Thinking Machines predstavlja Inkling 2 Small: gotovo vrhunski učinak na poslovnim testovima

Tvrtka Thinking Machines Lab, AI startup koju vodi bivša glavna tehnološka direktorica OpenAI-a Mira Murati, predstavila je 5. studenoga model Inkling 2 Small. Riječ je o novoj opciji za razvijatelje koji grade agente za pisanje softvera, tumačenje slika, analizu financijskih dokumenata i učenje radnih procesa specifičnih za pojedinu tvrtku. Objava otvara drugu generaciju obitelji Inkling.

Model ima 594 milijarde ukupnih parametara, a zahvaljujući rijetkoj arhitekturi po svakom tokenu aktivira 17 milijardi. Dostupan je za inferenciju i prilagodbu putem platforme Tinker. Tvrtka u blogu navodi da je to njezin najbolje ocijenjeni model prema neovisnoj evaluacijskoj kući Artificial Analysis, s rezultatom 31 na Intelligence Indexu. Kada težine budu objavljene, to će ga učiniti najboljim otvorenim modelom koji ne dolazi iz Kine, ispred nedavno predstavljenog Mistral Large 4 "Le Chonk" s ocjenom 26.

Kontekst

Inkling 2 Small znatno je veći od izvornog Inkling Small iz srpnja: ukupni parametri porasli su sa 276 na 594 milijarde, a aktivirani po tokenu s 12 na 17 milijardi. Naziv "Small" označava mjesto u obitelji proizvoda, a ne prikladnost za prijenosno računalo ili skromniji poslužitelj. Tvrtka ističe zadatke koji traže ponovljene pozive alatima, revizije i provjere. Trening je uključivao softverske repozitorije, terminalska okruženja, izradu dokumenata, istraživanje, vizualne zadatke i simulirane interakcije s korisnicima. Dio kodnih zadataka ocjenjivan je ocjenjivačima koji su procjenjivali pristup agenta, ali i to je li rješenje prošlo testove.

Model prihvaća slike i tekst, ali ne obrađuje zvuk, pa bi glasovna aplikacija trebala drugi model ili uslugu transkripcije.

Ključne brojke

Na EnterpriseBench-CoreCraftu, benchmarku tvrtke Surge AI koji mjeri rad agentnog AI-ja u fiktivnom dobavljaču dijelova za računala, uključujući simulirane nezadovoljne kupce, model postiže 71,8 posto i treći je ukupno, iza Claudea Fable 5.1 (77,4 posto) i Claudea Opus 5.5 (74,4 posto). Na EnterpriseOps-Gymu, koji mjeri agentne performanse u realističnim poslovnim softverskim okruženjima u vertikalama poput korisničke podrške, ljudskih resursa i IT-a, rezultat je 46,8 posto, čime nadmašuje GLM-5.3 i Claude Sonnet 5.

Što to znači

Za poslovne kupce privlačnost nadilazi rezultate na benchmarkovima. Thinking Machines planira objaviti težine pod licencijom Apache 2.0, što nudi put od hostanih eksperimenata do prilagođenih modela koje organizacije mogu same pokretati. No težine su pri lansiranju još zatvorene, dok se čekaju vanjske sigurnosne evaluacije; tvrtka cilja njihovo objavljivanje u tjednu nakon najave. U usporedbi sa zapadnim otvorenim alternativama, Beam tvrtke Reflection i NVIDIA Nemotron 3 Ultra imaju otprilike pola bilijuna parametara, Muse Spark Open tvrtke Meta i Mistral Large 4 veće su multimodalne alternative, a Ricursive Intelligence Ripple-65B Preview pripada manjoj klasi za implementaciju.

Što slijedi

Ostaje pitanje može li Thinking Machines svoj model i platformu za trening pretvoriti u pouzdan dio korporativnog AI sustava. Inkling 2 Small daje razloge za tu procjenu, ali i ograničenja koja bi trebala odrediti gdje će se model pokretati i koliku će ovlast dobiti. Demonstracije poput gradnje simulatora grada, pisanja Linux emulatora i izrade scena u Blenderu sugeriraju ulogu u prototipiranju sučelja i provjeri renderiranih rezultata, no same demonstracije ne dokazuju pouzdanost na produkcijskim projektima organizacije.