Newsletter Subscribe
Enter your email address below and subscribe to our newsletter
[forminator_form id="25163"]

thinkingmachines.ai+1.x.com+1.artificialanalysis.ai+1.Thinking Machines Lab lanzó el viernes 20 de noviembre Inkling 2 Mini. Se trata de un modelo de pesos abiertos que la compañía describe como "lo suficientemente pequeño para ejecutar en tu portátil", el cual obtiene su capacidad de razonamiento al procesar parte de su red varias veces por cada token. Este lanzamiento sigue al de Inkling 2 Small. El laboratorio bromeó en X diciendo que "algunos pensaron" que aquel modelo "era demasiado grande con 594B de parámetros".thinkingmachines.ai+1
El modelo es un sistema de mezcla de expertos con 26.4 mil millones de parámetros totales y 3.4 mil millones activos. Contando los bucles, utiliza 5.4 mil millones de activaciones de peso por token. La mayoría de sus pesos fueron entrenados y se despliegan de forma nativa en NVFP4, lo que mantiene su huella total en unos 20GB. Está bajo licencia Apache 2.0, acepta entradas de texto e imagen y admite una ventana de contexto de hasta 1 millón de tokens.thinkingmachines.ai+2
El modelo tiene 24 capas. Las 12 centrales se ejecutan tres veces por token, mientras que las primeras y últimas seis se ejecutan una vez. Esto le otorga 48 capas lógicas construidas a partir de 24 físicas. La compañía afirma que el bucle permite al modelo "llegar a la respuesta correcta con menos tokens", especialmente en tareas de programación autónoma.huggingface.co+2
Según el laboratorio, Inkling 2 Mini lidera todos los modelos de pesos abiertos de menos de 100 mil millones de parámetros en DeepSWE v1.1, con un 48.2%, y en Vals Index v2.2, con un 46.5%. Artificial Analysis le otorgó una puntuación de 20 en su Intelligence Index, igualando al Qwen3.8 27B con aproximadamente una quinta parte de los parámetros activos. La firma también señaló que es unas seis veces más barato y cuatro veces más rápido por tarea que dicho modelo.thinkingmachines.ai+1
El uso de bucles plantea interrogantes para la supervisión de la IA, ya que un modelo puede razonar internamente sin registrar sus pasos. El laboratorio indicó que, a esta escala, el razonamiento de cadena de pensamiento "se vuelve más corto pero sigue siendo legible". También lanzarán un modelo de investigación con bucle variable para que investigadores externos puedan probarlo. Unite.AI señaló que la compañía describe estos hallazgos de monitoreo como preliminares.x.com+1
Los pesos están en Hugging Face y el modelo está disponible en Tinker para inferencia y ajuste fino. El soporte de inferencia desde el primer día cubre SGLang, vLLM, Ollama y NVIDIA Dynamo, entre otras herramientas. A través de Ollama, funciona en Macs con al menos 32GB de RAM. vLLM informó que soporta tanto el modelo principal como su punto de control de bucle variable en hardware NVIDIA Blackwell, Hopper y DGX Spark.vllm.ai+1
La compañía es transparente sobre las debilidades del modelo. Obtiene un 50.0% en MultiChallenge y un 33.4% en ComplexConstraints v1.1, por detrás del Qwen3.8 27B tanto en chat multivuelta como en instrucciones con múltiples restricciones. La ficha técnica también advierte que el modelo "puede realizar acciones destructivas, como borrar o sobrescribir archivos, sin confirmación". Aconseja a los usuarios "ejecutar cargas de trabajo autónomas en un entorno aislado (sandbox)".thinkingmachines.ai+1