Thinking Machines lanza Inkling 2 Small: el mejor modelo abierto que no es de China

Durante los últimos dos años, los modelos abiertos han tenido una dirección principal: China. DeepSeek y Moonshot lideraban con regularidad las clasificaciones y alcanzaban a los modelos cerrados de OpenAI y Anthropic por una fracción del precio. Ahora Occidente tiene una respuesta, y desde dos frentes a la vez: el reciente Le Chonk de Mistral y el nuevo Inkling 2 Small de Thinking Machines.

Qué es este modelo

Thinking Machines Lab es una pequeña startup de Mira Murati, ex directora de tecnología de OpenAI. Inkling 2 Small tiene 594.000 millones de parámetros, acepta imágenes y responde solo con texto. La compañía se centra en el diseño web, el diseño de videojuegos y la programación. Además, subraya que durante las pruebas evaluó no solo el código final, sino también el enfoque del propio modelo ante la tarea. Según los desarrolladores, esto da un modelo más fuerte en código y más cómodo dentro de ciclos agénticos.

Por ahora el modelo es formalmente propietario. Se promete publicar los pesos la próxima semana. Este esquema se está volviendo la norma: primero varias semanas de revisión por equipos de ciberseguridad y revisores, y luego la publicación. Mistral hizo lo mismo con Le Chonk.

Las cifras

El evaluador independiente Artificial Analysis dio al modelo 31 puntos en su índice de inteligencia. Es superior a la media de su clase y está a la par con Gemini 3.8 Flash. Para tener escala: los líderes, Gemini 4 Carbon y Claude Opus 5.5, obtuvieron 60 y 59. Es decir, está lejos de la cima, pero se trata de un modelo abierto y, según las clasificaciones, será el mejor entre los abiertos que no son de China.

El progreso respecto a la versión anterior es notable:

• la automatización creció un 41%;
• la programación mejoró un 20%;
• la tasa de alucinaciones en AA-Omniscience v1.1 cayó del 61% al 27%;
• la precisión subió del 32% al 34%;
• la proporción de intentos de respuesta bajó del 77% al 53%.

Las tres últimas líneas se leen así: el modelo inventa menos porque con más frecuencia se abstiene honestamente de responder. La precisión apenas cambió. Para un responsable de producto es un cambio importante: mejor un «no lo sé» que un disparate seguro de sí mismo.

Limitaciones

El modelo tiene claros inconvenientes. Artificial Analysis lo describe como notablemente lento por tarea y muy prolijo. Esto afecta tanto a la latencia como a la factura: la verbosidad implica más tokens de salida. Los tokens de entrada cuestan $0,30 por millón frente a una mediana de la clase de $0,24, es decir, algo más caros. Además, ningún modelo gana en todo, y es pronto para declarar a Inkling el mejor para programación.

Qué hacer en la práctica

Mientras los pesos no se publiquen, es una noticia para seguir, no para migrar. Cuando aparezcan, conviene probar el modelo con tareas propias: ver el coste real teniendo en cuenta las respuestas largas, la velocidad en cadenas agénticas y la tasa de rechazos. Para las empresas a las que los pesos chinos les resultan incómodos por requisitos de cumplimiento normativo o geopolíticos, es la primera opción occidental seria. Para el resto, la conclusión principal es que la competencia entre modelos abiertos se intensifica, por lo que también aumentará la presión sobre los precios de los laboratorios cerrados.