Inkling 2 Small: новая модель ИИ от Thinking Machines Lab
Открыть галерею
13 ноября 2026 г.

Inkling 2 Small: новая модель ИИ от Thinking Machines Lab

Inkling 2 Small — мультимодальная модель Thinking Machines Lab для агентного программирования, работы со знаниями, финансами и данными, представленная 5 ноября 2026 года. Она сочетает MoE-архитектуру на 594 млрд параметров с 17 млрд активных, контекст на 1M токенов и регулируемое усилие рассуждений. Попробовать модель можно через API ВЕГА.

Что такое Inkling 2 Small и для каких задач она нужна?

Inkling 2 Small — первая модель второго поколения Thinking Machines Lab, компании, основанной бывшим CTO OpenAI Мирой Мурати. Это разреженная MoE-модель: при обработке каждого токена работает только часть её параметров.

Основной сценарий — агентная работа, в которой недостаточно написать один ответ. Модели нужно выполнить последовательность действий, оценить промежуточный результат, внести изменения и проверить себя. Например, исправить код и проверить рендеринг созданного сайта или подготовить аналитические материалы по данным.

ХарактеристикаЗначение
Общее число параметров594 млрд
Активных параметров на токенОколо 17 млрд
Контекстное окно1 048 576 токенов
Входные данныеТекст и изображения
Выходные данныеТекст
АудиовходНе поддерживается
Архитектура48 слоёв: 40 sliding-window и 8 full-attention
Эксперты384, из них 8 выбираются для каждого токена
Vision-энкодер23-слойный ViT, 292 млн параметров
Управление рассуждениямиreasoning_effort, от none до max

Контекст на 1M токенов позволяет передавать объёмные материалы в одном запросе. Но вместимость контекста не означает безошибочную работу со всеми деталями: длинные диалоги остаются одним из ограничений модели.

Параметр reasoning_effort регулирует усилие рассуждений. Для своего приложения его стоит подбирать на тестовых задачах: максимальное значение не следует автоматически считать лучшим режимом для любого запроса.

Как Inkling 2 Small справляется с кодингом и агентным программированием?

Модель обучали на длинных агентных задачах программирования, включая пост-тренинг нейросетей и оптимизацию GPU-ядер. В обучении использовали 12,2 трлн токенов претрейна и 3 трлн токенов обучения с подкреплением — по 17 млн роллаутов.

В поведении акцент сделан на соблюдении инструкций, аккуратной оценке изменений и самостоятельной проверке работы. Для разработчика это повод тестировать Inkling 2 Small не только как генератор фрагментов кода, но и внутри полноценного агентного цикла.

БенчмаркInkling 2 SmallДля сравнения
SWE-Bench Pro v2 (Hard)86,3%—
SWE-bench Verified82,2%—
DeepSWE v1.172,1%—
Terminal-Bench 2.1, Pi harness85,1%—
Terminal-Bench 4.0, AA13,1%слабое место модели
FrontierCode 2.0, AA25%Inkling Small — 5%
AutomationBench-AA46%Inkling Small — 5%
ARC-AGI-281,7%лучший результат по версии ARC Prize
ARC-AGI-196,5%—

Результаты сильно зависят от набора задач и окружения агента. Показатели Terminal-Bench 2.1 и 4.0 нельзя трактовать как одну шкалу: это разные версии и условия оценки. Высокий результат в одном тесте не отменяет слабые 13,1% в другом.

Мультимодальность полезна там, где результат нужно увидеть. В агентном контуре Inkling 2 Small может визуально проверить собственный вывод — например, рендеринг сайта. При этом на выходе модель выдаёт текст, а не изображения.

Подойдёт ли Inkling 2 Small для знаний, финансов и анализа данных?

Да, эти направления входят в целевые сценарии модели. Особенно интересны задачи с несколькими связанными результатами: таблицей, презентацией и меморандумом, которые должны согласовываться между собой.

ПроверкаInkling 2 SmallДля сравнения
AA-Briefcase, длинные бизнес-задачи1527 EloInkling Small — 912; Claude Sonnet 5.5 — 1439; Gemini 3.8 Flash — 1203
AA-Briefcase, выполненные рубрики-проверки50%Inkling Small — 20%
Finance Agent v2.167,5%лучший результат в тесте
DAYJOB Finance14,3%лучший результат в тесте
Plotly DataAnalyticsBench39 из 43, или 91%—
AA Intelligence Index v5.0.131, место 6 из 34Inkling Small — 13; уровень Gemini 3.8 Flash
AA-Omniscience v1.1, доля галлюцинаций27%Inkling Small — 61%

В Plotly DataAnalyticsBench модель идеально прошла категории с неоднозначными вопросами, невыполнимыми запросами и статистическими ловушками. Это важная проверка для аналитики: полезный ответ иногда состоит не в вычислении числа, а в обнаружении некорректной постановки задачи.

Финансовые результаты стоит читать вместе с абсолютными значениями. Например, лидерство в DAYJOB Finance при 14,3% не означает готовности автономно выполнять любую финансовую работу. Расчёты и выводы по-прежнему требуют проверки.

Отдельный пример — autoresearch-демо. Inkling 2 Small самостоятельно дообучила Qwen3.5-4B для прогнозирования временных рядов и удвоила скоринг за 4,5 часа на Tinker. Это демонстрация исследовательского цикла с измеримым результатом, а не гарантия аналогичного улучшения на любых данных.

Как подключить Inkling 2 Small через API ВЕГА?

Модель доступна в API ВЕГА. Идентификатор для запросов — thinkingmachines/inkling-2-small, страница каталога — api.vega.chat/aimodels/inkling-2-small.

Для первого теста лучше взять реальную задачу из своего процесса, результат которой можно проверить:

  1. Откройте карточку модели в каталоге API ВЕГА.
  2. Укажите thinkingmachines/inkling-2-small в поле model вашего запроса.
  3. Подготовьте задачу с понятными критериями: исправление ошибки, анализ таблицы или проверку интерфейса по изображению.
  4. Подберите reasoning_effort под задачу и сравните качество результата и время выполнения.
  5. Если используете агента, оцените весь цикл: действия, проверки, исправления и итоговый ответ.

Не ограничивайтесь первым удачным примером. Для внедрения важнее повторяемость на ваших задачах, особенно если агент работает с инструментами и выполняет длинные последовательности действий.

Как использовать бесплатный эндпоинт и защитить данные?

В каталоге есть бесплатный вариант thinkingmachines/inkling-2-small:free, предназначенный для агентных харнесов — окружений, которые управляют работой агента. По условиям Thinking Machines промпты и ответы на этом эндпоинте логируются и используются для улучшения их моделей. Персональные и конфиденциальные данные отправлять туда нельзя.

Есть два пути:

  1. Не включать такие данные в запросы: использовать синтетические примеры и заранее очищенные материалы.
  2. Для обезличивания персональных данных подключить Защитник ВЕГА.

У Защитника остаются тот же ключ и SDK; меняется только base URL на https://api.vega.chat/guard/v1. До отправки в модель персональные данные заменяются метками вида #PERSON_1#, а в ответе настоящие значения подставляются обратно.

Обезличивание персональных данных не стоит считать разрешением отправлять любую конфиденциальную информацию. Если документ содержит коммерческие секреты или другие чувствительные сведения, не включайте их в запрос к бесплатному эндпоинту.

Какие ограничения важно проверить до внедрения?

Помимо слабого результата Terminal-Bench 4.0, нужно учитывать длительность сложных задач. В тестах Index модель тратила около 21,5 минуты на задачу; средняя длина вывода составляла примерно 150 тысяч токенов. Это не прогноз времени для каждого API-запроса, но важный ориентир для длинных агентных сценариев.

Также заявлены галлюцинации и деградация в длинных многоходовых диалогах. Поэтому большое контекстное окно не заменяет проверку фактов, тесты кода и контроль промежуточных результатов. Для эмоциональной поддержки отдельно отмечаются избыточные дисклеймеры.

Частые вопросы

Чем Inkling 2 Small отличается от первого поколения?

В таблицах выше видны изменения в кодинге, автоматизации и бизнес-задачах. При выборе ориентируйтесь на свой сценарий: универсального преимущества во всех задачах результаты не обещают.

Что означает reasoning_effort?

Это настройка усилия рассуждений от none до max. Подходящее значение лучше выбирать экспериментально, проверяя результат и длительность выполнения.

Можно ли передавать изображения и аудио?

Изображения и текст поддерживаются на входе. Аудиовхода нет; ответ модель возвращает текстом.

Безопасно ли отправлять рабочие документы на бесплатный эндпоинт?

Только если в них нет персональных и конфиденциальных данных. Для персональных данных доступно обезличивание через Защитник ВЕГА; остальные чувствительные сведения нужно исключить из запроса.

Комментарии

0/5000

Поддержка Markdown