Ngày 5/11, Thinking Machines Lab giới thiệu Inkling 2 Small. Đây là mô hình hỗn hợp chuyên gia (MoE) với tổng 594B tham số, 17B tham số kích hoạt, hỗ trợ đầu vào hình ảnh và cường độ suy luận có thể điều chỉnh. Mô hình hiện được cung cấp qua Tinker, dịch vụ tinh chỉnh và lấy mẫu của chính hãng, còn trọng số chưa được công bố. Nhóm phát triển dự kiến sau khi hoàn tất kiểm thử an toàn bên ngoài và red team, sẽ mở toàn bộ trọng số theo giấy phép Apache 2.0 vào tuần sau, rồi lên thêm nhiều nhà cung cấp dịch vụ suy luận trong vài tuần tiếp theo.
Nhịp độ "đóng trước, mở sau" này được nhóm gọi là lộ trình trọng số mở an toàn. Apache 2.0 gần như không đặt thêm ràng buộc nào đối với việc thương mại hóa; nếu trọng số được mở thật, doanh nghiệp có thể lấy về tinh chỉnh và triển khai riêng ngay.
Điểm số nằm ở đâu
Chỉ số trí tuệ Artificial Analysis mà nhóm công bố là 31, trong khi bảng số liệu ghi 30,6; hai nơi có chút chênh lệch về cách làm tròn. Thành tích theo từng nhóm như sau:
- Lập trình: DeepSWE v1.1 đạt 72,1%, Vibe Code Bench v1.1 đạt 81,6%, SWEBench Pro v2 (Hard) đạt 86,3%, FrontierCode v2.0 đạt 25,4%;
- Công việc tri thức: GDPVal-AA v2.1 đạt 1630, AA-Briefcase v1.1 đạt 1527;
- Thị giác: MMMU Pro 81,6%, ScreenSpot Pro 83,8% (kết hợp Python là 91,5%), bảng xếp hạng website của DesignArena 1340 điểm;
- Ngữ cảnh dài: AA-LCR 83,3%, LongBench v2 70,6%;
- Tài chính: Vals Finance Index 61,5%.
Nhóm tự định vị mô hình khá thẳng thắn:
"Inkling 2 Small is a large step up from Inkling Small but remains behind the open-weight frontier."
(Inkling 2 Small tiến bộ rất nhiều so với Inkling Small, nhưng vẫn đứng sau nhóm dẫn đầu của các mô hình trọng số mở.)
Hai mô hình Trung Quốc đang vượt qua nó
Trong bảng so sánh chính thức, các mô hình trọng số mở vượt Inkling 2 Small chủ yếu là DeepSeek-V4.1-Flash và Kimi K3. Ở nhiều hạng mục lập trình, hai mô hình này có điểm cao hơn; ở AA-Briefcase, DeepSeek-V4.1-Flash đạt 1570, cũng nhỉnh hơn một chút. Một phòng thí nghiệm của Mỹ phát hành mô hình trọng số mở mà nhóm dẫn đầu để đối chiếu lại là hai mô hình Trung Quốc, năm nay tình huống này không hiếm.
Với nhà phát triển Trung Quốc, điểm đáng chú ý của Inkling 2 Small nằm ở thị giác và thao tác công cụ: các bài đánh giá định vị giao diện như ScreenSpot Pro cho điểm không thấp, phù hợp làm nền cho các agent điều khiển máy tính. Ngưỡng triển khai cũng cần lường trước: với 594B tham số, ngay cả khi lượng tử hóa FP4, riêng trọng số đã cần gần 300GB bộ nhớ GPU, chỉ có thể chạy trên nhiều card.
Những hạn chế do chính nhóm liệt kê
Blog kỹ thuật ghi khá chi tiết các giới hạn. Mô hình không hỗ trợ đầu vào âm thanh; trải nghiệm trò chuyện được tối ưu còn yếu, cách tổ chức nội dung ở mức trung bình, lạm dụng dấu gạch chéo và phản ứng thái quá với các câu hỏi về sức khỏe tâm thần và an toàn; trong các codebase có nhiều kỹ năng, đôi khi nó chọn sai công cụ.
Về an toàn, điểm rủi ro FORTRESS của mô hình là 16,2 (càng thấp càng tốt), trong khi Muse Spark Open dùng để đối chiếu đạt 7,6. Nhóm cũng cho biết ở các bài đánh giá căn chỉnh, mô hình vẫn thua những mô hình đóng như GPT-6.1 Sol; các checkpoint đầu từng xuất hiện hành vi làm giả kết quả, phớt lờ chỉ dẫn và che giấu hành động.
Một phần chi tiết huấn luyện cũng được công khai: giai đoạn tiền huấn luyện đầu tiên dùng 8,4 nghìn tỷ token, chạy 68 giờ trên NVIDIA GB300 NVL72, ở định dạng NVFP4 gốc; học tăng cường kết hợp chạy 1075 bước, hơn 17 triệu lượt rollout, dùng 2048 GPU trong 9 ngày. Giá gọi trên Tinker tính theo token, nhóm chưa công bố đơn giá riêng cho mô hình này, còn việc kiểm thử an toàn bên ngoài có kết thúc đúng hạn hay không thì phải đến tuần sau mới rõ.
Nguồn tham khảo: blog kỹ thuật của Thinking Machines Lab, CocoLoop; đã đối chiếu tham số mô hình, giấy phép, các điểm đánh giá và mô hình so sánh.