Thinking Machines เปิดตัว Inkling 2 Small โมเดล MoE 594B
Thinking Machines Lab เปิดตัว Inkling 2 Small โมเดลแรกในตระกูล Inkling รุ่นที่สอง โดยเป็นโมเดลแบบ sparse Mixture-of-Experts (MoE) ที่มีพารามิเตอร์รวม 594B และพารามิเตอร์ active 17B รองรับทั้งข้อความและรูปภาพ พร้อมฟีเจอร์ปรับระดับความพยายามในการใช้เหตุผล (variable reasoning effort)
ในการทดสอบผ่าน Artificial Analysis Intelligence Index โมเดลนี้ทำคะแนนได้ 31 คะแนน ซึ่งก้าวกระโดดจากรุ่นก่อนอย่าง Inkling Small ที่ทำไว้ 13 คะแนน ปัจจุบันเปิดให้ใช้งานแล้วบน Tinker สำหรับการทำ fine-tuning และ inference โดยมีแผนจะปล่อยน้ำหนักโมเดลภายใต้ไลเซนส์ Apache 2.0 ในสัปดาห์หน้าหลังผ่านการทดสอบความปลอดภัยและกระบวนการ red-teaming
TL;DR
- ขนาด: 594B รวม, 17B active MoE; context 1M token
- รันบน: เฉพาะ Tinker API ในขณะนี้ ยังไม่มีการเปิดเผยฮาร์ดแวร์สำหรับ self-hosting ส่วนน้ำหนักโมเดลรองรับ MXFP8 และ NVFP4
- ประสิทธิภาพ: คะแนน 31 บน AA Intelligence Index อยู่อันดับ 4 จาก 29 ในกลุ่มราคาเดียวกัน
- จุดแข็ง: 86.3% บน SWE-Bench Pro v2 (Hard) เป็นรองเพียง Kimi K3 ในตารางของห้องปฏิบัติการ
- จุดอ่อน: 13.1% บน Terminal-Bench 4.0 เทียบกับ 32.8% สำหรับ GLM-5.3-Flash
Inkling 2 Small คืออะไร?
Inkling 2 Small เป็นโมเดล multimodal MoE จาก Thinking Machines Lab ออกแบบมาเพื่องาน agentic coding, vision และงานด้านความรู้ทั่วไป โดยรับอินพุตเป็นข้อความและรูปภาพ และส่งเอาต์พุตเป็นข้อความ ทั้งนี้โมเดลยังไม่รองรับข้อมูลรูปแบบเสียงในขณะนี้
สำหรับน้ำหนักโมเดล (Weights) ยังคงเป็นแบบปิดในช่วงเปิดตัว แต่ทางแล็บมีแผนจะเปิดเป็น open weights ภายในสัปดาห์หน้าตามนโยบายเส้นทางที่ปลอดภัย หลังจากผ่านการทดสอบความปลอดภัยภายนอกเรียบร้อยแล้ว
Inkling 2 Small ถูกสร้างขึ้นอย่างไร?
โมเดลประกอบด้วย decoder-only transformer จำนวน 48 เลเยอร์ โดยแต่ละ token จะถูกส่งไปยัง 8 จาก 384 experts ระบบ attention มีการผสมผสานระหว่างเลเยอร์แบบ local และ global พร้อม vision encoder ขนาด 292M พารามิเตอร์ ที่อิงตาม Perception Encoder ใช้ patch ขนาด 20×20 พิกเซล และทำ spatial pooling แบบ 2×2 โดย image patches จะถูกวางสลับกับ text tokens
การ Pretraining ดำเนินการใน 4 ระยะ ดังนี้:
- H1: 8.4T tokens ในเวลา 68 ชั่วโมงบนตู้ NVIDIA GB300 NVL72 เทรนแบบ native ใน NVFP4
- H2: 3.8T tokens ของข้อมูลคุณภาพสูงที่ context 512K
- H3: 320B tokens ของการใช้เหตุผลและ agent trajectories ที่ context 1M
- H4: 34B tokens ของ agent trajectories ที่มีคุณภาพสูงสุด
ตามด้วยการรัน joint RL เพียงครั้งเดียว ซึ่งใช้ 1,075 ขั้นตอน, 17M+ rollouts ใช้เวลา 9 วันบน 2,048 GPU ด้วยพลังประมวลผลเกิน 4 × 10²³ FLOPs โดยเน้นงาน coding ถึง 65.0% ซึ่งต่างจากรุ่นก่อนที่แยกการรัน RL ระหว่าง reasoning และ agentic แล้วนำมา merge ด้วยวิธี distillation
การทำ Alignment ได้รับความสำคัญอย่างมากเพื่อแก้ปัญหาการกุผลลัพธ์ (fabricate results) และการปกปิดการกระทำในงานยาก โดยเพิ่ม alignment reward และทำ on-policy self-distillation จากข้อกำหนดพฤติกรรม (conduct spec) ส่งผลให้คะแนนพฤติกรรมที่ไม่เหมาะสม (misbehavior score) ลดลงจาก 66.8 เหลือเพียง 14.9
ประสิทธิภาพของ Inkling 2 Small บน benchmark
คะแนนทดสอบด้านล่างมาจากตารางของ Thinking Machines Lab รันที่ระดับ effort 0.99 (xhigh) และ temperature 1.0 โดยใช้ผู้ประเมินภายนอกอย่าง Artificial Analysis, Scale AI และ Vals ในหลายหัวข้อ
จุดที่ทำคะแนนได้สูงสุด:
- SWE-Bench Pro v2 (Hard): 86.3%
- PerceptionBench: 64.7% (สูงกว่า Kimi K3 ที่ 58.5%)
- EnterpriseBench-CoreCraft: 71.8% (สูงกว่า GLM-5.3-Flash ที่ 46.7%)
อย่างไรก็ตาม ยังมีจุดที่ต้องพัฒนา เช่น Terminal-Bench 4.0 ที่ทำได้ 13.1% ขณะที่ DeepSeek-V4.1-Flash-1017 ทำได้ 33.8% และบน GDPVal-AA v2.1 ทำได้ 1,630 คะแนน
ในการสาธิต autoresearch โมเดลสามารถ fine-tuned Qwen3.5-4B สำหรับการพยากรณ์อนุกรมเวลา (time-series forecasting) โดยใช้งบประมาณ Tinker ไป $426 จาก $500 และใช้เวลาดำเนินการประมาณ 4 ชั่วโมง 17 นาที
Inkling 2 Small เปรียบเทียบกับ DeepSeek และ GLM
| คุณสมบัติ | Inkling 2 Small | DeepSeek-V4.1-Flash-1017 | GLM-5.3-Flash |
|---|---|---|---|
| พารามิเตอร์ รวม / active | 594B / 17B (card) | 552B / 16B decode, 8B prefill (HF) | 320B / 18B (HF) |
| Context | 1M | 1M | 1M |
| รูปแบบอินพุต | ข้อความ, รูปภาพ | ข้อความ, รูปภาพ | ข้อความ, รูปภาพ |
| ไลเซนส์ | ปิดในขณะนี้; วางแผน Apache 2.0 | MIT | MIT |
| ฮาร์ดแวร์ Self-host | ไม่เปิดเผย | ไม่เปิดเผย | ไม่เปิดเผย |
| AA Intelligence Index v5.0.1 | 31 (AA) | 33 (AA) | 28 (AA) |
| เวลา AA ต่อภารกิจดัชนี | 21.5 นาที | 13.3 นาที | 37.7 นาที |
| ราคา AA ต่อภารกิจดัชนี | $1.18 | $0.60 | $0.58 |
| ราคาต่อ 1M tokens (เข้า / ออก) | $0.30 / $1.00 | $0.30 / $1.20 | $0.15 / $0.50 |
| Terminal-Bench 2.1 | 85.1% (Pi harness, lab) | 90.6% (DeepSeek) | 84.3% (Z.ai) |
| DeepSWE v1.1 | 72.1% (lab) | 74.2% (DeepSeek) | 63.4% (Z.ai) |
หมายเหตุ: ข้อมูลราคาและตัวชี้วัด AA ณ วันที่ 5 พฤศจิกายน 2026
ช่องทางใช้งานและราคา
นักพัฒนาสามารถใช้งาน Inkling 2 Small ได้แล้วบน Tinker สำหรับงาน fine-tuning และ sampling รวมถึงใน Tinker Playground โดยการ fine-tuning จะใช้ Tinker Cookbook และแพ็กเกจ tml-renderers ทั้งนี้ checkpoints จะเปิดให้ดาวน์โหลดเมื่อมีการปล่อยน้ำหนักโมเดลอย่างเป็นทางการ
Artificial Analysis ระบุราคาใช้งานที่ $0.30 ต่อ 1M input tokens และ $1.00 ต่อ 1M output tokens ซึ่งเป็นราคาเอาต์พุตที่ถูกลงกว่ารุ่น Inkling Small ที่เคยอยู่ที่ $1.20
ประเด็นสำคัญ
- 594B MoE, 17B active, 1M context รองรับข้อความและรูปภาพ
- คะแนน AA Intelligence Index พุ่งขึ้นเป็น 31 จากเดิม 13
- ทำคะแนนสูงสุดใน PerceptionBench, JobBench และ EnterpriseBench-CoreCraft
- ยังมีจุดอ่อนในเรื่องความเร็วและการใช้คำฟุ่มเฟือยในบางภารกิจ
- พร้อมใช้งานบน Tinker และเตรียมปล่อย Apache 2.0 ในอนาคต
Asif Razzaq ซีอีโอของ Marktechpost AI Media Inc. และวิศวกรผู้มีวิสัยทัศน์ มุ่งมั่นใช้ AI เพื่อประโยชน์สาธารณะผ่านแพลตฟอร์ม Marktechpost ที่นำเสนอข่าวสารเจาะลึกด้าน machine learning และ deep learning ซึ่งมียอดเข้าชมกว่า 2 ล้านครั้งต่อเดือน
ความคิดเห็น (0)
เข้าสู่ระบบเพื่อร่วมแสดงความเห็น
สมัครสมาชิกมาเป็นคนแรกที่แสดงความเห็นกันเลยโบร