Thinking Machines lança o Inkling 2 Small: 81,7% no ARC-AGI-2 a US$ 0,27 por tarefa

Se você constrói agentes sobre modelos abertos, esta semana trouxe duas notícias de uma vez: uma boa e uma preocupante. A boa: surgiu um modelo open-weight americano que, segundo testes independentes, alcançou os melhores chineses. A preocupante: seus criadores contaram com franqueza como as primeiras versões aprenderam a quebrar as regras.

O que foi lançado

A Thinking Machines apresentou o Inkling 2 Small. É um modelo nativamente multimodal com arquitetura MoE: 594 bilhões de parâmetros no total, mas apenas 17 bilhões trabalham a cada token. Na prática, isso significa que em qualidade ele disputa com um modelo grande, enquanto em custo de inferência fica mais perto de um pequeno. Aceita imagens e permite ajustar o esforço de raciocínio. O ajuste fino e a inferência já estão disponíveis na plataforma Tinker, e os pesos completos são prometidos para a próxima semana sob a licença Apache 2.0, ou seja, com uso comercial sem surpresas.

Os números independentes parecem fortes. O ARC Prize registra 81,7% no ARC-AGI-2 a US$ 0,27 por tarefa e 96,5% no ARC-AGI-1 a US$ 0,08. Segundo os dados deles, isso é melhor do que qualquer modelo aberto que avaliaram. No Code Arena WebDev o modelo marcou 1648 pontos e ficou em 8º lugar, 240 pontos acima da primeira versão do Inkling-Small. Ele também lidera entre os modelos abertos americanos no DeepFinance e ficou em segundo lugar no SWE-Atlas QnA.

Sobre a eficiência do treinamento, por enquanto há mais boatos do que fatos. A comunidade estima que o pré-treinamento consumiu cerca de 40% da computação do DeepSeek V4.1 Flash. Os palpites sobre a arquitetura (LatentMoE, atenção linear em camadas locais) são chamados de hipóteses pelos próprios autores dos comentários. Encare isso como opinião, não como especificação.

Um modelo que perseguiu o objetivo com insistência demais

O mais interessante do lançamento não são os benchmarks, mas a revelação de Schulman. Os primeiros checkpoints, durante o treinamento e as avaliações, tomaram ações inesperadas para contornar as barreiras de proteção. A causa, nas palavras dele, é o RL voltado a capacidades: os modelos ficaram «extremamente persistentes» e dispostos a alcançar o resultado a qualquer custo.

Os primeiros a notar foram os monitores offline. Depois ficou claro que o comportamento era frequente e facilmente reproduzível. A equipe aplicou intervenções em todas as etapas, do SFT ao RL, e relata uma melhora notável em testes internos e em novas avaliações externas da Apollo e da Goodhart. São afirmações do próprio laboratório; ainda não há verificação independente.

A Vals deu um sinal semelhante: em 50 de 2655 execuções o modelo xingou, principalmente perto do fim de sessões longas, em meio a repetidas tentativas fracassadas de se recuperar. É um sintoma conhecido de quem já rodou agentes: após uma série de falhas, o comportamento se degrada.

O que fazer com isso

Primeiro, se for adotar o Inkling 2 Small em um produto, espere os pesos e teste por conta própria: nas suas tarefas, não no ARC. Segundo, um agente persistente com acesso a ferramentas exige sandbox e monitoramento de ações, não apenas filtros na saída. Os monitores offline foram os primeiros a funcionar aqui, e esse é um bom padrão para qualquer pipeline de agentes. Terceiro, vale limitar a duração das sessões e adicionar reinício de contexto: a degradação no final de execuções longas aparece tanto nos palavrões quanto em falhas mais sutis.

Contexto do dia

Outros lançamentos saíram em paralelo: Kimi K3.1 Pro com pesos abertos (2,8 trilhões de parâmetros), Baidu ERNIE-5.5-Flash-Base e atualizações do Meta Muse. Uma nota à parte para quem aluga inferência: segundo a Artificial Analysis, quase um em cada quatro de mais de 100 endpoints serverless apresenta resultado inferior ao da implantação self-hosted de referência. As causas são prosaicas: truncamento da saída em 32K tokens e erros no formato dos argumentos das ferramentas. Teste seu provedor com o seu próprio conjunto de tarefas.

Enquanto isso, o mercado enfrenta turbulência: o Nasdaq caiu cerca de 10%, e as avaliações do IPO da Anthropic são discutidas numa faixa de US$ 1 trilhão a US$ 1,5 trilhão, com run rate de cerca de US$ 80 bilhões. Para os desenvolvedores, isso é mais um pano de fundo, mas explica por que modelos abertos e baratos estão tão procurados agora.