, წინა შედეგი — 912გრძელ ბიზნესამოცანებში უკეთესი შედეგი
AA-Omniscience v1.1ჰალუცინაციების წილი — 27%, შემცირდა 61%-დანუფრო შერჩევითმა პასუხებმა ჰალუცინაციები შეამცირა

AA-Briefcase-ზე, რომელიც ცხრილებს, პრეზენტაციებსა და მემორანდუმებს მოიცავს, მისი 1527 Elo ასევე აღემატება Claude Sonnet 5.5-ის საშუალო მსჯელობის ძალისხმევის რეჟიმში მიღებულ 1439 ქულასა და Gemini 3.8 Flash-ის მაღალი ძალისხმევის რეჟიმში მიღებულ 1203 ქულას.

ჰალუცინაციების შედეგი ფრთხილ განმარტებას საჭიროებს. შემცირება ძირითადად პასუხების უფრო შერჩევით გაცემამ გამოიწვია და არა ფაქტობრივი შეცდომების აღმოფხვრამ. ეს გაუმჯობესებაა, თუმცა მნიშვნელოვანი მტკიცებები კვლავ გადამოწმებას საჭიროებს.

რისთვის არის გამოსადეგი Inkling 2 Small პრაქტიკაში

აგენტური კოდირება ყველაზე აშკარა საწყისი მიმართულებაა. მოდელის გაწვრთნა ასიათასობით გრძელ კოდირების ამოცანას მოიცავდა, განსაკუთრებული აქცენტით ინსტრუქციების შესრულებაზე, ცვლილებების შეფასებასა და დასრულებული სამუშაოს შემოწმებაზე. ამიტომ, ცალკეული ფუნქციის დაწერის თხოვნაზე უკეთესი გამოცდა რეპოზიტორიის ამოცანებია.

სურათების შეყვანა სასარგებლო შესაძლებლობას ამატებს: ხედვის გამოყენებით თვითშემოწმებას. აგენტს შეუძლია შექმნას ელექტრონული კომერციის საიტი, დაათვალიეროს მისი რენდერირებული სახე და ვიზუალური უკუკავშირით საკუთარი შედეგი შეაფასოს. ეს მოწოდებული სურათის აღწერაზე მეტია.

ფინანსებისა და ცოდნაზე დაფუძნებული სამუშაოსთვის AA-Briefcase-ის შედეგები მიანიშნებს, რომ მოდელის გამოცდა რამდენიმე შედეგის მომთხოვნ დავალებებზე ღირს და არა მხოლოდ ერთი შეჯამების შედგენაზე. მან ასევე Finance Agent v2.1-ზე 67.5% მიიღო.

მონაცემთა ანალიზი კიდევ ერთი პერსპექტიული გამოყენების სფეროა. Plotly DataAnalyticsBench-ზე მან მიიღო 43-დან 39 ქულა, ანუ 91%; გაურკვევლობის, შეუსრულებელი მოთხოვნების, მონაცემთა ხარისხის პრობლემებისა და სტატისტიკური ხაფანგების კატეგორიებში კი მაქსიმალური შედეგები აჩვენა.

კვლევით სამუშაო პროცესებში მოდელის გაწვრთნა „autoresearch“ სავარჯიშოებსაც მოიცავდა, მაგალითად, ნეირონული ქსელების დახვეწასა და GPU ბირთვების ოპტიმიზაციას. ერთ-ერთ აღწერილ მაგალითში მან დამოუკიდებლად მოარგო Qwen3.5-4B დროითი მწკრივების პროგნოზირებისთვის და Tinker-ზე 4.5 საათში, 426 დოლარის ღირებულებით, ამ მოდელის ქულა გააორმაგა. ეს კონკრეტული დემონსტრაციაა და არა სხვა ექსპერიმენტებისთვის გარანტია.

Apache 2.0-ის ღიაობა და Inkling 2 Small-ის ეკოსისტემა

Apache 2.0 ლიცენზიის მქონე წონები Inkling 2 Small-ის მორგების საშუალებას იძლევა, მათ შორის, საწარმოებისთვის — დახვეწილი ვერსიების ფლობის შესაძლებლობას. Thinking Machines-ის ცნობით, იდენტური მონაცემებისა და ალგორითმების გამოყენებისას მისი წინა მოდელებისგან განსხვავებით, დახვეწა უფრო სწრაფია და მიღებული მოდელის ხარისხიც მაღალია.

პირველივე დღიდან მხარდაჭერა ჰქონდათ vLLM-ს, SGLang-ს, Together AI-ს, Snowflake Cortex-სა და Cloudflare Workers AI-ს. მოდელი OpenRouter-ის მეშვეობითაც არის ხელმისაწვდომი.

ამ მასშტაბის მოდელისთვის მიწოდების ოპტიმიზაციას მნიშვნელობა აქვს. DSpark-ის სპეკულაციური დეკოდირება თითო ნაბიჯზე შვიდ ტოკენს ამზადებს და GB200-ზე TP4 რეჟიმში, თითო მომხმარებელზე, წამში დაახლოებით 630 ტოკენამდე სიჩქარეს აღწევს. SGLang-მა NVIDIA Vera Rubin-ზე წამში 576 ტოკენი აჩვენა. ეს კონკრეტული აპარატურის შედეგებია და არა სიჩქარის უნივერსალური დაპირება.

ლოკალური გაშვება კვლავ დიდ რესურსებს მოითხოვს: ოთხბიტიან კვანტიზებულ ვერსიას დაახლოებით 356 GB მეხსიერება სჭირდება.

რაში უჭირს Inkling 2 Small-ს

შედეგები არათანაბარია. Terminal-Bench 4.0-ზე Inkling 2 Small-მა მხოლოდ 13.1% მიიღო, ხოლო Artificial Analysis-ის გაზომვით, Intelligence Index-ის ერთი ამოცანის შესრულებას დაახლოებით 21.5 წუთი დასჭირდა. ამიტომ, მაღალი ტოკენების გენერირების სიჩქარის მიუხედავად, ხანგრძლივი ამოცანები შეიძლება ნელი იყოს. ცნობილ შეზღუდვებს შორისაა ჰალუცინაციები და ხანგრძლივი, მრავალეტაპიანი საუბრების დროს ხარისხის გაუარესება; კონტექსტური ფანჯრის დიდი ზომა ამ სისუსტეებს არ აქრობს.

სცადეთ Inkling 2 Small vega.chat-ზე

Inkling 2 Small უკვე ხელმისაწვდომია vega.chat-ის მოდელების სიაში, როგორც ჩატისა და კოდის განყოფილებებში. სურათების შეყვანა მხარდაჭერილია, PDF-ის — არა. სცადეთ მასთან რეალური კოდირების ამოცანა ან გრძელი დოკუმენტი თქვენს ჩვეულებრივ მოდელთან ერთად და ნახეთ, როგორ გაართმევს თავს საკუთარი ნამუშევრის შემოწმებას.

დეველოპერებს მასზე წვდომა შეუძლიათ api.vega.chat-ის, OpenRouter-თან თავსებადი API-ის მეშვეობით, რათა მოდელი აგენტებში, კოდირების სამუშაო პროცესებსა და საკუთარ აპლიკაციებში გამოსცადონ.

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

ასევე წაიკითხეთ

Qwen 4 Max: 2.4T-პარამეტრიანი გუნდის წევრი
Qwen 4 Max: 2.4T-პარამეტრიანი გუნდის წევრი16 ნოემბერი, 2026
Gemini 4 Hydrogen-ის წარდგენა
Gemini 4 Hydrogen-ის წარდგენა13 ნოემბერი, 2026
MiniMax H3-Image: 4K ღია წონებით 10 წამზე ნაკლებში
MiniMax H3-Image: 4K ღია წონებით 10 წამზე ნაკლებში11 ნოემბერი, 2026

კომენტარები · 0

VEGA - built in getmyai.io
ფასებიმოდელებიბლოგიშემქმნელის შესახებმომსახურების პირობებიკონფიდენციალურობის პოლიტიკასაფოსტო გზავნილების პოლიტიკა