Inkling 2 Small, da Thinking Machines, tem 594 bilhões de parâmetros e pesos prometidos

A Thinking Machines Lab lançou em 5 de novembro o Inkling 2 Small, modelo de mistura de especialistas com 594 bilhões de parâmetros no total e 17 bilhões ativos. Ele aceita texto e imagem e está disponível pela plataforma Tinker. A empresa promete liberar os pesos sob Apache 2.0 na semana seguinte ao lançamento, após testes de segurança.

O que é e como chega ao mercado

O Inkling 2 Small é a segunda geração da família Inkling. Cada token é roteado para 8 de 384 especialistas, segundo o TokenPost. O modelo permite ajustar o esforço de raciocínio e usa um codificador visual de 292 milhões de parâmetros, baseado no Perception Encoder.

No lançamento, o acesso é hospedado: o Tinker oferece Playground, inferência, fine-tuning e sampling, e os pesos seguem fechados. A licença listada por ora é a dos termos de uso do Tinker. A abertura dos pesos passa ainda por red teaming.

No primeiro Inkling, lançado em julho, os pesos saíram de uma vez. Desta vez a empresa adota o que chama de caminho seguro para a abertura: primeiro fechado, depois aberto.

Treinamento e desempenho divulgado

A Thinking Machines afirma que o modelo marca 31 pontos no Artificial Analysis Intelligence Index, salto sobre o antecessor. A tabela detalhada do lançamento traz 30,6 na versão 5.0 do índice. A empresa cita ganhos em código agêntico, visão, trabalho com conhecimento e raciocínio.

Segundo a empresa, a primeira etapa do pré-treinamento consumiu 8,4 trilhões de tokens em 68 horas, em chips NVIDIA GB300 NVL72 com NVFP4. O aprendizado por reforço somou mais de 17 milhões de rollouts, 1.075 passos e 9 dias em 2.048 GPUs.

Na tabela oficial de código da empresa, o DeepSeek-V4.1-Flash-1017 superou o Inkling 2 Small em três testes: FrontierCode v2.0 (28,5%), DeepSWE v1.1 (77,0%) e Vibe Code Bench v1.1 (87,7%).

Repercussão e um problema relatado

O boletim Latent Space vê o modelo como competitivo com modelos chineses do mesmo porte e destaca o codificador de visão. Parte da comunidade, segundo o boletim, o chama de "o modelo ocidental de pesos abertos mais inteligente por margem". O Artificial Analysis o classifica como proprietário enquanto os pesos não saem.

A Vals AI analisou o raciocínio interno do modelo em 2.655 execuções de 13 benchmarks e achou palavrões em 50 delas, 316 ocorrências no total. Duas execuções que saíram do controle concentram 241. Numa delas, uma resposta de cerca de 500 mil caracteres repetia as mesmas frases.

O palavrão aparece sobretudo após erros, supostos avanços ou desistência, e não serve de alerta: 96% das execuções que falharam não tinham nenhum. Em geral, usuários não veem essas etapas de raciocínio, ou as veem filtradas.

Para quem faz sentido

A proposta se dirige a empresas que querem treinar o próprio modelo com dados internos e rodá-lo onde preferirem. O Tinker cuida da infraestrutura de treinamento, e os checkpoints poderão ser baixados quando os pesos forem liberados.

Equipes de código e agentes podem testar o modelo já no Tinker, considerando os testes de programação em que o DeepSeek ficou à frente.

Pontos-chave

• Pré-treinamento dividido em quatro etapas
• Aprendizado por reforço em centenas de milhares de tarefas longas de código, avaliando também o método do modelo
• Demonstrações da empresa: simulador de cidade em Three.js e emulador de PC Linux em Python

Texto escrito por IA a partir das reportagens e páginas listadas abaixo e checado contra elas por uma segunda revisão automática. Atualizado em 09/11/2026 às 19:15 (Brasília).