Thinking Machines Lab julkaisi Inkling 2 Smallin 5. marraskuuta 2026. Se on ensimmäinen malli yhtiön toisessa Inkling-sukupolvessa. Mallissa on yhteensä 594 miljardia parametria, joista 17 miljardia aktivoituu kutakin tokenia käsiteltäessä. Aluksi mallia voi käyttää yhtiön Tinker-alustalla, mutta sen painot eivät ole ladattavissa. Yhtiö aikoo julkaista täydet painot Apache 2.0 -lisenssillä ulkopuolisten turvallisuustestien jälkeen.
3
Mikä Inkling 2 Small on?
Entisen OpenAI-teknologiajohtajan Mira Muratin perustama Thinking Machines Lab kuvaa Inkling 2 Smallia toistaiseksi kyvykkäimmäksi mallikseen ja toisen Inkling-sukupolven ensimmäiseksi julkaisuksi.
5
13 Se on asiantuntijaseosmalli eli mixture-of-experts-malli, joka käsittelee tekstiä ja kuvia sekä mahdollistaa päättelyn työmäärän säätämisen. Kehittäjät voivat käyttää mallia Tinkerissä esimerkiksi näytteiden tuottamiseen ja hienosäätöön, mutta eivät voi vielä ladata sen painoja.
2
3
Mallille ilmoitetaan jopa miljoonan tokenin konteksti-ikkuna. Se ei kuitenkaan tarkoita, että sama määrä olisi käytössä kaikissa Tinker-palvelun kokoonpanoissa: raporttien mukaan alustan rajat voivat olla erilaiset.
4
9
Saatavuus ja suunnitelma avoimista painoista
Julkaisuhetkellä Inkling 2 Small on käytettävissä Tinkerissä suljetuin painoin. Thinking Machines kertoo aikovansa julkaista täydet painot Apache 2.0 -lisenssillä, kun ulkopuoliset turvallisuustestit ja red teaming -testaus on tehty.
3
Julkaisun aikataulu ei ole varma. Julkistus kertoo tavoitteeksi ”ensi viikon”, kun taas malliperheen sivulla puhutaan ”lähiviikoista” ja painojen julkaisu sidotaan lisäturvallisuustestien tuloksiin.
3
13 Kumpaakaan aikataulua ei siis pidä pitää vahvistettuna latauspäivänä.
Mitä vertailutulokset kertovat?
Artificial Analysis antoi Inkling 2 Smallille Intelligence Indexissä 31 pistettä, mikä on 18 pistettä enemmän kuin edeltäjällä.
20 Järjestön mukaan malli nousisi julkaistujen painojen myötä nykyisessä vertailussa korkeimmalle sijoittuvaksi Kiinan ulkopuolella kehitettyjen avointen painojen mallien joukossa. Kyse on ehdollisesta arviosta: malli ei ollut julkaisuvaiheessa avoin, eikä väite tarkoita, että se johtaisi kaikissa testeissä.
20
Erillisessä raportissa sen Intelligence Index -tulosta kuvataan suunnilleen samantasoiseksi kuin Gemini 3.8 Flashin tulosta mallin korkeimmalla päättelyasetuksella. Vertailu koskee kyseisen indeksin tulosta, ei välttämättä kaikkia tehtäviä tai käyttötapoja.
11
Artificial Analysis raportoi myös parannuksista edeltäjään verrattuna agenttitehtäviin painottuvissa testeissä: AutomationBench-AA-tulos nousi 5 prosentista 46 prosenttiin ja FrontierCode 2.0 -tulos 5 prosentista 25 prosenttiin.
20 Mallikortin mukaan tulos oli 13,1 % Terminal-Bench v4.0 -testissä ja 86,3 % SWE-Bench Pro v2 (Hard) -testissä; jälkimmäinen on taulukossa merkitty kyseisen rivin toiseksi korkeimmaksi raportoiduksi tulokseksi.
26 Testit mittaavat eri asioita, eikä niiden tuloksia voi niputtaa yhdeksi yleiseksi arvioksi mallin ohjelmointikyvystä.
Koulutuksesta ja käytön rajoituksista
Julkaisua käsittelevissä raporteissa kerrotaan, että mallin esikoulutuksessa käytettiin natiivisti Nvidian nelibittistä NVFP4-formaattia.
17 Kyse on raportoidusta koulutustavasta, ei parametrimäärästä tai vertailutuloksesta.
Mallin syötteeksi voi antaa tekstiä ja kuvia, ja se tuottaa tekstiä. Saatavilla olevien kuvausten mukaan se ei ota vastaan äänisyötettä.
1
6 Kehittäjän kannalta tärkein käytännön huomio on saatavuus: Tinkerissä mallia voi käyttää ja hienosäätää, mutta ladattavat painot odottavat edelleen turvallisuustestien valmistumista.
2
3