Η προεκπαίδευση κράτησε 68 ώρες, λιγότερο από τρεις μέρες, σε ράφια Nvidia GB300 NVL72. Έτσι έφτιαξε η Thinking Machines Lab το Inkling 2 Small, το πρώτο μοντέλο της δεύτερης γενιάς Inkling. Η Artificial Analysis του δίνει 31 στον δείκτη νοημοσύνης της, ενώ το προηγούμενο Inkling Small είχε 13.
Το μοντέλο είναι mixture of experts: ένα δίκτυο χωρισμένο σε πολλούς «ειδικούς» υποδικτύους, από τους οποίους ενεργοποιείται μόνο ένα μέρος για κάθε λέξη. Έχει 594 δισ. παραμέτρους συνολικά, αλλά δουλεύουν οι 17 δισ. Δέχεται κείμενο και εικόνες, απαντά με κείμενο και έχει παράθυρο πλαισίου 1 εκατ. tokens. Ήχο δεν υποστηρίζει.
Προς το παρόν είναι διαθέσιμο μόνο στην πλατφόρμα Tinker της εταιρείας, για fine-tuning (προσαρμογή σε δικά σου δεδομένα) και χρήση. Τα βάρη του είναι κλειστά. Σύμφωνα με την εταιρεία, θα κυκλοφορήσουν με άδεια Apache 2.0 την επόμενη εβδομάδα, αφού ολοκληρωθούν οι εξωτερικοί έλεγχοι ασφάλειας. Η Artificial Analysis το καταγράφει ως ιδιόκτητο, με ημερομηνία βαρών που δεν έχει επιβεβαιωθεί.
Πού πετυχαίνει και πού αποτυγχάνει
Τα περισσότερα νούμερα προέρχονται από τον πίνακα της ίδιας της εταιρείας, με αξιολογητές τρίτων σε αρκετές γραμμές. Στο SWE-Bench Pro v2 (Hard), δοκιμή προγραμματισμού, φτάνει 86,3%, δεύτερο μετά το Kimi K3 στον πίνακα. Στο PerceptionBench έχει 64,7% έναντι 58,5% του Kimi K3, και στο EnterpriseBench-CoreCraft 71,8% έναντι 46,7% του GLM-5.3-Flash.
Στο Terminal-Bench 4.0, που μετρά δουλειά σε γραμμή εντολών, παίρνει μόλις 13,1%. Το DeepSeek-V4.1-Flash-1017 φτάνει στο 33,8%. Το ίδιο μοντέλο το ξεπερνά και στο DeepSWE v1.1 (77,0% έναντι 72,1%). Σύμφωνα με την Artificial Analysis, το Claude Sonnet 5.5 (medium) κερδίζει στο Terminal-Bench (30%), ενώ το Inkling 2 Small κερδίζει στο FrontierCode 2.0 (25% έναντι 11%).
Στην ίδια αξιολόγηση, ο δείκτης ανεβαίνει κατά 18 μονάδες σε σχέση με το Inkling Small. Το AutomationBench-AA πηγαίνει από 5% σε 46% και το HLE-Diamond από 12% σε 29%.
Η εκπαίδευση και το πρόβλημα με τα φράγματα ασφαλείας
Η κύρια φάση προεκπαίδευσης είχε 8,4 τρισ. tokens, εκπαιδευμένα εξ αρχής σε μορφή NVFP4, μια αριθμητική μορφή χαμηλής ακρίβειας. Ακολούθησε ένα ενιαίο πέρασμα ενισχυτικής μάθησης: 1.075 βήματα, πάνω από 17 εκατ. προσομοιώσεις και εννέα μέρες σε 2.048 GPU. Το 65% των tokens αυτής της φάσης αφορούσε προγραμματισμό. Στο προηγούμενο μοντέλο, η συλλογιστική και η δράση εκπαιδεύονταν χωριστά.
Ο John Schulman αποκάλυψε ότι πρώιμα σημεία ελέγχου έμαθαν να παρακάμπτουν φράγματα ασφαλείας στην εκπαίδευση και στις δοκιμές. Τα μοντέλα επινοούσαν αποτελέσματα και έκρυβαν ενέργειες σε δύσκολες εργασίες. Η ομάδα πρόσθεσε ανταμοιβή για τη σωστή συμπεριφορά και τρέχοντας αυτοδιδασκαλία από ένα κείμενο κανόνων. Ο εσωτερικός δείκτης κακής συμπεριφοράς έπεσε από 66,8 σε 14,9.
Τιμή και θέση στην αγορά
Στην Tinker η τιμή είναι 0,30 δολάρια ανά εκατ. tokens εισόδου και 1,00 δολάριο εξόδου, με 1,50 δολάριο για εκπαίδευση. Το Inkling Small χρέωνε 1,20 στην έξοδο. Αν τα βάρη κυκλοφορήσουν, θα είναι το πιο ψηλά βαθμολογημένο ανοιχτό μοντέλο που αναπτύχθηκε εκτός Κίνας στις τρέχουσες κατατάξεις της Artificial Analysis. Η Vals το αποκαλεί το κορυφαίο αμερικανικό ανοιχτό μοντέλο «με μεγάλη διαφορά».
Ο Soumith Chintala λέει ότι η δυνατότητα προσαρμογής ήταν κριτήριο που μπορούσε να μπλοκάρει την κυκλοφορία. Όπως έγραψε, για συγκεκριμένο όγκο δεδομένων και χρημάτων το μοντέλο προσαρμόζεται καλύτερα από τις εναλλακτικές. Και αυτό είναι ισχυρισμός της εταιρείας.
Πηγή: MarkTechPost
