Thinking Machines 發佈 AI 模型 Inkling 2 Small,模型權重預計下週公開
Thinking Machines、AIモデルInkling 2 Smallを発表 ——重みも公開予定
Thinking Machines 於 2026年11月5日發佈 AI 模型 Inkling 2 Small,並表示計劃下週公開模型權重。模型總參數量為 594B,採用 MoE 架構,每個 token 使用 17B 參數,支援文字及圖片輸入;同日起可透過 Tinker 進行推理和微調。
Thinking Machinesは2026年11月5日、AIモデルInkling 2 Smallを発表した。同日から、同社のAPIサービスTinkerを通じて、Inkling 2 Smallによる推論や、用途にあわせた追加学習(ファインチューニング)を行える。モデルの重み全体も近く公開する予定としている。
Introducing Inkling 2 Small. Scoring 31 on the AA Intelligence Index, it's a big jump over its predecessor. Inkling 2 Small is available for fine-tuning and inference on Tinker today, with full weight release planned soon. https://t.co/VR02tw73fJ
— Thinking Machines (@thinkymachines) November 5, 2026
Inkling 2 Smallは、総パラメーター数594BのMoEモデル。モデル内の一部のパラメーターを選んで計算する仕組みで、各トークンの処理には17Bを使う。テキストに加え、画像の入力にも対応する。
AIモデルの性能評価指標「AA Intelligence Index」(v5.0.1)では、Inkling 2 Smallは31を記録し、前世代のInkling Smallの13を上回った。Thinking Machinesによると、Inkling 2 Smallは多くの手順を重ねて進めるタスクを得意とする。作成したWebサイトなどの見た目を確認しながら修正でき、さまざまなハーネス(モデルのツール利用や作業の進行を支える仕組み)や実行環境にも適応できるという。
Tinkerで別モデルをファインチューニングする作業を、Inkling 2 Smallに任せる使い方も紹介している[1]。同社は、利用者が用途にあわせて調整できるAIの開発を目指し、今回のモデルをその実現に向けた一歩と説明している。
総合指標とコード評価で他モデルと比較
発表記事に掲載された総合指標2つとコード開発の評価2つで、他モデルと比較する。比較対象は、同記事で「Flash」に分類されたモデルの一部。数値は発表時点のもので、いずれも高いほど成績がよい[2]。
| モデル | AA Index v5.0 | Vals Index v2.2 | FrontierCode v2.0 | DeepSWE v1.1 |
|---|---|---|---|---|
| Inkling 2 Small | 30.6 | 56.1% | 25.4% | 72.1% |
| DeepSeek-V4.1-Flash-1017 | 32.6 | 61.3% | 28.5% | 77.0% |
| GLM-5.3-Flash | 27.8 | 50.9% | 14.2% | 63.4% |
| Muse Spark Open | 24.9 | 48.6% | 7.6% | 60.0% |
| GPT-6 Luna | 27.9 | 52.3% | 25.2% | 66.6% |
| Gemini 3.8 Flash | 30.8 | 56.0% | 18.7% | 73.8% |
| Claude Haiku 5.5 | 36.5 | 58.7% | 34.9% | 59.9% |
AA Indexは前述のAA Intelligence Indexで、この表では発表記事にあわせてv5.0の値を掲載した。Vals Indexは、金融・コード開発・法務・税務のタスク成績を、各分野の米国GDPに占める割合に応じて重み付けした指標。FrontierCodeとDeepSWEは、コード開発の能力を評価するベンチマーク。
Inkling 2 Smallは、掲載した4指標すべてでDeepSeek-V4.1-Flash-1017を下回る一方、GPT-6 LunaやGLM-5.3-Flashを上回った。Claude Haiku 5.5との比較では、総合指標2つとFrontierCodeで下回ったが、DeepSWEでは上回った。
重みは来週公開予定
同社のSoumith Chintala氏によると、開発時には事前学習、中間学習、事後学習の全段階で、4ビット浮動小数点形式のNVFP4を使った。事前学習にはNVIDIAのAI計算基盤GB300を使い、68時間をかけたという。事後学習では9日間に1,700万回のロールアウト[3]を行ったとしている。
Chintala氏は、外部の安全性テストをすべて終えたうえで、来週、重みを公開する予定と述べている。
來源:gihyo.jp · gihyo.jp