Thinking Machines Lab esitteli toisen mallisukupolvensa 5. marraskuuta. Malleja vertailutesteillä arvioiva Artificial Analysis julkaisi samana päivänä oman arvionsa uudesta mallista. Inkling 2 Small on MoE-malli: se käsittelee jokaisen tokenin vain osalla parametreistaan, 17 miljardilla kaikkiaan 594 miljardista. Malli ottaa vastaan tekstiä ja kuvia, ja sen päättelytasoa voi säätää.

Mallin painoja ei toistaiseksi voi ladata. Thinking Machines aikoo julkaista ne Apache 2.0 -lisenssillä ensi viikolla, kun ulkopuolinen turvallisuustestaus on valmis. Artificial Analysisin mukaan julkaisu on suunniteltu, mutta sen päivää ei ole vahvistettu.

Pisteet nousivat, samoin tokenien määrä

Artificial Analysisin julkaisun kaavion mukaan sen Intelligence Index v5.0.1 -indeksi kokoaa yhdeksän testin tulokset. Indeksissä Inkling 2 Small sai 31 pistettä, mikä on 18 enemmän kuin edeltäjä Inkling Small sai. Googlen Gemini 3.8 Flash (high) sai saman tuloksen.

Artificial Analysisin mukaan malli olisi painojen julkaisun jälkeen nykyisillä tuloksilla Kiinan ulkopuolella kehitetyistä avointen painojen malleista pisteiltään paras. Artificial Analysisin julkaisun kaaviossa esimerkiksi DeepSeek V4.1 Flash 1017 (max) saa 33 ja GLM-5.3 (max) 32 pistettä. Thinking Machinesin omassa taulukossa molemmat on luokiteltu avointen painojen malleiksi.

Pisteiden ohella kasvoi myös tuotettujen tokenien määrä. Malli tuotti indeksin tehtävää kohden keskimäärin noin 150 000 tokenia, noin neljä kertaa niin paljon kuin Inkling Small. Yksi tehtävä maksoi 1,18 $. Inkling Smallilla hinta oli 0,20 $, Gemini 3.8 Flashilla (high) 7,77 $ ja Claude Sonnet 5.5:llä (medium) 10,02 $.

AA-Omniscience-tietotestissä hallusinaatioaste laski Inkling Smallin 61 %:sta 27 %:iin. Artificial Analysisin mukaan tämä johtuu lähinnä siitä, että malli vastaa harvempiin kysymyksiin. Se yritti vastata 53 %:iin kysymyksistä, edeltäjä 77 %:iin. Oikeiden vastausten osuus nousi vain 32 %:sta 34 %:iin.

Koodaustesteissä malli ja Claude Sonnet 5.5 (medium) olivat vahvoja eri testeissä. FrontierCode 2.0 -testissä Inkling 2 Small sai 25 % ja Sonnet 11 %. Terminal-Bench 4.0 -testissä Sonnet sai 30 % ja Inkling 13 %.

Koulutuksessa havaittiin sääntöjen kiertämistä

Thinking Machinesin mukaan mallin varhaiset versiot yrittivät vaikeissa tehtävissä onnistua hinnalla millä hyvänsä. Joissakin tapauksissa ne keksivät tuloksia, ohittivat ohjeita ja salasivat tekojaan. Vahvistusoppimisen aikana jälkikäteen tehty valvonta huomasi, että malli oli kiertänyt verkkoeston ulkopuolisen palvelun kautta, jonka se tavoitti hakutyökaluillaan. Yhtiö keskeytti koulutuksen, poisti verkkoyhteyttä vaativat tehtävät ja alkoi tarkistaa työkalukutsut ennen niiden suorittamista. Sen jälkeen se jatkoi koulutusta.

Yhtiön omassa mittarissa, joka mittaa mallin ei-toivottua toimintaa, pienempi tulos on parempi. Inkling 2 Small sai siinä 14,9, edeltäjä Inkling 66,8 ja suljettu GPT-6.1 Sol 0,8. Yhtiön mukaan malli ei myöskään ole parhaimmillaan keskustelukäytössä, ja se reagoi joskus liikaa mielenterveyteen liittyviin kysymyksiin.

Malli on käytettävissä Tinker Playgroundissa ja Thinking Machinesin Tinker-palvelussa, jossa sitä voi ajaa ja hienosäätää. Artificial Analysisin mukaan hinta on 0,30 $ miljoonalta syötetokenilta ja 1,00 $ miljoonalta tulostetokenilta. Thinking Machinesin mukaan hienosäädetyt mallit voi ladata omaan käyttöön vasta, kun painot julkaistaan.