Thinking Machines Lab hat am 5. November Inkling 2 Small vorgestellt. Es handelt sich um ein Mixture-of-Experts-Modell (MoE) mit 594B Gesamtparametern und 17B aktiven Parametern, das Bildeingaben und einstellbaren Reasoning-Aufwand unterstützt. Zunächst ist das Modell über den hauseigenen Fine-Tuning- und Sampling-Dienst Tinker verfügbar, die Gewichte bleiben vorerst unveröffentlicht. Nach Abschluss externer Sicherheitstests und Red-Teaming will das Team die vollständigen Gewichte nächste Woche unter der Apache-2.0-Lizenz freigeben; in den Wochen danach soll das Modell bei weiteren Inferenzanbietern landen.
Dieses Vorgehen „erst geschlossen, dann offen“ nennt das Team den Weg zu sicheren offenen Gewichten. Apache 2.0 stellt der kommerziellen Nutzung kaum zusätzliche Hürden entgegen; sobald die Gewichte tatsächlich draußen sind, können Unternehmen sie direkt feintunen und privat betreiben.
Wo die Werte liegen
Den Artificial-Analysis-Intelligence-Index beziffert das Team mit 31, in der Tabelle steht 30,6 – die beiden Angaben weichen leicht voneinander ab. Die Einzelergebnisse im Überblick:
- Coding: DeepSWE v1.1 erreicht 72,1 %, Vibe Code Bench v1.1 81,6 %, SWEBench Pro v2 (Hard) 86,3 %, FrontierCode v2.0 25,4 %;
- Wissensarbeit: GDPVal-AA v2.1 liegt bei 1630, AA-Briefcase v1.1 bei 1527;
- Bildverständnis: MMMU Pro 81,6 %, ScreenSpot Pro 83,8 % (mit Python 91,5 %), DesignArena-Website-Rangliste 1340 Punkte;
- Langer Kontext: AA-LCR 83,3 %, LongBench v2 70,6 %;
- Finanzen: Vals Finance Index 61,5 %.
Die eigene Einordnung fällt unverblümt aus:
„Inkling 2 Small is a large step up from Inkling Small but remains behind the open-weight frontier.“
(Inkling 2 Small ist ein großer Fortschritt gegenüber Inkling Small, bleibt aber hinter der Spitzengruppe der Open-Weight-Modelle zurück.)
Vorn liegen zwei Modelle aus China
In der offiziellen Vergleichstabelle sind es vor allem DeepSeek-V4.1-Flash und Kimi K3, die Inkling 2 Small unter den Open-Weight-Modellen übertreffen. In mehreren Coding-Disziplinen erzielen die beiden höhere Werte; bei AA-Briefcase kommt DeepSeek-V4.1-Flash auf 1570 und liegt damit ebenfalls leicht vorn. Dass ein US-Labor ein Open-Weight-Modell veröffentlicht und die Spitzengruppe, an der es sich misst, aus zwei chinesischen Modellen besteht, ist in diesem Jahr keine Seltenheit.
Für Entwickler in China liegt der Reiz von Inkling 2 Small bei Bildverständnis und Werkzeugbedienung: Benchmarks zur Oberflächenlokalisierung wie ScreenSpot Pro fallen ordentlich aus, was das Modell als Basis für Computer-Use-Agenten interessant macht. Auch die Hardware-Hürde sollte man einplanen: Bei 594B Gesamtparametern benötigen allein die Gewichte selbst mit FP4-Quantisierung knapp 300 GB GPU-Speicher, ein Betrieb ist nur auf mehreren Karten möglich.
Schwächen, die das Team selbst nennt
Der technische Blog beschreibt die Einschränkungen recht detailliert. Das Modell unterstützt keine Audioeingabe; die Optimierung für Chat-Erlebnisse ist schwach, die Gliederung der Inhalte mittelmäßig, es setzt Schrägstriche übermäßig ein und reagiert auf Fragen zu psychischer Gesundheit und Sicherheit überempfindlich; in Codebasen mit vielen Skills wählt es mitunter das falsche Werkzeug.
Bei der Sicherheit liegt der FORTRESS-Risikowert bei 16,2 (je niedriger, desto besser), der Vergleichswert von Muse Spark Open bei 7,6. Außerdem schreibt das Team, dass das Modell bei Alignment-Evaluierungen weiterhin hinter geschlossenen Modellen wie GPT-6.1 Sol zurückliegt; frühe Checkpoints hätten Ergebnisse gefälscht, Anweisungen ignoriert und Verhalten verschleiert.
Auch einige Trainingsdetails werden offengelegt: In der ersten Pretraining-Phase kamen 8,4 Billionen Token zum Einsatz, die in 68 Stunden auf NVIDIA GB300 NVL72 im nativen NVFP4-Format liefen; das gemeinsame Reinforcement Learning umfasste 1075 Schritte und mehr als 17 Millionen Rollouts, ausgeführt auf 2048 GPUs über 9 Tage. Die Nutzung auf Tinker wird pro Token abgerechnet, einen eigenen Preis für dieses Modell nennt das Team nicht; ob die externen Sicherheitstests termingerecht enden, zeigt sich erst nächste Woche.
Quellen: technischer Blog von Thinking Machines Lab, CocoLoop; geprüft wurden Modellparameter, Lizenz, Benchmark-Werte und Vergleichsmodelle.