Thinking Machines lanza Inkling 2 Mini: un modelo para portátil que cuesta seis veces menos que Qwen3.8 27B
Thinking Machines ha lanzado Inkling 2 Mini, un modelo abierto que funciona en un Mac con 32 GB de memoria, sin necesidad de una API en la nube. De sus 24 capas, 12 intermedias se ejecutan tres veces por cada token, de modo que el modelo razona más por dentro y escribe menos por fuera. En el índice agregado de Artificial Analysis obtiene 20,1 puntos, la misma puntuación que Qwen3.8 27B, pero la laboratorio afirma que cada tarea cuesta unas seis veces menos y se resuelve unas cuatro veces más rápido. Para los agentes locales, es un candidato que merece una prueba.
Procesado por IA desde X: @MTSlive; editado por Hamidun News
Un buen modelo suele vivir en servidores ajenos: se paga por cada consulta y allí se envía el propio código. Un modelo que cabe en un portátil suele ser demasiado débil para un trabajo serio con agentes. Thinking Machines ha intentado eliminar ese compromiso y ha lanzado Inkling 2 Mini.
Es un modelo abierto que funciona en un Mac con 32 GB de memoria RAM. En Artificial Analysis Intelligence Index, un índice agregado que compara modelos mediante un conjunto de pruebas de razonamiento y de trabajo con código, obtiene 20,1 puntos. Qwen3.
8 27B también obtiene 20,1. Sin embargo, según datos del laboratorio, Mini cuesta unas seis veces menos por la misma tarea y se ejecuta unas cuatro veces más rápido.
El lanzamiento de Mini responde a la reacción ante el lanzamiento anterior. Algunos usuarios consideraron que Inkling 2 Small era demasiado voluminoso: tiene 594 mil millones de parámetros. Como respuesta, el laboratorio creó un modelo unas 22 veces más pequeño, de 26,4 mil millones de parámetros.
Cómo «piensa» el modelo en bucles
Una red neuronal convencional procesa cada token (fragmento de texto) una sola vez a través de una pila de capas. Inkling 2 Mini funciona de otra manera. Tiene 24 capas, y 12 de ellas intermedias se ejecutan tres veces por cada token. Esta arquitectura se denomina transformador en bucle (looped transformer).
Imagine a un programador que relee mentalmente una función compleja en lugar de escribir su razonamiento en un papel. El modelo realiza más cálculos internamente y produce menos texto hacia fuera. Menos tokens generados implica menos tiempo y menos dinero por tarea. Además, de los 26,4 mil millones de parámetros, solo 3,4 mil millones están activos a la vez: en cada token trabaja únicamente una parte de la red. Por eso el modelo cabe en la memoria de un portátil.
Calidad y licencia
El laboratorio presenta estas cifras:
- 20,1 puntos en Artificial Analysis Intelligence Index, al nivel de Qwen3.8 27B;
- unas 6 veces más barato y alrededor de 4 veces más rápido por tarea con la misma puntuación;
- 48,2 % en DeepSWE v1.1, un benchmark de ingeniería de software. Según Thinking Machines, es el mejor resultado entre los modelos abiertos de menos de 100 mil millones de parámetros.
La licencia Apache 2.0 permite el uso comercial, el ajuste fino y la integración en productos sin necesidad de aprobaciones. Para los equipos que no quieren enviar código ni datos a una API externa, esta es la principal ventaja práctica.
¿Se puede confiar en los «pensamientos» del modelo?
Los modelos en bucle presentan un riesgo. Si parte del razonamiento ocurre dentro de las capas, la cadena de razonamiento (chain of thought) que el modelo escribe en su respuesta podría dejar de reflejar el proceso real de pensamiento. Para la seguridad, esto es importante. Esta es una cita del anuncio: «No queremos que el modelo pueda escribir cualquier cosa en la cadena de razonamiento. La cadena debe mostrar lo que el modelo realmente hace».
El laboratorio evaluó la monitorizabilidad, es decir, hasta qué punto se puede deducir el comportamiento del modelo a partir de los razonamientos registrados. El resultado: la cadena se volvió más corta, pero sigue siendo legible. A la escala de Mini no se observa un deterioro notable. Thinking Machines también publicó un modelo de investigación independiente con un número variable de bucles. Con él, otros investigadores podrán comprobar cómo la profundidad de los bucles afecta a la transparencia.
Qué hacer con esto
Por ahora, son datos del propio laboratorio; el anuncio no incluye mediciones independientes. La puntuación de 20,1 indica el nivel de un modelo abierto medio, no un récord. La conclusión de que es «el mejor entre los abiertos de menos de 100B» se refiere a un solo benchmark, DeepSWE v1.1. La velocidad y el coste reales en su hardware y con sus tareas tendrá que medirlos usted mismo.
El consejo práctico es el siguiente. Si está desarrollando un agente de programación local o una herramienta interna en la que importan el precio y la privacidad, incluya Inkling 2 Mini en su conjunto de pruebas junto a Qwen3.8 27B. Compare no solo las puntuaciones, sino también el tiempo total por tarea: la ventaja de 4 veces se anuncia para la tarea completa, no para cada token. Tenga en cuenta también que 32 GB de memoria es el mínimo para un Mac.
Para el mercado, es otra señal: la competencia entre modelos abiertos se desplaza de aumentar el número de parámetros hacia un uso más inteligente del cómputo por token.
- 22 nov 2026OpenAI revela el error de predicción de palabras de sus modelos: de 0,99 en GPT-3.5 a menos de 0,8
- 22 nov 2026El modelo Inkling 2 Mini de 26 000 millones de parámetros cabe un millón de tokens en 16 GiB en lugar de 96
- 21 nov 2026Google lanza Gemini 4 Neon: 65,2% en Terminal-Bench 4.1 y $3 por millón de tokens
- 21 nov 2026OpenAI revisa sus prompts para GPT-6.2: menos preguntas, menos pruebas
Preguntas frecuentes sobre la noticia
¿Se puede confiar en los «pensamientos» del modelo?
Los modelos en bucle presentan un riesgo. Si parte del razonamiento ocurre dentro de las capas, la cadena de razonamiento (chain of thought) que el modelo escribe en su respuesta podría dejar de reflejar el proceso real de pensamiento. Para la seguridad, esto es importante. Esta es una cita del anuncio: «No queremos que el modelo pueda escribir cualquier cosa en la cadena de razonamiento. La cadena debe mostrar lo que el modelo realmente hace».
Cómo «piensa» el modelo en bucles?
Una red neuronal convencional procesa cada token (fragmento de texto) una sola vez a través de una pila de capas. Inkling 2 Mini funciona de otra manera. Tiene 24 capas, y 12 de ellas intermedias se ejecutan tres veces por cada token. Esta arquitectura se denomina transformador en bucle (looped transformer). Imagine a un programador que relee mentalmente una función compleja en lugar de escribir su razonamiento en un papel. El modelo realiza más cálculos internamente y produce menos texto hacia fuera.
¿Qué se sabe sobre Calidad y licencia?
El laboratorio presenta estas cifras: 20,1 puntos en Artificial Analysis Intelligence Index, al nivel de Qwen3.8 27B; unas 6 veces más barato y alrededor de 4 veces más rápido por tarea con la misma puntuación; 48,2 % en DeepSWE v1.1, un benchmark de ingeniería de software. Según Thinking Machines, es el mejor resultado entre los modelos abiertos de menos de 100 mil millones de parámetros. La licencia Apache 2.0 permite el uso comercial, el ajuste fino y la integración en productos sin necesidad de aprobaciones.
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.