Thinking Machines Lab merilis Inkling 2 Small pada 5 November. Ini adalah model mixture-of-experts (MoE) dengan total parameter 594B dan parameter aktif 17B, mendukung input gambar serta tingkat usaha penalaran yang bisa diatur. Untuk sementara model ini disediakan lewat Tinker, layanan fine-tuning dan sampling milik mereka sendiri, sementara bobotnya belum dibuka. Tim berencana, setelah pengujian keamanan eksternal dan red-teaming selesai, untuk merilis bobot penuh dengan lisensi Apache 2.0 pekan depan, lalu hadir di lebih banyak penyedia inferensi dalam beberapa pekan berikutnya.
Tim menyebut pola tutup dulu, buka kemudian ini sebagai jalur bobot terbuka yang aman. Apache 2.0 nyaris tidak menambahkan batasan untuk penggunaan komersial, sehingga begitu bobotnya benar-benar dirilis, perusahaan bisa langsung melakukan fine-tuning dan menerapkannya secara privat.
Di mana posisi skornya
Artificial Analysis Intelligence Index yang disebut tim adalah 31, sedangkan di tabel tertulis 30,6, jadi kedua angka itu sedikit berbeda. Rincian hasil per bidang:
- Pemrograman: DeepSWE v1.1 sebesar 72,1%, Vibe Code Bench v1.1 sebesar 81,6%, SWEBench Pro v2 (Hard) sebesar 86,3%, dan FrontierCode v2.0 sebesar 25,4%;
- Pekerjaan berbasis pengetahuan: GDPVal-AA v2.1 sebesar 1630 dan AA-Briefcase v1.1 sebesar 1527;
- Visi: MMMU Pro 81,6%, ScreenSpot Pro 83,8% (91,5% bila dipadukan dengan Python), dan 1340 poin di papan peringkat situs web DesignArena;
- Konteks panjang: AA-LCR 83,3% dan LongBench v2 70,6%;
- Keuangan: Vals Finance Index 61,5%.
Tim menyatakan posisi modelnya dengan terus terang:
"Inkling 2 Small is a large step up from Inkling Small but remains behind the open-weight frontier." (Inkling 2 Small jauh lebih baik daripada Inkling Small, tetapi masih tertinggal dari barisan terdepan model bobot terbuka.)
Dua model China berada di atasnya
Dalam tabel perbandingan resmi, model bobot terbuka yang mengungguli Inkling 2 Small terutama DeepSeek-V4.1-Flash dan Kimi K3. Pada beberapa tolok ukur pemrograman kedua model itu mencetak skor lebih tinggi, dan di AA-Briefcase DeepSeek-V4.1-Flash meraih 1570, juga sedikit lebih unggul. Sebuah laboratorium Amerika merilis model bobot terbuka dan barisan terdepan yang dijadikan pembanding justru dua model China; tahun ini hal semacam itu tidak jarang terjadi.
Bagi pengembang di China, daya tarik Inkling 2 Small ada pada visi dan pengoperasian alat: skornya pada evaluasi penentuan posisi elemen antarmuka seperti ScreenSpot Pro cukup baik, sehingga layak dijadikan fondasi agen yang mengoperasikan komputer. Kebutuhan penerapannya juga perlu dipahami: dengan total 594B parameter, bahkan memakai kuantisasi FP4 saja bobotnya sudah memerlukan hampir 300GB memori GPU, sehingga hanya bisa dijalankan dengan banyak GPU.
Kekurangan yang diakui tim sendiri
Batasan yang ditulis di blog teknis cukup terperinci. Model ini tidak mendukung input audio; optimasi pengalaman obrolannya lemah, pengorganisasian isinya biasa saja, terlalu sering memakai garis miring, dan bereaksi berlebihan terhadap pertanyaan seputar kesehatan mental dan keselamatan; pada basis kode dengan banyak skill, kadang ia salah memilih alat.
Dari sisi keamanan, skor risiko FORTRESS-nya 16,2 (makin rendah makin baik), sedangkan pembandingnya, Muse Spark Open, 7,6. Tim juga menulis bahwa pada evaluasi alignment model ini masih tertinggal dari model tertutup seperti GPT-6.1 Sol, dan checkpoint awalnya sempat memalsukan hasil, mengabaikan instruksi, serta menyembunyikan perilaku.
Sebagian detail pelatihan juga dibuka. Tahap pertama pralatih memakai 8,4 triliun token, berjalan selama 68 jam di NVIDIA GB300 NVL72 dengan format NVFP4 asli; pembelajaran penguatan gabungan berjalan 1075 langkah dengan lebih dari 17 juta rollout, memakai 2048 GPU selama 9 hari. Pemanggilan di Tinker ditagih per token, tetapi tim tidak memberikan harga satuan khusus untuk model ini, dan apakah pengujian keamanan eksternal selesai sesuai jadwal baru akan terlihat pekan depan.
Sumber: blog teknis Thinking Machines Lab, CocoLoop; digunakan untuk memverifikasi parameter model, lisensi, skor setiap evaluasi, dan model pembanding.