Thinking Machines Lab lanserade Inkling 2 Small den 5 november 2026. Det är den första modellen i företagets andra Inkling-generation och finns tills vidare via Tinker, företagets plattform för användning och finjustering. Vikterna är stängda vid lanseringen, men bolaget säger att det vill publicera dem under Apache 2.0 efter externa säkerhetstester.
3
Vad är Inkling 2 Small?
Thinking Machines Lab, som grundades av Mira Murati, tidigare teknikchef på OpenAI, beskriver modellen som sin hittills mest kapabla och den första i en ny generation.
5
13 Inkling 2 Small är en så kallad mixture-of-experts-modell: den har 594 miljarder parametrar totalt, men 17 miljarder aktiveras för varje token. Den tar emot text och bilder, ger svar i text och kan användas med olika nivåer av resonemang.
2
3
Utvecklare kan använda modellen för att generera svar och finjustera den via Tinker, men kan inte ladda ner vikterna i nuläget. Modellen uppges ha ett kontextfönster på upp till en miljon token. Det betyder inte att alla Tinker-konfigurationer erbjuder så långt kontextfönster; den tillgängliga gränsen kan variera.
4
9
Öppna vikter – men inget fast releasedatum
Vid lanseringen var Inkling 2 Small alltså en värdtjänst med stängda vikter. Thinking Machines Lab säger att företaget avser att släppa de fullständiga vikterna under Apache 2.0 när externa säkerhetstester och red-team-tester är klara.
3
Tidsplanen är inte entydig i källorna: lanseringsinlägget säger ”nästa vecka”, medan modellfamiljens sida säger ”de kommande veckorna” och gör släppet beroende av ytterligare säkerhetstester.
3
13 Se därför detta som en avsikt, inte ett bekräftat datum för nedladdning.
Vad visar testresultaten?
Artificial Analysis ger Inkling 2 Small 31 poäng på sitt Intelligence Index, 18 poäng mer än föregångaren.
20 Enligt organisationens aktuella rankning skulle modellen, om vikterna släpps, bli den högst rankade öppna modellen utvecklad utanför Kina. Det är ett villkorat påstående – modellen hade stängda vikter vid lanseringen, och rankningen innebär inte att den leder i alla tester.
20
En separat jämförelse placerar resultatet på Intelligence Index ungefär i nivå med Gemini 3.8 Flash vid dess högsta resonemangsläge. Jämförelsen gäller indexresultatet, inte nödvändigtvis alla uppgifter eller användningsområden.
11
Artificial Analysis rapporterar också förbättringar jämfört med den tidigare Inkling-modellen på tester inriktade på agentuppgifter. AutomationBench-AA gick från 5 till 46 procent och FrontierCode 2.0 från 5 till 25 procent.
20 I modellkortet redovisas 13,1 procent på Terminal-Bench v4.0 och 86,3 procent på SWE-Bench Pro v2 (Hard). Det senare anges som det näst högsta resultatet i modellkortets jämförelsetabell.
26 Resultaten kommer från olika tester och ska inte tolkas som ett enda heltäckande mått på modellens förmåga att koda.
Träning och praktiska begränsningar
En rapport om lanseringen uppger att modellen förtränades med Nvidias fyrbitarsformat NVFP4.
17 Det är en uppgift om träningsupplägget, separat från modellens parameterantal och testresultat.
Modellen kan ta emot både text och bilder, men de tillgängliga beskrivningarna anger att den svarar med text och inte stöder ljud som indata.
1
6 För den som vill prova modellen är den viktigaste praktiska skillnaden just nu åtkomsten: den går att använda och finjustera via Tinker, medan nedladdningsbara vikter får vänta på säkerhetstesterna.
2
3