Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarTG: @neurogen_news (Neurogen)→ original

Thinking Machines lança o Inkling 2 Mini, modelo aberto de 26,4 bilhões de parâmetros para Macs com 32 GB

A Thinking Machines abriu o Inkling 2 Mini, modelo voltado para código, busca e uso de ferramentas, que entende texto e imagens. Ele tem 26,4 bilhões de parâmetros (a "capacidade de conhecimento" da rede), mas cada token (fragmento de palavra) ativa apenas 3,4 bilhões, e por isso qualquer Mac da série M com 32 GB de memória consegue rodá-lo. As camadas do meio são processadas três vezes, para que o modelo raciocine com mais profundidade e escreva menos em voz alta. Para agentes locais, trata-se de uma opção sem nuvem.

Processado por IA de TG: @neurogen_news (Neurogen); editado por Hamidun News
Thinking Machines lança o Inkling 2 Mini, modelo aberto de 26,4 bilhões de parâmetros para Macs com 32 GB
Fonte: TG: @neurogen_news (Neurogen). Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalTG: @neurogen_news (Neurogen) ↗
Editor-chefe
12 das 24 camadas passam três vezes48 aplicações de camadas por token
Arquivoscerca de 25 GB na versão compacta e 35 GB em 8-bit
Dado-chave #3Em PCs, a execução foi confirmada na RTX 5090 com 32 GB de VRAM

Quer rodar um assistente de IA para código no seu notebook, sem nuvem e sem pagar API? Até agora era preciso escolher: um modelo pequeno, que perde o rumo em tarefas complexas, ou um grande, que exige servidor. A Thinking Machines lançou em acesso aberto o Inkling 2 Mini e propõe um meio-termo.

O número 26,4B no nome significa 26,4 bilhões de parâmetros, o tamanho total do modelo, a "capacidade de conhecimento" que fica armazenada no disco. Mas trata-se de uma arquitetura MoE (mixture of experts, "mistura de especialistas"): para cada token, ou seja, um pequeno fragmento de texto, são ativados apenas parte dos especialistas, 3,4 bilhões de parâmetros ativos e únicos. Por isso, em velocidade e memória, o modelo se comporta mais como um modelo pequeno, e pode ser executado em qualquer Mac da série M com 32 GB de memória unificada.

Como o modelo é estruturado

Imagine uma grande biblioteca em que, para cada pergunta, você abre apenas algumas estantes necessárias, em vez de ler todos os livros em sequência. É assim que funciona o MoE.

A segunda característica é o looped transformer ("transformador em loop"). O modelo tem 24 camadas, e 12 das camadas do meio são processadas três vezes seguidas, com os mesmos pesos. Assim, cada token passa por 48 aplicações de camadas e, contando as passagens repetidas, há 5,4B ativações de pesos por token. Os autores explicam a ideia: a rede consegue dar mais passos de raciocínio internamente e gasta menos tokens explicando em voz alta. Para agentes, isso importa: cada token extra significa espera e memória de contexto ocupada.

Para que o modelo caiba em hardware de consumo, os especialistas das 20 primeiras camadas foram treinados e distribuídos no formato NVFP4, e os das quatro últimas, no formato MXFP8. São formatos compactos de armazenamento de números, que ocupam menos espaço que os convencionais.

O que ele faz

O modelo aceita texto e imagens e responde em texto: código, análise de documentos e de capturas de tela. São anunciados chamada de ferramentas, busca e tarefas agentes longas em um ambiente com ferramentas conectadas. O contexto chega a 1M de tokens, ou seja, até um milhão de fragmentos de texto em uma única consulta.

Na demonstração dos autores, o modelo, rodando em um MacBook Pro M5 Pro com 48 GB, montou em poucos minutos um simulador de voo jogável, feito de dentro do próprio avião. A fonte também diz que, nos números, o modelo superou o Qwen3.8-27B, mas os testes específicos e os valores não são apresentados. Vale conferir no blog post da Thinking Machines e na página do modelo no Hugging Face.

O que é preciso para rodar

  • Mac: qualquer um da série M com 32 GB de memória unificada é o mínimo. Com folga, o ideal é 48–64 GB, para sobrar espaço para o sistema, outros aplicativos e consultas longas.
  • PC com NVIDIA: a execução foi confirmada na RTX 5090 com 32 GB de VRAM. Na receita pronta, o contexto fica entre 32 e 64 mil tokens. Trata-se da memória da placa de vídeo; a RAM comum é contabilizada à parte.
  • RTX 3090, 4090 com 24 GB e outras placas: o mínimo exato para o GGUF (formato de arquivo para execução local) ainda não foi estabelecido.
  • Disco: cerca de 25 GB para a versão compacta ou 35 GB para a 8-bit, além de espaço extra para os arquivos do modelo.

Dá para rodar assim: no Mac, via Ollama; no Windows e no macOS, pelo Llama App; no Linux, com llama.cpp. Para a RTX 5090 há uma opção com SGLang. Os pesos e a versão GGUF estão no Hugging Face, e é possível testar o modelo no chat de demonstração.

Limitações e conclusão prática

Há algumas ressalvas. Um milhão de tokens de contexto exige memória adicional, e em configurações de 32 GB esse volume não é garantido. Os 32–64 mil tokens confirmados na RTX 5090 são uma referência real. Sobre donos de placas de 24 GB, ainda não há nada definitivo, e a comparação com o Qwen3.8-27B foi feita sem detalhes.

O que fazer, na prática: se você desenvolve agentes locais ou assistentes de código e tem um Mac com 32 GB ou mais, vale testar o Inkling 2 Mini nas suas próprias tarefas. Um bom teste é uma cadeia longa de passos com chamadas de ferramentas, justamente onde a economia de tokens prometida pelas passagens repetidas deveria aparecer. Se a sua placa de vídeo tem 24 GB, o melhor é esperar até que a comunidade defina os requisitos mínimos para o GGUF.

História

Perguntas frequentes sobre a notícia

Como o modelo é estruturado?

Imagine uma grande biblioteca em que, para cada pergunta, você abre apenas algumas estantes necessárias, em vez de ler todos os livros em sequência. É assim que funciona o MoE. A segunda característica é o looped transformer ("transformador em loop"). O modelo tem 24 camadas, e 12 das camadas do meio são processadas três vezes seguidas, com os mesmos pesos. Assim, cada token passa por 48 aplicações de camadas e, contando as passagens repetidas, há 5,4B ativações de pesos por token.

O que ele faz?

O modelo aceita texto e imagens e responde em texto: código, análise de documentos e de capturas de tela. São anunciados chamada de ferramentas, busca e tarefas agentes longas em um ambiente com ferramentas conectadas. O contexto chega a 1M de tokens, ou seja, até um milhão de fragmentos de texto em uma única consulta. Na demonstração dos autores, o modelo, rodando em um MacBook Pro M5 Pro com 48 GB, montou em poucos minutos um simulador de voo jogável, feito de dentro do próprio avião.

O que é preciso para rodar?

Mac: qualquer um da série M com 32 GB de memória unificada é o mínimo. Com folga, o ideal é 48–64 GB, para sobrar espaço para o sistema, outros aplicativos e consultas longas. PC com NVIDIA: a execução foi confirmada na RTX 5090 com 32 GB de VRAM. Na receita pronta, o contexto fica entre 32 e 64 mil tokens. Trata-se da memória da placa de vídeo; a RAM comum é contabilizada à parte.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…