Thinking Machines, la startup fundada por Mira Murati, ex directora de tecnología de OpenAI, presentó Inkling 2 Small, la segunda generación de sus modelos Inkling. La empresa lo describe como el modelo de pesos abiertos más fuerte hecho fuera de China. Los Inkling están pensados como modelos base para ajuste fino, así que su público natural son quienes construyen aplicaciones especializadas.
Es un modelo de mezcla de expertos (MoE) con 594.000 millones de parámetros en total, de los cuales 17.000 millones están activos en cada momento. Recibe texto e imágenes, y deja elegir la profundidad del razonamiento para priorizar velocidad o detalle.
¿Cuánto mejoró frente al primer Inkling?
En el índice de inteligencia de Artificial Analysis, Inkling 2 Small marca 31 puntos según Thinking Machines. Son 18 más que su antecesor, Inkling Small, que tenía 13, y quedan a la par de Gemini 3.8 Flash de Google.
Los saltos más grandes están en tareas agénticas, donde el modelo ejecuta por su cuenta flujos de varios pasos.
| Prueba | Inkling Small | Inkling 2 Small |
|---|---|---|
| AutomationBench-AA | 5% | 46% |
| FrontierCode 2.0 | 5% | 25% |
| Tasa de alucinación | 61% | 27% |
| Tasa de respuesta | 77% | 53% |
En AA-Briefcase, una prueba de trabajo de oficina, alcanza 1.527 Elo, 615 puntos sobre su antecesor.
La caída en alucinaciones tiene una explicación menos favorable. Ocurre en buena parte porque el modelo contesta menos preguntas, como muestra la tasa de respuesta, que bajó de 77% a 53%.
Más tokens y un costo seis veces mayor
Los resultados mejores salen en parte de un consumo mayor de tokens. Según Artificial Analysis, Inkling 2 Small genera en promedio unos 150.000 tokens de salida por tarea, cerca de cuatro veces lo que producía su antecesor. Cada tarea cuesta 1,18 dólares, casi seis veces más.
Aun así queda lejos de la competencia. Gemini 3.8 Flash cuesta 7,77 dólares por tarea y Claude Sonnet 5.5 cuesta 10,02, mientras Inkling 2 Small se acerca al rango de precio de los modelos chinos baratos. En el gráfico de cuadrantes de Artificial Analysis aparece en la zona de costo bajo e inteligencia alta.
Programación con aprendizaje por refuerzo
Thinking Machines dice que entrenó el modelo con aprendizaje por refuerzo sobre cientos de miles de tareas de programación de largo alcance. Un sistema automático revisaba si el código funcionaba y cómo había abordado el modelo cada tarea.
En FrontierCode 2.0 llega a 25,4%, en DeepSWE a 72,1% y en SWEBench Pro v2 (Hard) a 86,3%. DeepSeek V4.1 Flash, más nuevo, sigue arriba en la mayoría de esas pruebas, con 28,5% en FrontierCode y 77% en DeepSWE. En SWEBench Pro v2 (Hard) el primer lugar es de Kimi K3 por un margen corto, y el Kimi K3.1 Pro, más reciente, no aparece en la comparación.
¿En qué lidera entre los modelos abiertos?
Según Thinking Machines, el modelo rinde mejor en reconocimiento de texto, lectura de infografías y razonamiento visual.
- En GDP.pdf, que mide si un modelo responde preguntas sobre documentos PDF complejos, marca 25,2%, el puntaje más alto entre los modelos comparados.
- En MMMU Pro, sobre comprensión multimodal de tareas académicas con diagramas y figuras, llega a 81,6%.
- En PerceptionBench, que evalúa la percepción visual, lidera con 64,7%.
- En DesignArena Website, donde usuarios comparan de a pares sitios web generados por IA, obtiene 1.340 Elo, el más alto entre los modelos de pesos abiertos.
La empresa también reporta avances en modelado 3D. Y armó una demostración poco común. Enfrentó al modelo con sus propios investigadores en una cata de vinos a ciegas, y a partir de una sola foto Inkling 2 Small identificó tres vinos en 19 de 20 intentos.
Un entrenamiento corto
El entrenamiento completo procesó unos 12 billones de tokens en todas sus fases, según Thinking Machines, bastante menos que sus rivales comparables. La fase de aprendizaje por refuerzo posterior al preentrenamiento usó 3 billones de tokens en 2.048 GPU durante nueve días.
La propia empresa reconoce limitaciones. El modelo a veces se comunica de forma poco eficiente y no siempre elige las mejores herramientas en bases de código grandes, que según The Decoder es el problema de más peso. No admite audio, está menos optimizado para chat, puede reaccionar de más ante temas de salud y a veces entrega respuestas desordenadas.
¿Cuándo salen los pesos?
Por ahora el modelo solo se ofrece de forma propietaria en Tinker, la plataforma de Thinking Machines. La empresa planea liberar los pesos bajo licencia Apache 2.0 cuando terminen las pruebas externas de seguridad. Esa licencia es más permisiva que las de pesos abiertos de Meta o Mistral, que imponen más restricciones de uso.
Thinking Machines dice que Inkling 2 Small pertenece a una familia de varios tamaños y que publicará más variantes pronto.
