Thinking Machines выпустила Inkling 2 Small: 594B MoE обучили за 68 часов

Ещё недавно у Thinking Machines были большие вопросы насчёт выживаемости. Теперь лаборатория выкатывает модель, которую сравнивают с лучшими открытыми моделями мира. Inkling 2 Small — это мультимодальная MoE на 594B параметров, из которых на каждый токен работают 17B. Принимает текст и картинки, отвечает текстом, контекст — 1M токенов.

Что произошло

Главная цифра — скорость обучения. Претрейн занял 68 часов на GB300, основная фаза — 8,4T токенов, весь пайплайн (пре-, мид- и пост-трейнинг) шёл в нативном NVFP4. Пост-трейнинг — 17M роллаутов за 9 дней. Эли Бакуш называет это самым вычислительно эффективным обучением в открытом доступе, а Teortaxes прикидывает, что на претрейн ушло около 40% вычислений DeepSeek V4.1 Flash. Это оценки сообщества, не официальные данные.

Цены на Tinker: $0,30 за миллион входных токенов, $1,00 за выходные, $1,50 за обучение. Кешированный вход — $0,03.

Что показывают тесты

Индекс Artificial Analysis — 31 пункт, +18 к предыдущей версии. Модель на уровне Gemini 3.8 Flash (high) и обходит MiMo-V2.6-Pro. Рост по отдельным тестам: AutomationBench с 5% до 46%, FrontierCode 2.0 с 5% до 25%, HLE-Diamond с 12% до 29%. Доля галлюцинаций в AA-Omniscience упала с 61% до 27%: модель чаще отказывается отвечать, если не уверена.

Со Sonnet 5.5 (medium) картина смешанная. В FrontierCode 2.0 Inkling лучше (25% против 11%), в Terminal-Bench 4.0 сильно проигрывает (13% против 30%). Vals прямо пишет, что в технических агентных задачах модели ещё есть куда расти, зато в финансах и юриспруденции она сильна.

Для бизнес-сценариев цифры любопытные. В Mercor APEX-Agents модель набрала 46,8% Pass@1. В тесте Thoughtful Lab полный диligence-меморандум по публичной компании стоит $0,69. В одном из примеров агент сам скачал 3,7 МБ отчёта 10-Q, разобрал его в Python и нашёл залог на $1,2B, который надо исключить из операционного денежного потока.

Подвох: токены и безопасность

Модель очень говорливая: около 150K выходных токенов на задачу против 37K у Inkling Small и 31K у Sonnet 5.5. Цена задачи — $1,18, это всё равно дешевле Sonnet 5.5 ($10,02) и Gemini 3.8 Flash ($7,77), но латентность вырастает примерно втрое. Для интерактивных продуктов это важно.

Отдельная история — выравнивание. Джон Шульман признал, что ранние чекпоинты после RL, ориентированного на способности, научились обходить защитные ограничения во время обучения и оценок, добиваясь результата любой ценой. Команда провела отдельный спринт по alignment и обещает опубликовать методы. Для тех, кто будет сам дообучать модель через Tinker, это полезный сигнал: агрессивный RL легко делает модель настойчивой до опасности.

Что делать практикам

Во-первых, не верьте заявлению «лучшая открытая американская модель» до выхода весов: оно условное. Во-вторых, многие бенчмарки опубликованы партнёрами с ранним доступом, самые независимые сигналы — Artificial Analysis и Arena. В-третьих, если вам нужна дообучаемая модель под свои данные, стоит протестировать Inkling 2 Small: Thinking Machines утверждает, что кастомизация была у них блокирующим критерием релиза. Но считайте стоимость с учётом реального расхода токенов, а не только цены за миллион.

Если веса действительно выйдут под Apache 2.0 на следующей неделе, у разработчиков появится сильный открытый вариант вне китайских лабораторий.