Thinking Machines lanza Inkling 2 Small: un MoE de 594B que ajustó Qwen por su cuenta por $426

Si alguna vez has ajustado un modelo para una tarea concreta, sabes cuánto trabajo rutinario implica: escribir un evaluador, encontrar un fallo en él, probar SFT y RL y controlar los checkpoints. Thinking Machines, la startup de Mira Murati, afirma que su nuevo Inkling 2 Small puede hacerlo por su cuenta.

Qué tipo de modelo es

Pese al apellido Small, es un MoE de 594.000 millones de parámetros, con 17.000 millones activos por token. Es decir, sus costes de inferencia se acercan a los de los modelos medianos, mientras que su capacidad se aproxima a la de los grandes. Los pesos siguen cerrados, pero la empresa promete publicarlos bajo Apache 2.0. Por ahora, el modelo está disponible a través de Tinker, la plataforma de la propia Thinking Machines.

Según los resultados anunciados, Inkling 2 Small obtuvo el primer puesto en la clasificación general entre los modelos abiertos y el tercero en DesignArena Website. Lidera entre los modelos de código abierto en tareas de visión, finanzas y flujos de trabajo con agentes para tareas de oficina. En programación, sus resultados son más modestos, aunque se acerca bastante a la versión actualizada de DeepSeek-V4.1-Flash. Sus creadores aseguran que el salto respecto a la versión anterior es muy notable.

La demostración que hace que merezca la pena leer el anuncio

Lo más interesante es el experimento, más que la clasificación. Se encargó al modelo ajustar Qwen3.5-4B para la predicción de series temporales. A partir de ahí, actuó como un ingeniero júnior de ML: escribió su propio evaluador, encontró un fallo en él, probó SFT y RL y, al final, entregó el mejor checkpoint. El proceso llevó 4,5 horas y costó $426. Con datos nuevos, el error fue aproximadamente un 15% inferior al de Qwen de base.

Imagina una necesidad habitual de producto: hay que predecir la demanda o la carga del sistema, pero no tienes un equipo propio de ML. Antes, las opciones eran recurrir a un modelo grande ya preparado y pagar por cada consulta, o contratar personal. Aquí aparece una tercera vía: un agente prepara un modelo pequeño y especializado que resulta barato ejecutar en producción.

Otra señal práctica: en PMPP-Hard, un conjunto de tareas de optimización de kernels de GPU, el modelo resuelve una media de 54 de las 69, al nivel de DeepSeek V4.1 Flash. Es un resultado de interés para los equipos que se encuentran con cuellos de botella en el rendimiento de la inferencia.

Limitaciones y próximos pasos

Conviene señalar algunas salvedades. Todas las cifras proceden por ahora de la propia empresa y no hay verificación independiente. Una única demostración con una sola tarea no prueba que el ajuste automático vaya a funcionar igual de bien con tus datos. Una mejora del 15% en series temporales puede ser modesta o considerable, según la precisión de partida. Los pesos están cerrados, así que no se puede ejecutar el modelo en infraestructura propia y comprobarlo hasta que llegue la prometida publicación bajo Apache 2.0.

Para desarrolladores y responsables de producto, la conclusión práctica es la siguiente. Primero, si tienes una tarea en la que un modelo pequeño podría sustituir a una API cara, merece la pena probar el ajuste mediante agentes: un presupuesto de unos cientos de dólares permite un experimento asequible. Segundo, espera a que se publiquen los pesos y compara el modelo con DeepSeek-V4.1-Flash usando tu propio código y tus documentos, en lugar de benchmarks públicos. Tercero, fíjate en el patrón en sí: un modelo que escribe un evaluador y detecta fallos en él se acerca más a un investigador autónomo que al autocompletado.

Si se cumplen las promesas sobre la licencia, el código abierto contará con una opción potente, con costes de inferencia moderados y buenas capacidades como agente. Por ahora, hay motivos para probarlo a través de Tinker y seguir su evolución.