Inkling 2 Mini, aberta e com 16 GB de memória, alcança Qwen3.8-27B em ranking independente
A Thinking Machines lançou o modelo aberto Inkling 2 Mini, que roda em um notebook com 16 GB de memória e, no ranking independente Artificial Analysis, empatou com o Qwen3.8-27B. Ele executa 12 das 24 camadas intermediárias três vezes seguidas, como um editor que relê o texto: são 48 passagens com apenas 24 camadas armazenadas. Além disso, cada palavra ativa somente 5,4 dos 26,4 bilhões de parâmetros. Para assistentes locais, isso representa a chance de dispensar uma placa de vídeo cara.
Processado por IA de X: @TeksEdge; editado por Hamidun News
Normalmente, um modelo forte significa muita memória: quanto mais inteligente a rede neural, mais pesos precisam ficar na placa de vídeo ou na memória RAM, e a execução local em um notebook continua sendo um sonho. A Thinking Machines, dos EUA, lançou o modelo aberto Inkling 2 Mini, que tenta quebrar essa regra. Segundo a publicação do analista @TeksEdge, no Artificial Analysis Intelligence Index (um ranking independente que compara modelos com base em um conjunto de testes), ele empatou com o Qwen3.8-27B, um modelo denso de 27 bilhões de parâmetros da família Qwen. Mesmo assim, o Inkling 2 Mini roda em uma máquina com 16 GB de memória.
Como 24 camadas viram 48
O Inkling 2 Mini tem 24 camadas de transformer no total. Mas, em vez de aumentar esse número, os autores fazem um loop no meio da rede: o modelo percorre 12 camadas intermediárias três vezes seguidas para cada token (um token é um pedacinho de palavra). Resultado: 48 execuções de camadas, com apenas 24 realmente armazenadas.
Uma comparação do dia a dia: em vez de três revisores, um único revisor relê o texto três vezes e melhora a correção a cada leitura. Há mais cálculo, mas o "time", ou seja, o conjunto de pesos, continua pequeno. Para a execução local, isso importa porque o gargalo costuma ser a memória, e não o tempo de uma única passagem.
A segunda fonte de economia é a arquitetura Mixture of Experts (MoE): o modelo é formado por muitos "especialistas", e para cada token só é ativada uma parte deles. No total, o Inkling 2 Mini tem 26,4 bilhões de parâmetros, mas apenas 5,4 bilhões estão ativos. Isso é cerca de cinco vezes menos que o Qwen3.8-27B denso, em que os 27 bilhões trabalham o tempo todo. Menos pesos ativos significa geração mais rápida e menor carga sobre o hardware.
Os números e a execução
Na publicação, o Qwen3.8-27B aparece com nota 20,1 no Artificial Analysis Intelligence Index v5, e o Inkling 2 Mini com 48,2% e 77,9%, mas as legendas desses dois valores estão trocadas no post. Ainda assim, há um dado importante: o índice do Artificial Analysis foi avaliado de forma independente, enquanto os resultados de programação vêm de benchmarks publicados pela própria Thinking Machines. Vale conferir as notas exatas no site do Artificial Analysis e na ficha do modelo, e testar as afirmações da empresa sobre código em suas próprias tarefas.
Na prática, o cenário de execução é este:
- Os pesos são abertos, então o modelo pode ser executado localmente e ajustado.
- A Unsloth já lançou versões GGUF, incluindo quantizações compactas para sistemas com 16 GB.
- Macs com 32 GB ou mais têm suporte via Ollama.
- A Thinking Machines demonstrou o modelo rodando totalmente offline em um MacBook Pro, criando um simulador de voo jogável.
Limitações
Primeiro: o contexto anunciado de 1 milhão de tokens não é realista em 16 GB. O cache de contexto longo consome memória rapidamente, então em hardware modesto será preciso trabalhar com janelas muito mais curtas.
Segundo: o llama.cpp ainda exige uma build específica com suporte a camadas em loop. Uma versão padrão com essa arquitetura não funciona, e nas primeiras semanas a execução vai exigir compilação manual ou esperar que o suporte entre na branch principal.
Terceiro: a comparação pelo índice agregado não garante superioridade na sua tarefa. Cenários agênticos, trabalho com português e cadeias longas de chamadas de ferramentas podem mostrar um quadro diferente.
O que fazer com isso
Se você desenvolve assistentes locais, ferramentas de código offline ou pipelines privados, o lançamento é interessante por dois motivos. Primeiro, mostra uma alternativa viável ao simples crescimento no número de parâmetros: reutilizar camadas dá mais "raciocínio" sem aumentar os pesos. Segundo, é um modelo aberto forte dos EUA, em um segmento local dominado pelas linhas chinesas Qwen e DeepSeek.
Dica prática: se você tem um notebook com 16 a 32 GB, baixe o GGUF da Unsloth, compile o llama.cpp com o suporte necessário e teste o modelo em suas tarefas ao lado do Qwen. A decisão deve se basear nos seus próprios testes de velocidade, qualidade de código e estabilidade no seu contexto, e não no ranking.
- 21 de nov. de 2026Programador deixou de ser despachante de agentes de IA: o Multica assumiu a rotina de repasses
- 21 de nov. de 2026MLCommons começou a medir APIs de IA sob carga real: 7 medições para agentes
- 21 de nov. de 2026Por meio do OpenRouter, DeepSeek adulterada respondeu por três dias: recusas caíram de 83–98% para 1%
- 21 de nov. de 2026Alice, ChatGPT e Perplexity citam apenas 34 de 309 sites para artigos
Perguntas frequentes sobre a notícia
Como 24 camadas viram 48?
O Inkling 2 Mini tem 24 camadas de transformer no total. Mas, em vez de aumentar esse número, os autores fazem um loop no meio da rede: o modelo percorre 12 camadas intermediárias três vezes seguidas para cada token (um token é um pedacinho de palavra). Resultado: 48 execuções de camadas, com apenas 24 realmente armazenadas. Uma comparação do dia a dia: em vez de três revisores, um único revisor relê o texto três vezes e melhora a correção a cada leitura.
O que se sabe sobre Os números e a execução?
Na publicação, o Qwen3.8-27B aparece com nota 20,1 no Artificial Analysis Intelligence Index v5, e o Inkling 2 Mini com 48,2% e 77,9%, mas as legendas desses dois valores estão trocadas no post. Ainda assim, há um dado importante: o índice do Artificial Analysis foi avaliado de forma independente, enquanto os resultados de programação vêm de benchmarks publicados pela própria Thinking Machines.
O que se sabe sobre Limitações?
Primeiro: o contexto anunciado de 1 milhão de tokens não é realista em 16 GB. O cache de contexto longo consome memória rapidamente, então em hardware modesto será preciso trabalhar com janelas muito mais curtas. Segundo: o llama.cpp ainda exige uma build específica com suporte a camadas em loop. Uma versão padrão com essa arquitetura não funciona, e nas primeiras semanas a execução vai exigir compilação manual ou esperar que o suporte entre na branch principal.
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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.