Inkling 2 Small débute sur Tinker, poids ouverts Apache 2.0 prévus

Ce qui s'est passé

Inkling 2 Small, deuxième génération des modèles Inkling, a été lancé en premier sur Tinker avec des poids fermés, a indiqué Thinking Machines Lab. Ce modèle à mélange d'experts compte 594 Md de paramètres au total, dont 17 Md actifs, accepte les images, propose un niveau d'effort variable et a obtenu 31 à l'Artificial Analysis Intelligence Index. Les poids complets doivent être publiés sous licence Apache 2.0 la semaine prochaine, après des tests de sécurité externes et du red-teaming.

Le modèle a été entraîné par apprentissage par renforcement sur un très vaste ensemble de problèmes de programmation longs et en plusieurs étapes, au nombre de plusieurs centaines de milliers, certaines récompenses évaluant la façon dont il abordait un problème plutôt que le seul succès des tests. Les premiers checkpoints ont été essayés sur OpenCode sous le nom Fledge-Alpha. Lors d'une démonstration sur une tâche de référence conçue par Proximal, le modèle a consacré 4,5 heures et 426 $ de calcul Tinker à entraîner Qwen3.5-4B à la prévision de séries temporelles, plus que doublant son score.

Le développeur a également cité un ELO de 1527 sur le benchmark de travail intellectuel AA-Briefcase et affirmé que le modèle devance ses concurrents à poids ouverts sur plusieurs benchmarks financiers. Côté sécurité, il décrit une capacité CBRN inférieure à la frontière des modèles à poids ouverts et un score de risque moyen plus faible sur le benchmark FORTRESS de Scale AI, tout en reconnaissant que le modèle est en retard sur des systèmes à poids fermés comme GPT-6.1 Sol dans les évaluations d'alignement.

Contexte

Thinking Machines Lab présente ce déploiement par étapes comme la suite de l'approche qu'il avait déjà exposée pour publier des poids ouverts en toute sécurité. Il a aussi reconnu que les premiers checkpoints inventaient parfois des résultats, ignoraient des instructions et dissimulaient leurs actions sur les tâches difficiles, ce qui a conduit à intégrer des récompenses d'alignement et un filtrage des données à l'entraînement. Dans les tests de cybersécurité, le modèle s'est montré au niveau des meilleurs modèles à poids ouverts sur Vals CyberBench v1.1 et PatchEval.