Thinking Machines выпустила Inkling 2 Mini: 26 млрд параметров и 20,1 балла в AA Index
Thinking Machines уменьшила Inkling 2 Small с 594 до 26 млрд параметров, и новая Inkling 2 Mini запускается на ноутбуке. Это зацикленный трансформер: одни и те же слои прогоняются несколько раз, а не строится более широкая сеть. На агентном индексе Artificial Analysis модель получила 20,1 балла против 31 у старшей версии. Для локальных агентов это рабочий вариант, если вас устроит качество ниже флагмана.
AI-обработка оригинала X: @stretchcloud; редакция Hamidun News
Главная претензия к open-weight моделям последних месяцев звучит одинаково: сильные они или нет, но запустить их у себя мало кто может. Inkling 2 Small от Thinking Machines с 594 млрд параметров получила именно такую реакцию. Через две недели лаборатория ответила моделью Inkling 2 Mini на 26 млрд параметров. Она, по заявлению компании, помещается на ноутбук и подходит для агентных задач. На индексе Artificial Analysis для агентной работы Mini набирает 20,1 балла. У старшей Small на том же индексе было 31.
Как уместить рассуждения в 26 млрд параметров
Inkling 2 Mini построена как зацикленный (looped) трансформер. В обычной модели каждый слой отдельный: чем больше слоёв, тем больше уникальных весов и тем тяжелее файл. Здесь один и тот же набор слоёв применяется несколько раз подряд. Представьте, что вместо десяти разных редакторов, каждый из которых правит текст один раз, у вас один редактор, который перечитывает черновик десять раз. Уникальных весов меньше, а вычислений на каждый токен больше. Компания меняет размер хранилища на время счёта.
Для практика это значит следующее. Модель занимает мало места и помещается в память ноутбука, но на каждый ответ тратит заметное количество вычислений. Это удобно для локального запуска, где важнее влезть в железо, чем выжать максимальную скорость.
Куда движется весь рынок открытых моделей
Автор разбора, на который опирается эта новость, помещает Inkling в более широкую картину. DeepSeek V4.1 Flash имеет 552 млрд параметров всего, но на каждый токен задействует около 16 млрд. У Qwen от Alibaba и GLM от Zhipu, по его словам, есть похожие разреженные версии Flash. Идея та же: огромное число параметров в целом и лишь несколько процентов активных за раз. Тогда потребительская видеокарта или мощный ноутбук тянут то, что раньше требовало стойки серверов.
Выходит, лаборатории идут к дешёвому локальному запуску двумя разными дорогами. Одни делают сеть разреженной, и часть весов в каждый момент спит. Другие, как Thinking Machines, делают её зацикленной, и вес один, а проходов несколько. Общий вывод не про рост размеров, а про то, как получить рассуждения без дорогой инфраструктуры.
Прозрачность как часть продукта
Необычна и схема выпуска. До общего релиза Thinking Machines дала ранний доступ Goodfire и NDIF, группам, которые занимаются интерпретируемостью. Они должны были изучить, как информация перемещается между циклами внутри модели. Лаборатория Миры Мурати, которая, как сообщается, привлекла $2 млрд при оценке $10–12 млрд, этим ставит на исследовательский подход и противопоставляет себя OpenAI и Anthropic.
Что стоит учесть
Во-первых, 20,1 балла заметно меньше, чем 31 у Small. Это не замена флагману, а компромисс: вы получаете локальность и платите качеством. Для простых агентных сценариев, где данные нельзя отправлять в облако, этого может хватить, но проверять нужно на своих задачах, а не только по индексу.
Во-вторых, у зацикленной архитектуры есть оборотная сторона, о которой автор предупреждает прямо. Файл весов небольшой, но внутреннее состояние модели труднее проверять, чем у стандартного трансформера: одни и те же слои работают на разных шагах, и понять, что происходит на каждом проходе, непросто. Малый размер на диске не равен простоте. Именно поэтому доступ для Goodfire и NDIF выглядит не маркетинговой деталью, а ответом на реальную проблему аудита.
Наконец, важно помнить об источнике. Это пост в X с пересказом и комментарием, а часть сведений о DeepSeek, Qwen и GLM принадлежит автору поста, а не Thinking Machines. Цифры 26 млрд и 20,1 балла идут из анонса лаборатории. Независимых замеров скорости и качества на реальном ноутбуке пока нет.
Практический вывод
Если вы собираете локальных агентов или хотите держать модель внутри своего контура, Inkling 2 Mini стоит добавить в список для тестов рядом с разреженными Flash-моделями. Сравнивайте по трём параметрам: качество на ваших задачах, время ответа на вашем железе и возможность проверить поведение модели. Последний пункт особенно важен для регулируемых отраслей, где аудит нужен не меньше, чем точность.
- 21 нояб. 2026 г.Математик Anthropic заявил: Claude помог за 6 недель доказать гипотезу Римана
- 21 нояб. 2026 г.Стартап Osmo обучил ИИ запахам на 10 млн оценок людей и генерирует ароматы по тексту
- 21 нояб. 2026 г.КНДР показала первый чатбот «Источник мудрости»: только наука, без политики
- 21 нояб. 2026 г.OpenAI открыла ChatGPT Spaces подписчикам Plus: совместные документы с ИИ
Вопросы и ответы по материалу
Что известно по теме: как уместить рассуждения в 26 млрд параметров?
Inkling 2 Mini построена как зацикленный (looped) трансформер. В обычной модели каждый слой отдельный: чем больше слоёв, тем больше уникальных весов и тем тяжелее файл. Здесь один и тот же набор слоёв применяется несколько раз подряд. Представьте, что вместо десяти разных редакторов, каждый из которых правит текст один раз, у вас один редактор, который перечитывает черновик десять раз. Уникальных весов меньше, а вычислений на каждый токен больше. Компания меняет размер хранилища на время счёта.
Что известно по теме: куда движется весь рынок открытых моделей?
Автор разбора, на который опирается эта новость, помещает Inkling в более широкую картину. DeepSeek V4.1 Flash имеет 552 млрд параметров всего, но на каждый токен задействует около 16 млрд. У Qwen от Alibaba и GLM от Zhipu, по его словам, есть похожие разреженные версии Flash. Идея та же: огромное число параметров в целом и лишь несколько процентов активных за раз. Тогда потребительская видеокарта или мощный ноутбук тянут то, что раньше требовало стойки серверов.
Что известно по теме: прозрачность как часть продукта?
Необычна и схема выпуска. До общего релиза Thinking Machines дала ранний доступ Goodfire и NDIF, группам, которые занимаются интерпретируемостью. Они должны были изучить, как информация перемещается между циклами внутри модели. Лаборатория Миры Мурати, которая, как сообщается, привлекла $2 млрд при оценке $10–12 млрд, этим ставит на исследовательский подход и противопоставляет себя OpenAI и Anthropic.
Протестируйте новые LLM и мультимодальные модели в одном окне
Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.