1. VEGA
  2. Blog
  3. Inkling 2 Small: melhor modelo aberto da Thinking Machines
13 de novembro de 2026Comunicados

Inkling 2 Small: melhor modelo aberto da Thinking Machines

Inkling 2 Small: melhor modelo aberto da Thinking Machines

A Thinking Machines Lab lançou o Inkling 2 Small, seu primeiro modelo de segunda geração e, no lançamento, o modelo de pesos abertos mais forte criado fora da China no Artificial Analysis Intelligence Index. Ele combina programação agêntica, compreensão de imagens e uma janela de contexto de 1 milhão de tokens com pesos Apache 2.0. Para quem escolhe um modelo para trabalhar de verdade, seu principal atrativo é a capacidade de fazer alterações, verificar os resultados e continuar trabalhando, em vez de produzir uma primeira resposta convincente e parar por aí.

O que é o Inkling 2 Small?

A Thinking Machines Lab, fundada pela ex-CTO da OpenAI Mira Murati, anunciou o Inkling 2 Small em 5 de novembro de 2026, por meio do Tinker e do Tinker Playground. Seus pesos abertos foram publicados no Hugging Face em 12 de novembro, sob a licença Apache 2.0.

Apesar do nome, este não é um modelo pequeno para hospedar. O Inkling 2 Small é um modelo esparso de Mistura de Especialistas, com 594 bilhões de parâmetros no total e aproximadamente 17 bilhões ativos por token. Ele seleciona oito de seus 384 especialistas para cada token.

Sua janela de contexto comporta 1.048.576 tokens, oferecendo espaço para documentos longos e bastante contexto de código. As entradas podem incluir texto e imagens; ao contrário do primeiro Inkling, ele não aceita áudio.

Os desenvolvedores também podem ajustar reasoning_effort de none a max, equilibrando a profundidade do raciocínio com o custo. Na prática, isso significa respostas rápidas e baratas para perguntas simples e um trabalho mais aprofundado quando o problema exige.

Benchmarks do Inkling 2 Small: os maiores avanços

O resultado de destaque é 31 pontos no Artificial Analysis Intelligence Index v5.0.1, ante 13 do Inkling Small. Isso o coloca acima de todos os modelos abertos criados fora da China nessa avaliação, em um nível comparável ao Gemini 3.8 Flash com alto esforço de raciocínio.

Alguns resultados tornam essa melhora mais concreta:

BenchmarkResultado do Inkling 2 SmallPor que é importante
SWE-Bench Pro v2 (Hard)86.3%Forte desempenho em tarefas difíceis de programação
ARC-AGI-281.7%Melhor resultado entre modelos de pesos abertos, segundo o ARC Prize
AA Intelligence Index v5.0.131, ante 13 anteriormenteUm avanço substancial de uma geração para outra
AA-Briefcase1527 Elo, ante 912 anteriormenteMelhor desempenho em tarefas empresariais longas
AA-Omniscience v1.127% de alucinações, ante 61%Respostas mais seletivas reduziram as alucinações

No AA-Briefcase, que abrange planilhas, apresentações e memorandos, seus 1527 Elo também superam os 1439 do Claude Sonnet 5.5 com esforço médio de raciocínio e os 1203 do Gemini 3.8 Flash com esforço alto.

O resultado sobre alucinações precisa ser interpretado com cuidado. A redução ocorreu principalmente porque o modelo passou a responder de forma mais seletiva, e não porque os erros factuais foram eliminados. É uma melhora, mas afirmações importantes ainda precisam ser verificadas.

Para que o Inkling 2 Small é bom na prática

A programação agêntica é o ponto de partida mais óbvio. O treinamento incluiu centenas de milhares de tarefas longas de programação, com ênfase em seguir instruções, avaliar alterações e verificar o trabalho concluído. Por isso, tarefas em repositórios são um teste mais revelador do que pedir uma função isolada.

A entrada de imagens acrescenta um recurso útil: autoverificação com visão integrada ao processo. Um agente pode gerar um site de comércio eletrônico, inspecionar sua aparência renderizada e usar esse retorno visual para avaliar o próprio resultado. Isso vai além de descrever uma imagem fornecida.

Para finanças e trabalho com conhecimento, os resultados do AA-Briefcase sugerem testá-lo em tarefas com várias entregas, em vez de pedir apenas um resumo. Ele também obteve 67.5% no Finance Agent v2.1.

A análise de dados é outro caso de uso promissor. No Plotly DataAnalyticsBench, marcou 39 de 43, ou 91%, com pontuação perfeita nas categorias que avaliam ambiguidade, solicitações inviáveis, problemas de qualidade dos dados e armadilhas estatísticas.

Para fluxos de pesquisa, seu treinamento incluiu exercícios de “autoresearch”, como o ajuste fino de redes neurais e a otimização de kernels de GPU. Em um exemplo divulgado, ele ajustou o Qwen3.5-4B de forma independente para previsão de séries temporais, dobrando a pontuação desse modelo em 4.5 horas, por US$ 426 no Tinker. Essa é uma demonstração específica, não uma garantia para outros experimentos.

Licença Apache 2.0 e ecossistema do Inkling 2 Small

Os pesos sob Apache 2.0 permitem personalizar o Inkling 2 Small, inclusive com a propriedade, por parte das empresas, das versões ajustadas. A Thinking Machines também relata um ajuste fino mais rápido e melhor qualidade nos resultados do que em seus modelos anteriores, usando os mesmos dados e algoritmos.

O suporte desde o primeiro dia incluiu vLLM, SGLang, Together AI, Snowflake Cortex e Cloudflare Workers AI. O modelo também está disponível pelo OpenRouter.

As otimizações de execução são importantes nessa escala. O decodificador especulativo DSpark gera rascunhos de sete tokens por etapa e atingiu até aproximadamente 630 tokens por segundo por usuário em TP4 no GB200. O SGLang demonstrou 576 tokens por segundo no NVIDIA Vera Rubin. Esses resultados foram obtidos em hardware específico e não são promessas de velocidade universal.

A execução local continua exigindo bastante: uma versão quantizada em quatro bits precisa de aproximadamente 356 GB de memória.

Onde o Inkling 2 Small ainda tem dificuldades

Os resultados são irregulares. O Inkling 2 Small marcou apenas 13.1% no Terminal-Bench 4.0, e a Artificial Analysis mediu aproximadamente 21.5 minutos por tarefa do Intelligence Index. Portanto, tarefas longas podem ser lentas, apesar das altas velocidades de geração de tokens. Entre as limitações conhecidas também estão as alucinações e a degradação ao longo de conversas longas com várias interações; uma janela de contexto grande não elimina esses pontos fracos.

Teste o Inkling 2 Small no vega.chat

O Inkling 2 Small já está disponível no seletor de modelos do vega.chat, nos grupos de chat e código. A entrada de imagens é compatível; a de PDFs, não. Experimente com uma tarefa real de programação ou um documento longo, ao lado do modelo que você costuma usar, e veja como ele se sai quando precisa verificar o próprio trabalho.

Desenvolvedores podem acessá-lo pela api.vega.chat, compatível com a API do OpenRouter, para testá-lo em agentes, fluxos de programação e em seus próprios aplicativos.

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

Leia também

Qwen 4 Max: colega de 2,4T parâmetros para trabalho longo
Qwen 4 Max: colega de 2,4T parâmetros para trabalho longo16 de novembro de 2026
Anunciando o Gemini 4 Hydrogen
Anunciando o Gemini 4 Hydrogen13 de novembro de 2026
MiniMax H3-Image: imagens 4K com pesos abertos em menos de 10 s
MiniMax H3-Image: imagens 4K com pesos abertos em menos de 10 s11 de novembro de 2026

Comentários · 0

VEGA - built in getmyai.io
PreçosModelosBlogSobre o criadorTermos de ServiçoPolítica de PrivacidadePolítica de E-mails