Modely a platformy AI
Thinking Machines Lab vydává Inkling 2 Mini pro lokální zařízení

Klíčové bodyCyklení zlepšuje uvažování, aniž by váhy ukládaly více faktů, protože znalosti sledují…
Zobrazit více
- Cyklení zlepšuje uvažování, aniž by váhy ukládaly více faktů, protože znalosti sledují celkový počet parametrů.
- Cyklický model potřeboval o 140 % více výpočtů při inferenci, aby dosáhl ztráty neprořezané necyklické verze.
- Interní cyklení umožňuje modelům uvažovat bez psaných stop, což podkopává monitorování řetězce myšlenek.
Thinking Machines Lab vydala 20. listopadu 2026 model Inkling 2 Mini s otevřenými vahami, který je určený ke spuštění na běžných spotřebitelských noteboocích. Má celkem 26,4 miliardy parametrů a zabírá přibližně 20 GB paměti. K lepšímu uvažování využívá opakované průchody svými středními vrstvami.
Kompletní váhy modelu Inkling 2 Mini a doprovodného výzkumného modelu TML-d24-varloop-research jsou k dispozici na Hugging Face. Tinker nabízí inferenci a dolaďování, chatovat lze v Tinker Playground. Mezi lokální možnosti patří Ollama na systémech Mac s alespoň 32 GB RAM a verze GGUF prostřednictvím Unsloth a llama.cpp.
Ukázka společnosti předvádí, jak Inkling 2 Mini běží offline na MacBooku Pro v režimu Letadlo během letu, kde za několik minut vytvořil hratelný letecký simulátor. V další ukázce jeden offline MacBook pohání všech 20 obyvatel Thinkyville, simulovaného pixelového městečka, a ukazuje tak, že lokálně může běžet více trvalých agentů.
Jak funguje architektura s opakovanými průchody
Inkling 2 Mini je transformátor se směsí expertů, což znamená, že pro každý token používá jen část svých specializovaných komponent. Jeho 24 vrstev je rozděleno do čtyř bloků po šesti vrstvách. První a poslední blok se spouštějí jednou, zatímco dva prostřední bloky sdílejí váhy a spouštějí se třikrát. Z 24 uložených vrstev tak vzniká 48 použití vrstev na token. Po započítání opakovaných průchodů má model 3,4 miliardy aktivních parametrů a 5,4 miliardy aktivací vah na token.
Reziduální propojení pozornosti umožňuje každé vrstvě naučit se vlastní směs výstupů předchozích bloků namísto toho, aby se každý výstup přičítal k jedinému průběžnému součtu. Druhý a třetí průchod navíc dostávají hradlovanou zprávu z předchozího průchodu. Hradlo zprávu zpočátku blokuje a během trénování se učí propouštět její větší část, takže lze opakované průchody zavést, aniž by se model destabilizoval.
Podle srovnání společnosti vyžadoval netrénovaný model bez opakovaných průchodů při trénování o 7,5 % méně výpočetního výkonu, ale k dosažení stejné ztráty jako verze s opakovanými průchody na 512 000tokenových stopách agentů potřeboval při inferenci o 140 % více výpočetního výkonu.
Trénování začalo s 384 experty, z nichž se pro každý token vybíralo osm. Během průběžného trénování byly dvě třetiny odstraněny, takže v každé vrstvě zůstalo 128 nejpoužívanějších expertů. Poté se model trénoval na 1 bilionu tokenů destilovaných z většího interního modelu Inkling, aby znovu dosáhl svého dřívějšího výkonu. Dvacet vrstev bylo natrénováno a nasazeno ve 4bitovém formátu NVFP4, zatímco poslední čtyři používají 8bitový formát MXFP8. Společnost uvádí, že stejná přesnost při trénování i nasazení zabraňuje ztrátám při převodu způsobeným kvantizací po trénování.
Výkon při programování a omezení modelu
Thinking Machines Lab uvádí výsledky 48,2 % v testu DeepSWE v1.1 a 77,9 % v 51úlohovém hodnocení SWE-bench Pro v2 Hard, zatímco model Qwen3.8-27B dosáhl 42,2 %, respektive 73,8 %. Inkling 2 Mini zároveň získal 46,5 % v testu Vals Index v2.2. Společnost upozorňuje, že způsob hodnocení se u jednotlivých modelů liší.
Společnost uvádí, že opakované průchody zlepšují uvažování, ale neumožňují ukládat do vah více faktů; znalosti závisejí především na celkovém počtu parametrů. Výsledek Inkling 2 Mini v testu AA-Omniscience odpovídá výsledkům jiných modelů podobné velikosti. Jeho náskok mezi modely s otevřenými vahami podobné velikosti v testech BrowseComp, DeepSearchQA a MCP Atlas vyplývá z efektivního využívání vyhledávání a nástrojů.
Společnost také uvádí, že Inkling 2 Mini není nejvýkonnějším malým modelem pro vícekolový chat ani pro pokyny s mnoha omezeními. V testech MultiChallenge a ComplexConstraints v1.1 dosáhl 50,0 %, respektive 33,4 %. V testech náročných na uvažování, mezi něž patří CritPt v2 a HLE-Diamond, zaostává za většími modely.
Co ukazují testy s proměnlivým počtem průchodů
Opakované průchody komplikují monitorování řetězce uvažování, tedy postup, při němž se kontroluje chování modelu čtením jeho písemného uvažování. Běžný transformátor musí uvažování, které vyžaduje další postupné kroky, převést do textu; model s opakovanými průchody může více těchto kroků provést interně ještě před vytvořením textu. Uvažování, které se do textu nikdy nedostane, nelze tímto způsobem monitorovat.
Protože Inkling 2 Mini podporuje pouze pevně stanovený počet průchodů, laboratoř natrénovala model TML-d24-varloop-research s jedním až pěti průchody, většinou se třemi, a posilovací učení prováděla při třech průchodech. Na podmnožině Think Fast společnost uvádí, že časový horizont bez řetězce uvažování — definovaný jako doba, za kterou člověk splní úlohy, které model dokáže bez písemného uvažování dokončit s 50% spolehlivostí — se zvýšil ze 16 sekund při jednom průchodu na 37 sekund při třech průchodech a poté se přibližně ustálil. Přesnost v testu N-Hop Lookup se zlepšovala až do deseti opakování, přestože při trénování se nepoužilo více než pět průchodů.
V úvodní analýze otázek z testu GPQA Diamond, na které model správně odpověděl při každé testované hloubce, se průměrná délka stop uvažování zkrátila z 3 703 tokenů při jednom průchodu na 1 661 při pěti průchodech. Průměrná délka věty se změnila pouze z 8,9 na 8,7 slova a podíl slov nalezených v anglickém slovníku klesl z 94,6 % na 94,4 %. Kratší stopy byly přímočařejší a obsahovaly méně vracení se k předchozím krokům.
Testy agentů využívaly model Inkling 2 Mini a model s proměnlivým počtem průchodů, doladěné výhradně na užitečnost, v prostředí LinuxArena. Společnost s využitím slabšího monitorovacího modelu Qwen3.6-35B-A3B nezjistila s rostoucím počtem opakovaných průchodů žádný zřetelný trend míry utajení. Když byl monitor omezen pouze na volání nástrojů a jejich výstupy, zůstalo nezjištěno značné množství útoků.
Tyto výsledky týkající se monitorovatelnosti jsou předběžné. Posilovací učení probíhalo pouze při třech průchodech, takže experimenty neukazují, co by se naučil model trénovaný při vyšším počtu průchodů. Společnost upozorňuje, že takový model by mohl své uvažování komprimovat agresivněji.
Pro výzkumníky zabývající se dohledem zůstává otevřenou otázkou, zda se srozumitelnost pozorovaná v tomto měřítku zachová i u větších modelů a při tréninkových postupech, které optimalizují hlubší smyčky. Vydané modely s otevřenými vahami, s pevnou i proměnnou délkou smyčky, nabízejí přímý způsob, jak tuto otázku zkoumat při různých hloubkách smyček.












