Thinking Machines 发布第二代模型 Inkling 2 Small

今天我们推出第二代模型 Inkling 2 Small。这是一个 Mixture-of-Experts 模型，总参数 594B，激活参数 17B，支持图像输入和可变 effort。

Inkling 2 Small 在 Artificial Analysis Intelligence Index 上的得分达到 31，远超我们此前各代模型，反映出它在 agentic coding、视觉、知识工作和推理方面的性能提升。能力的提升来自训练流程每一步的改进，包括更高效的预训练和一次大规模统一的 RL 训练。

Inkling 2 Small 初期将通过 Tinker 提供，权重闭源，遵循我们在「通往开放权重的安全路径」中提出的做法。我们计划在下周完成外部安全测试和红队测试后，以 Apache 2.0 许可证开放完整权重。

你今天就可以在 Tinker Playground 上试用 Inkling 2 Small。该模型也可在 Tinker 上进行微调和采样；随着 Inkling 2 Small 权重的发布，checkpoint 将可供下载。

Inkling 2 Small 在各方面都比我们的第一代模型更强，尤其是在长周期自主工作方面。

Inkling 2 Small 的视觉和 agentic 能力使它能够利用视觉反馈，迭代构建和完善带有交互元素的网站、游戏和 3D 设计。

Inkling 2 Small 通过 RL 训练，覆盖数十万个长周期 coding 任务，横跨多种 agent harness 和上下文压缩策略。我们提升了合成 coding 数据管线的质量，并不再只依赖单元测试奖励；许多任务配有 agentic RL grader，评估模型如何着手解决问题，而不只是代码是否通过。我们还在 OpenCode 上以 Fledge-Alpha 之名测试了 Inkling 2 Small 的早期 checkpoint，以评估模型在真实世界 coding 任务上的表现。

最终得到的模型不仅 coding 能力更强，在真实 agent 循环中也更易用。相比 Inkling，Inkling 2 Small 的可用性有所提升：它更好地遵循指令，审慎考虑改动，并会主动验证自己的工作。

69 个任务 · 四次独立尝试 · 10 小时预算

将鼠标悬停在曲线上或选择一个模型进行查看；再次选择可重置。聚焦某个模型后，使用 ← 和 → 逐条查看结果，按 Escape 清除。

PMPP-Hard 结果

模型AUC（任务·小时）平均解出 / 69Pass@4 / 69GPT-6 Astra616.396363Kimi K3.1 Pro583.8660.563Claude Opus 5.5499.656064DeepSeek V4.1 Flash497.3655.2562Inkling 2 Small494.2754.2564Mistral Large 4478.3950.2561Kimi K3453.5855.7566GLM 5.3430.9652.561GLM 5.2389.124261

各行按 AUC 排序：AUC 是 0–10 小时内平均曲线下的面积，最大值为 690 任务·小时。

每个模型都使用其可用的最高推理设置、PI harness 和共享的压缩策略。我们纳入了评估过程中发现的任务和评分问题的修复。每个提交的解决方案都会接受两次独立的 LLM 审核，出现分歧时由第三次评审裁定。

除常规软件任务外，Inkling 2 Small 还接受了长周期 autoresearch 任务的训练。这包括 agentic GPU kernel 优化，以及诸如自主后训练一个模型之类的 ML 任务，全部在一系列 GPU 架构上运行。

DeepSeek-V3.2 稀疏注意力，前向 + 反向

DeepSeek V4.1 Flash · 5.66×GLM 5.3 · 5.03×Mistral Large 4 · 3.43×

相对原始版本的加速比（×）

DeepSeek Sparse Attention 让每个 query 只关注由轻量 indexer 选出的 top-k 前序 token，因此长上下文成本不再随上下文长度的平方增长。从公开的 TileLang kernel 出发，让训练 kernel 更快，同时保持其误差接近原始版本（严格容差），不限时间。该基准覆盖不同规模、不同场景的多个模型尺寸，从打包的预训练序列到长上下文训练。公开的 TileLang 基线并未针对 B300 调优，这为在这些负载上衡量各模型的优化能力和持久力留下了充足空间。加速比仅针对这些 kernel，而非端到端训练。

为展示其端到端的 autoresearch 表现，我们在 Proximal 为我们某个内部基准构建的任务上测试了 Inkling 2 Small。Inkling 2 Small 在 Tinker 上自主训练 Qwen3.5-4B，用于预测天气、维基百科页面浏览量等多种时间序列。它首先分析任务并编写自己的评估器，试验训练数据集和训练配方，尝试各种 SFT 和 RL 方法，并在过程中不断调试。经过 4.5 小时的工作和 426 美元的 Tinker 花费，训练后的模型预测得分提升了一倍以上。

「更少误差」是与简单地把最后几个值向前复制相比。

评估得分（相比复制法减少的误差百分比）100 个示例

0.00 美元Tinker 花费（上限 500 美元）

数据来源：美国能源信息管理局（EIA-930）；天气和空气质量数据来自 Open-Meteo.com（CC BY 4.0），包含经修改的 Copernicus Climate Change Service 和 Copernicus Atmosphere Monitoring Service 2026 年信息；Wikimedia 页面浏览量（CC0）。

第 1 步：开始第 2 步：构建评估第 3 步：数据整理第 4 步：监督微调第 5 步：初步结果第 6 步：在全量历史上做 SFT第 7 步：强化学习第 8 步：更多 SFT第 9 步：提交

重新播放1x

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）