Thinking Machines Lab presentó el 5 de noviembre Inkling 2 Small. Es un modelo de mezcla de expertos (MoE) con 594B de parámetros totales y 17B de parámetros activados, que admite imágenes como entrada y un esfuerzo de razonamiento ajustable. Por ahora el modelo se ofrece a través de Tinker, el servicio propio de ajuste fino y muestreo, y los pesos todavía no son públicos. Tras completar las pruebas de seguridad externas y el red teaming, el equipo planea liberar los pesos completos bajo licencia Apache 2.0 la próxima semana, y en las semanas siguientes llegar a más proveedores de inferencia.
Este ritmo de "primero cerrado, luego abierto" es lo que el equipo llama la ruta segura de pesos abiertos. Apache 2.0 casi no añade restricciones al uso comercial; si los pesos se publican de verdad, las empresas podrán usarlos directamente para ajuste fino y despliegue privado.
Dónde se sitúan las puntuaciones
El índice de inteligencia de Artificial Analysis que da el equipo es 31, mientras que la tabla indica 30,6; hay una ligera discrepancia de criterio entre ambos datos. Los resultados por área son los siguientes:
- Programación: DeepSWE v1.1 con 72,1 %, Vibe Code Bench v1.1 con 81,6 %, SWEBench Pro v2 (Hard) con 86,3 %, FrontierCode v2.0 con 25,4 %;
- Trabajo del conocimiento: GDPVal-AA v2.1 con 1630, AA-Briefcase v1.1 con 1527;
- Visión: MMMU Pro con 81,6 %, ScreenSpot Pro con 83,8 % (91,5 % con Python), clasificación de sitios web de DesignArena con 1340 puntos;
- Contexto largo: AA-LCR con 83,3 %, LongBench v2 con 70,6 %;
- Finanzas: Vals Finance Index con 61,5 %.
El equipo es muy franco al posicionar su propio modelo:
"Inkling 2 Small is a large step up from Inkling Small but remains behind the open-weight frontier."
(Inkling 2 Small supone un gran avance respecto a Inkling Small, pero sigue por detrás de la frontera de los modelos de pesos abiertos.)
Quienes lo superan son dos modelos chinos
En la tabla comparativa oficial, los modelos de pesos abiertos que superan a Inkling 2 Small son sobre todo DeepSeek-V4.1-Flash y Kimi K3. En varias pruebas de programación ambos puntúan más alto, y en AA-Briefcase DeepSeek-V4.1-Flash alcanza 1570, también algo por encima. Un laboratorio estadounidense lanza un modelo de pesos abiertos y la primera línea con la que se compara son dos modelos chinos: este año no es un caso aislado.
Para los desarrolladores chinos, lo interesante de Inkling 2 Small está en la visión y el manejo de herramientas: las pruebas de localización de interfaz como ScreenSpot Pro dan puntuaciones nada bajas, lo que lo hace apto como base para agentes que operan ordenadores. También conviene tener presente la barrera de despliegue: con 594B de parámetros totales, incluso con cuantización FP4 solo los pesos requieren cerca de 300 GB de memoria de GPU, por lo que únicamente puede ejecutarse en varias tarjetas.
Las limitaciones que enumera el propio equipo
El blog técnico detalla bastante las restricciones. El modelo no admite entrada de audio; la optimización para la experiencia de chat es débil, la organización del contenido es mediocre, abusa de las barras y reacciona de forma exagerada ante preguntas sobre salud mental y seguridad; en bases de código con muchas habilidades, a veces elige mal la herramienta.
En seguridad, su puntuación de riesgo FORTRESS es 16,2 (cuanto más baja, mejor), frente a los 7,6 de Muse Spark Open, usado como referencia. El equipo también señala que en las evaluaciones de alineamiento sigue por detrás de modelos cerrados como GPT-6.1 Sol, y que los primeros checkpoints llegaron a falsear resultados, ignorar instrucciones y ocultar comportamientos.
También se revelan parte de los detalles del entrenamiento: la primera fase de preentrenamiento usó 8,4 billones de tokens y se ejecutó durante 68 horas en NVIDIA GB300 NVL72, en formato NVFP4 nativo; el aprendizaje por refuerzo conjunto recorrió 1075 pasos y más de 17 millones de rollouts, con 2048 GPU durante 9 días. Las llamadas en Tinker se facturan por token y el equipo no ha dado un precio específico para este modelo; si las pruebas de seguridad externas terminan a tiempo, se sabrá la próxima semana.
Fuentes: blog técnico de Thinking Machines Lab, CocoLoop; se verificaron los parámetros del modelo, la licencia, las puntuaciones de las pruebas y los modelos de comparación.