Thinking Machines lanza Inkling 2 Mini: 26.000 millones de parámetros y 20,1 puntos en el AA Index
Thinking Machines ha reducido Inkling 2 Small de 594.000 a 26.000 millones de parámetros, y la nueva Inkling 2 Mini puede ejecutarse en un portátil. Se trata de un transformador en bucle: las mismas capas se procesan varias veces, en lugar de construir una red más ancha. En el índice de agentes de Artificial Analysis, el modelo obtiene 20,1 puntos frente a los 31 de la versión mayor. Para agentes locales es una opción viable, siempre que la calidad por debajo del modelo insignia sea aceptable.
Procesado por IA desde X: @stretchcloud; editado por Hamidun News
La principal queja sobre los modelos de pesos abiertos de los últimos meses suena siempre igual: pueden ser potentes, pero pocos pueden ejecutarlos en casa. Inkling 2 Small, de Thinking Machines, con 594.000 millones de parámetros, recibió exactamente esa crítica. Dos semanas después, el laboratorio respondió con Inkling 2 Mini, de 26.000 millones de parámetros. Según la compañía, cabe en un portátil y es adecuada para tareas de agentes. En el índice de Artificial Analysis para trabajo agéntico, Mini obtiene 20,1 puntos. La versión Small tenía 31 en ese mismo índice.
¿Cómo caben los razonamientos en 26.000 millones de parámetros?
Inkling 2 Mini está construido como un transformador en bucle (looped). En un modelo convencional, cada capa es independiente: cuantas más capas, más pesos únicos y más pesado el archivo. Aquí, el mismo conjunto de capas se aplica varias veces seguidas. Imagine que, en lugar de diez editores distintos que corrigen el texto una sola vez cada uno, hay un único editor que relee el borrador diez veces. Hay menos pesos únicos, pero más cálculo por cada token. La empresa intercambia tamaño de almacenamiento por tiempo de cómputo.
Para el usuario práctico, esto significa que el modelo ocupa poco espacio y cabe en la memoria de un portátil, aunque cada respuesta requiere una cantidad considerable de cálculo. Resulta cómodo para ejecución local, donde importa más encajar en el hardware que alcanzar la máxima velocidad.
Hacia dónde se mueve todo el mercado de modelos abiertos
El autor del análisis en el que se basa esta noticia sitúa a Inkling en un panorama más amplio. DeepSeek V4.1 Flash tiene 552.000 millones de parámetros en total, pero activa unos 16.000 millones por token. Según él, Qwen de Alibaba y GLM de Zhipu tienen versiones Flash dispersas similares. La idea es la misma: un número enorme de parámetros en conjunto y solo un pequeño porcentaje activo a la vez. Así, una tarjeta gráfica de consumo o un portátil potente pueden manejar lo que antes requería un rack de servidores.
Por tanto, los laboratorios avanzan hacia la ejecución local barata por dos caminos distintos. Unos hacen la red dispersa, de modo que parte de los pesos permanece inactiva en cada momento. Otros, como Thinking Machines, la hacen en bucle: un solo conjunto de pesos y varias pasadas. La conclusión general no trata del crecimiento del tamaño, sino de cómo obtener capacidad de razonamiento sin infraestructura costosa.
La transparencia como parte del producto
El calendario de lanzamiento también es inusual. Antes de la publicación general, Thinking Machines dio acceso anticipado a Goodfire y NDIF, grupos dedicados a la interpretabilidad. Debían estudiar cómo se desplaza la información entre ciclos dentro del modelo. El laboratorio de Mira Murati, que según se informa captó 2.000 millones de dólares con una valoración de entre 10.000 y 12.000 millones, apuesta así por un enfoque de investigación y se diferencia de OpenAI y Anthropic.
Qué conviene tener en cuenta
En primer lugar, 20,1 puntos son claramente menos que los 31 de Small. No es un sustituto del modelo insignia, sino un compromiso: se gana localidad y se paga con calidad. Para escenarios agénticos sencillos, donde los datos no pueden enviarse a la nube, puede bastar, pero conviene comprobarlo con las tareas propias y no solo con el índice.
En segundo lugar, la arquitectura en bucle tiene un reverso, que el autor advierte expresamente. El archivo de pesos es pequeño, pero el estado interno del modelo es más difícil de verificar que en un transformador estándar: las mismas capas actúan en pasos distintos y entender qué ocurre en cada pasada no es sencillo. Un tamaño reducido en disco no equivale a simplicidad. Por eso el acceso anticipado para Goodfire y NDIF no parece un detalle de marketing, sino una respuesta a un problema real de auditoría.
Finalmente, conviene recordar la fuente. Se trata de una publicación en X con un resumen y comentario, y parte de la información sobre DeepSeek, Qwen y GLM procede del autor de la publicación, no de Thinking Machines. Las cifras de 26.000 millones de parámetros y 20,1 puntos proceden del anuncio del laboratorio. Todavía no hay mediciones independientes de velocidad y calidad en un portátil real.
Conclusión práctica
Si desarrolla agentes locales o quiere mantener un modelo dentro de su propio entorno, Inkling 2 Mini merece un lugar en la lista de pruebas junto a los modelos Flash dispersos. Compárelo según tres criterios: calidad en sus tareas, tiempo de respuesta en su hardware y capacidad de verificar el comportamiento del modelo. Este último punto es especialmente importante en sectores regulados, donde la auditoría es tan necesaria como la precisión.
- 21 nov 2026Matemático de Anthropic afirma que Claude le ayudó a demostrar la hipótesis de Riemann en seis semanas
- 21 nov 2026La startup Osmo entrena una IA para oler con 10 millones de valoraciones humanas y genera fragancias a partir de texto
- 21 nov 2026Corea del Norte presenta su primer chatbot, «Fuente de Sabiduría»: solo ciencia, sin política
- 21 nov 2026OpenAI abre ChatGPT Spaces a los suscriptores de Plus: documentos compartidos con IA
Preguntas frecuentes sobre la noticia
¿Cómo caben los razonamientos en 26.000 millones de parámetros?
Inkling 2 Mini está construido como un transformador en bucle (looped). En un modelo convencional, cada capa es independiente: cuantas más capas, más pesos únicos y más pesado el archivo. Aquí, el mismo conjunto de capas se aplica varias veces seguidas. Imagine que, en lugar de diez editores distintos que corrigen el texto una sola vez cada uno, hay un único editor que relee el borrador diez veces. Hay menos pesos únicos, pero más cálculo por cada token.
¿Qué se sabe sobre Hacia dónde se mueve todo el mercado de modelos abiertos?
El autor del análisis en el que se basa esta noticia sitúa a Inkling en un panorama más amplio. DeepSeek V4.1 Flash tiene 552.000 millones de parámetros en total, pero activa unos 16.000 millones por token. Según él, Qwen de Alibaba y GLM de Zhipu tienen versiones Flash dispersas similares. La idea es la misma: un número enorme de parámetros en conjunto y solo un pequeño porcentaje activo a la vez. Así, una tarjeta gráfica de consumo o un portátil potente pueden manejar lo que antes requería un rack de servidores.
¿Qué se sabe sobre La transparencia como parte del producto?
El calendario de lanzamiento también es inusual. Antes de la publicación general, Thinking Machines dio acceso anticipado a Goodfire y NDIF, grupos dedicados a la interpretabilidad. Debían estudiar cómo se desplaza la información entre ciclos dentro del modelo. El laboratorio de Mira Murati, que según se informa captó 2.000 millones de dólares con una valoración de entre 10.000 y 12.000 millones, apuesta así por un enfoque de investigación y se diferencia de OpenAI y Anthropic.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.