Mały gigant od Thinking Machines. Inkling-Small udowadnia, że w AI rozmiar to nie wszystko
Laboratorium Thinking Machines wypuściło właśnie Inkling-Small, model typu open-weight, który wywraca do góry nogami myślenie o gabarytach systemów AI. Choć model posiada imponujące 276 miliardów parametrów, dzięki architekturze Mixture-of-Experts (MoE) w danym momencie aktywnych jest zaledwie 12 miliardów z nich. To wystarczyło, by jednostka cztery razy mniejsza od swojego pierwowzoru zaczęła go ogrywać w kluczowych testach logicznych.
Dlaczego to ważne teraz
Premiera ta oznacza nową fazę w ekosystemie modeli otwartych, gdzie dostęp do zaawansowanego rozumowania przestaje być domeną korporacyjnych gigantów z nieograniczonymi zasobami. Udostępnienie wag na platformie Hugging Face pozwala badaczom i firmom na głęboką integrację systemu bez płacenia haraczu za każde zapytanie do API. Fakt, że model o tak niskim koszcie operacyjnym wspiera okno kontekstowe do miliona tokenów, zmienia reguły gry w analizie ogromnych baz kodu i dokumentacji technicznej.
Architektura pod lupą
Inżynierowie Thinking Machines wykorzystali do trenowania systemy NVIDIA GB300 NVL72, co przełożyło się na unikalną funkcję zmiennego wysiłku poznawczego (variable thinking effort). Programista może sam zdecydować, jak bardzo model ma się „wysilić”, godząc szybkość z precyzją. Co ciekawe, Inkling-Small porzucił tradycyjne kodery. Dźwięk analizowany jest jako spektrogramy dMel, a obrazy tnie na siatkę 40×40 pikseli, co w połączeniu z Pythonem pozwala mu nie tylko patrzeć na grafiki, ale dosłownie operować na ich strukturze.
Rozumowanie zamiast encyklopedii
Wyniki benchmarków pokazują wyraźną strategię: logika ponad pamięciówkę. Model osiągnął 80,2% w SWE-Bench Verified oraz 31,6% w morderczym teście Humanity’s Last Exam. Jak zauważają sami twórcy w dokumentacji, jednostka „dorównuje lub przewyższa swoje większe rodzeństwo w wielu benchmarkach”. Jest jednak haczyk – mniejsza skala oznacza uboższą wiedzę ogólną. To narzędzie dla inżynierów, a nie cyfrowy teleturniejowicz.
Bezpieczeństwo i wdrożenie
W kwestiach etycznych Thinking Machines nie owija w bawełnę. Model przeszedł solidny red-teaming, notując 71,6% odporności w teście FORTRESS. Oprócz samych wag, firma udostępniła środowisko Tinker do dostrajania. Według oficjalnej karty modelu, ruch ten ma na celu wsparcie niezależnych badań i integrację AI w produktach firm trzecich. To mocny sygnał dla branży: wydajne, inteligentne systemy mogą być lżejsze i bardziej dostępne, niż wmawiali nam giganci z Doliny Krzemowej.
