Inkling 2 Small: Thinking Machines Lab lancia il modello MoE da 594 miliardi di parametri

Thinking Machines Lab, il laboratorio fondato da Mira Murati, ha presentato il 5 novembre 2026 Inkling 2 Small, il primo modello della seconda generazione della sua famiglia Inkling. Si tratta di un modello Mixture-of-Experts con 594 miliardi di parametri totali e circa 17 miliardi attivi per ogni token, capace di leggere anche immagini e pensato per lavori di coding, ragionamento e compiti autonomi.

La notizia non riguarda solo un nuovo nome in classifica. Il laboratorio ha pubblicato un documento tecnico molto dettagliato, con numeri sull’addestramento, sui benchmark e sul comportamento del modello, e ha annunciato che i pesi arriveranno con licenza Apache 2.0 dopo i test di sicurezza esterni. Vediamo cosa è stato dichiarato, cosa significa e che cosa puoi farci già oggi.

Che cos’è Inkling 2 Small e come è costruito

Inkling 2 Small è un modello a esperti, cioè una rete in cui per ogni parola o frammento di immagine viene attivata solo una piccola parte dei parametri complessivi. Nel caso specifico i parametri totali sono 594 miliardi, ma quelli attivi sono circa 17 miliardi. È la stessa logica che permette di ottenere capacità elevate senza pagare ogni volta il costo di un modello denso di pari dimensioni.

Il modello accetta input visivi e supporta lo sforzo variabile, ovvero la possibilità di decidere quanto ragionamento dedicare a ciascuna richiesta. Per la parte di visione, Thinking Machines usa un encoder da 292 milioni di parametri basato su Perception Encoder, che lavora su patch da 20 per 20 pixel con un pooling spaziale 2 per 2.

Un addestramento in quattro fasi

Il pretraining è stato diviso in quattro tappe. La prima ha coperto 8,4 trilioni di token. La seconda ne ha aggiunti 3,8 trilioni di qualità più alta, con una finestra di contesto da 512 mila token. La terza ha usato circa 320 miliardi di token di ragionamento e di lavoro agentico con contesto da un milione di token, mentre la quarta si è concentrata su circa 34 miliardi di token di traiettorie di agenti.

Tutto il processo è avvenuto in modo nativo in formato NVFP4 su rack NVIDIA GB300 NVL72. Il dettaglio non è secondario: addestrare direttamente a bassa precisione è una scelta che incide su costi ed efficienza, e racconta quanto l’hardware di nuova generazione stia condizionando il modo in cui si progettano i modelli.

Apprendimento per rinforzo in un’unica corsa

La parte più interessante è forse l’apprendimento per rinforzo. Invece di eseguire due percorsi separati, uno per il ragionamento e uno per i compiti agentici, e poi unirli con la distillazione da più insegnanti, il laboratorio ha lanciato una sola corsa congiunta di 1.075 passi, con oltre 17 milioni di rollout, durata di nove giorni su 2.048 GPU.

Per i compiti lunghi l’addestramento ha usato un contesto da 256 mila token con compattazione, una tecnica che permette all’agente di riassumere e liberare memoria mentre lavora.

I benchmark: cosa dicono i numeri dichiarati

Thinking Machines riporta un punteggio di 31 sull’Artificial Analysis Intelligence Index, con 30,6 nella tabella della versione 5.0. Sul coding agentico i valori dichiarati sono 86,3% su SWEBench Pro v2 nella variante Hard, 72,1% su DeepSWE v1.1 e 25,4% su FrontierCode v2.0. Sul lavoro di conoscenza, AA-Briefcase v1.1 arriva a 1527, mentre il Vals Index segna 56,1%.

Completano il quadro 1340 su DesignArena Website e 28,7% su HLE-Diamond, uno dei test di ragionamento più difficili in circolazione. Sono risultati pubblicati dal laboratorio stesso, quindi vanno letti come dichiarazioni da verificare con valutazioni indipendenti, soprattutto quando i pesi saranno disponibili e chiunque potrà riprodurre i test.

Un dettaglio utile da notare: nelle valutazioni il limite di traiettoria è salito a un milione di token, contro i 256 mila usati per Inkling Small. Questo rende i confronti con il modello precedente meno immediati, perché il margine di lavoro concesso all’agente è diverso. Se vuoi imparare a leggere questi numeri senza farti ingannare, trovi una guida pratica in come leggere i benchmark dei modelli linguistici.

Disponibilità: Tinker subito, pesi aperti a breve

Al momento Inkling 2 Small è disponibile su Tinker, la piattaforma di Thinking Machines, con pesi chiusi. Puoi provarlo nel Playground oppure usarlo per fine-tuning e campionamento. I checkpoint scaricabili arriveranno solo quando i pesi saranno rilasciati.

Secondo la pagina ufficiale, i pesi completi sono previsti con licenza Apache 2.0 la settimana prossima, dopo il test di sicurezza esterno e il red teaming. Nel testo non è indicato un prezzo specifico per il modello: l’unico riferimento è alla tariffazione per token già applicata da Tinker.

La promessa di una licenza permissiva è rilevante. Apache 2.0 consente uso commerciale, modifica e ridistribuzione, e per un modello di questa taglia significa poter costruire prodotti propri senza dipendere da un’API.

Che cosa cambia rispetto a Inkling Small

Il confronto con la generazione precedente è il cuore dell’annuncio. Chi ha seguito la storia della famiglia ricorderà il debutto di Inkling, il primo modello open-weight di Thinking Machines Lab, e poi l’arrivo di Inkling-Small, il modello open da 276 miliardi di parametri. Inkling 2 Small fa un passo avanti su più fronti.

Il laboratorio dichiara punteggi più alti sull’Intelligence Index e nei test di coding, visione, lavoro di conoscenza e ragionamento. In un esperimento di fine-tuning il nuovo modello ha raggiunto la prestazione finale di Inkling Small in appena 75 passi di addestramento, un indizio di quanto sia più facile da specializzare.

C’è poi il capitolo sicurezza. Il punteggio interno di comportamento scorretto, dove un valore più basso è meglio, è 14,9 per Inkling 2 Small, contro 66,8 di Inkling e 75,2 di Inkling Small. Anche il FORTRESS Average Risk Score risulta inferiore rispetto a entrambi i predecessori.

Sono numeri da accogliere con prudenza, ma indicano una direzione chiara.

Perché questa notizia conta per chi lavora con l’AI

Il mercato dei modelli con pesi aperti è sempre più affollato. Se ti interessa il tema, puoi confrontare questo lancio con quello di Reflection Beam, il modello da 501 miliardi di parametri con pesi aperti Apache 2.0. La tendenza è la stessa: laboratori indipendenti che puntano su modelli grandi ma efficienti, con licenze permissive, per competere con le API chiuse dei grandi nomi.

Per un professionista o per un’azienda, i vantaggi potenziali sono tre. Il primo è il controllo sui dati, perché un modello con pesi scaricabili può girare su infrastruttura propria. Il secondo è la possibilità di fare fine-tuning su casi d’uso specifici, e qui il dato dei 75 passi è promettente. Il terzo è la riduzione della dipendenza da un solo fornitore.

Restano però dei limiti da tenere presenti. I pesi non sono ancora disponibili, i benchmark sono quelli dichiarati dal laboratorio e un modello da 594 miliardi di parametri, anche se ne attiva 17 miliardi per token, richiede comunque una infrastruttura importante per essere ospitato in proprio.

Come muoverti nei prossimi giorni

Se usi già Tinker, prova Inkling 2 Small nel Playground con i tuoi prompt reali, in particolare su codice, analisi di documenti e immagini, e confronta le risposte con il modello che usi oggi. Ti conviene testare più livelli di sforzo, perché è proprio lì che si capisce il rapporto tra qualità e costo.

Se invece ti interessa l’uso in locale, aspetta il rilascio dei pesi e le valutazioni indipendenti prima di fare scelte architetturali. Un annuncio con benchmark solo interni è un buon punto di partenza, non una prova definitiva.

La fonte primaria è la pagina ufficiale di Thinking Machines Lab dedicata a Inkling 2 Small, dove trovi tutti i dettagli tecnici citati in questo articolo.

Conclusioni

Inkling 2 Small conferma che la corsa ai modelli aperti non si ferma ai nomi più noti. Un MoE da 594 miliardi di parametri, addestrato in NVFP4 su hardware GB300 e accompagnato da dati di sicurezza dichiarati, è un segnale forte, a patto che i pesi arrivino davvero e che i risultati reggano ai test indipendenti.

Seguici nei prossimi giorni: appena i pesi saranno pubblicati e arriveranno le prime valutazioni esterne, ti racconteremo se le promesse sono state mantenute. Nel frattempo, dimmi quale caso d’uso vorresti mettere alla prova con un modello aperto di questa classe.