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 a lancé le vendredi 20 novembre Inkling 2 Mini. Il s'agit d'un modèle à poids ouverts que l'entreprise décrit comme "suffisamment petit pour fonctionner sur votre ordinateur portable", tirant sa capacité de raisonnement de l'exécution répétée d'une partie de son réseau pour chaque jeton. Ce lancement fait suite à celui d'Inkling 2 Small. Le laboratoire a plaisanté sur X en disant que "certains d'entre vous pensaient" que ce modèle "était trop gros avec 594B de paramètres".thinkingmachines.ai+1
Le modèle est un système de mélange d'experts comptant 26,4 milliards de paramètres au total, dont 3,4 milliards actifs. En comptant les boucles, il utilise 5,4 milliards d'activations de poids par jeton. La plupart de ses poids ont été entraînés et sont déployés nativement en NVFP4, ce qui maintient son empreinte totale à environ 20 Go. Il est sous licence Apache 2.0, accepte des entrées texte et image, et prend en charge une fenêtre de contexte allant jusqu'à 1 million de jetons.thinkingmachines.ai+2
Le modèle comporte 24 couches. Les 12 couches centrales s'exécutent trois fois par jeton, tandis que les six premières et les six dernières s'exécutent une seule fois. Cela lui donne 48 couches logiques construites à partir de 24 couches physiques. L'entreprise affirme que le bouclage permet au modèle d'"atteindre la bonne réponse avec moins de jetons", en particulier dans le codage par agents.huggingface.co+2
Selon le laboratoire, Inkling 2 Mini surpasse tous les modèles à poids ouverts de moins de 100 milliards de paramètres sur DeepSWE v1.1, avec 48,2%, et sur Vals Index v2.2, avec 46,5%. Artificial Analysis lui a attribué un score de 20 sur son Intelligence Index, égalant le Qwen3.8 27B avec environ un cinquième du nombre de paramètres actifs. L'entreprise a également précisé qu'il était environ six fois moins cher et quatre fois plus rapide par tâche que ce modèle.thinkingmachines.ai+1
Le bouclage soulève une question pour la surveillance de l'IA, car un modèle peut raisonner en interne sans noter ses étapes. Le laboratoire a déclaré qu'à cette échelle, le raisonnement par chaîne de pensée "devient plus court mais reste lisible". Ils publient également un modèle de recherche à boucle variable pour permettre à des chercheurs externes de tester ce mécanisme. Unite.AI a noté que l'entreprise qualifie ces conclusions sur la contrôlabilité de préliminaires.x.com+1
Les poids sont disponibles sur Hugging Face, et le modèle est accessible sur Tinker pour l'inférence et le réglage fin. Le support d'inférence dès le premier jour couvre SGLang, vLLM, Ollama et NVIDIA Dynamo, parmi d'autres outils. Via Ollama, il fonctionne sur les Mac disposant d'au moins 32 Go de RAM. vLLM a indiqué qu'il prend en charge à la fois le modèle principal et son point de contrôle à boucle variable sur le matériel NVIDIA Blackwell, Hopper et DGX Spark.vllm.ai+1
L'entreprise est transparente sur les faiblesses du modèle. Il obtient 50,0% sur MultiChallenge et 33,4% sur ComplexConstraints v1.1, derrière le Qwen3.8 27B tant sur le chat multi-tours que sur les instructions avec de nombreuses contraintes. La fiche technique avertit également que le modèle "peut prendre des mesures destructives, telles que la suppression ou l'écrasement de fichiers, sans confirmation". Elle conseille aux utilisateurs d'"exécuter les charges de travail par agents dans un bac à sable (sandbox)".thinkingmachines.ai+1