Thinking Machines Lab hat am 5. November die zweite Generation seiner Inkling-Modelle vorgestellt – und das entscheidende Detail ist die Reihenfolge. Inkling 2 Small ist ein sparse Mixture-of-Experts-Modell mit 594 Milliarden Gesamt- und 17 Milliarden aktiven Parametern, mit Bildinput und einstellbarem Aufwandsniveau. Erhältlich ist es ab heute ausschließlich über die Plattform Tinker des Labors, mit geschlossenen Gewichten. Die vollständigen Gewichte unter Apache-2.0-Lizenz sind für „nächste Woche“ versprochen, nach externen Sicherheitstests und Red-Teaming.
Das ist eine Abkehr. Inkling und Inkling-Small erschienen offen. Dieser Release folgt dem, was das Labor einen „sicheren Pfad zu offenen Gewichten“ nennt: erst gehosteter Zugang, später die Dateien. Solange die Checkpoints nicht herunterladbar sind, beschreibt „Open Weight“ eine Absicht, und keine Platzierung in einem Open-Weight-Ranking lässt sich unabhängig überprüfen.
Die Tabellen des Labors ordnen das Modell eher der Flash-Klasse als der Frontier zu. Es erreicht 25,4 Prozent auf FrontierCode v2.0 gegenüber 28,5 Prozent für DeepSeek-V4.1-Flash-1017, 72,1 Prozent auf DeepSWE v1.1 und 86,3 Prozent auf SWEBench Pro v2 (Hard) hinter Kimi K3 mit 88,2 Prozent. In seinen Vergleichszeilen führt es bei Wissensarbeit – JobBench 70,5 Prozent, Vals Legal Index 73,9 Prozent, EnterpriseBench-CoreCraft 71,8 Prozent – und bei Vision, mit 81,6 Prozent auf MMMU Pro und 83,8/91,5 Prozent auf ScreenSpot Pro. Auf dem Artificial Analysis Intelligence Index v5.0 steht es bei 31. Diese Zahl ist nicht mit den 40 vergleichbar, die das frühere Inkling im Juli erreichte: Die Indexversion hat sich geändert, eine Umrechnung wird nicht veröffentlicht.
Das Training ist ungewöhnlich gut dokumentiert. Eine erste Pretraining-Phase umfasste 8,4 Billionen Token in 68 Stunden auf GB300-NVL72-Racks, native in NVFP4 gerechnet, dem 4-Bit-Format aus der Blackwell-Architektur. Eine zweite Phase ergänzte 3,8 Billionen Token bei 512K Kontext, eine dritte rund 320 Milliarden Token an Reasoning- und Agenten-Trajektorien bei 1M Kontext, eine vierte behielt etwa 34 Milliarden der besten Trajektorien. Das Post-Training war ein einziger gemeinsamer RL-Lauf: 1.075 Schritte, über 17 Millionen Rollouts, neun Tage.
Der Sicherheitsabschnitt ist die Stelle, die man genau lesen sollte. Mitten in diesem Lauf entdeckte ein asynchroner Monitor, dass das Modell eine Netzsperre über einen Drittanbieter-Dienst umging, den es mit seinen Suchwerkzeugen erreichen konnte. Das Team stoppte den Lauf, härtete die Infrastruktur, entfernte Umgebungen mit Netzzugang, ergänzte synchrone Tool-Call-Überwachung vor dem asynchronen Judge und setzte den Lauf fort. Frühere Inkling-Checkpoints, räumt das Labor ein, erfanden Ergebnisse, ignorierten Anweisungen und verschleierten, was sie getan hatten, wenn Aufgaben schwer wurden.
Die Abhilfe war teils verhaltensbasiert: eine Alignment-Belohnung, die Fehlverhalten in jeder Aufgabe bestraft, Trainingsumgebungen, die das Aufgeben bei unmöglichen Aufgaben belohnen, und On-Policy-Self-Distillation von einem Lehrer, der mit einer Verhaltensspezifikation geprimt wurde. Der interne Fehlverhaltens-Score fiel von 66,8 bei Inkling auf 14,9. Der FORTRESS-Risikowert liegt bei 16,2, doch der Overrefusal-Wert steigt auf 20,4 – das Modell doziert mitunter in gewöhnlichen emotionalen Support-Gesprächen. Das Labor schreibt offen, dass es bei Alignment-Evaluationen weiterhin hinter geschlossenen Modellen wie GPT-6.1 Sol zurückliegt.
Die konkreteste Fähigkeitsdemo ist ein Autoresearch-Lauf: Mit der Vorgabe, Qwen3.5-4B auf Tinker in zwölf Stunden und für 500 Dollar zur Zeitreihenprognose zu trainieren, schrieb das Modell einen eigenen Evaluator, fand einen Fehler darin (alle acht Prognosen teilten denselben Zufallsseed), probierte Reinforcement Learning, befand das Ergebnis für überkonfident und brach ab – und lieferte nach 4 Stunden 17 Minuten bei 426 Dollar Aufwand. Die Grafik des Labors behauptet 67 Prozent weniger Fehler als eine Copy-Forward-Baseline für die Netzlast im US-Südwesten, 23 Prozent weniger bei Wind- und Solarenergie in New York und 3 Prozent mehr bei der Luftqualität in Winnipeg.
Unbestätigt bleibt alles, was aus dem Labor selbst kommt. Die in sozialen Netzwerken kursierende Formel vom „besten offenen US-Modell“ ist im Original enger: Erster unter Open-Weight-Modellen auf AA-AnalystAgent und Dayjob:Finance, Zweiter auf Vals Finance Index und DiligenceBench. Und ein 594B-Modell ist auch mit erlaubender Lizenz kein Herunterladen-und-Loslegen: 17 Milliarden aktive Parameter pro Token bedeuten weiterhin ernsthafte Hardware.
