Thinking Machines, das von Mira Murati gegründete KI-Labor, hat Inkling-Small veröffentlicht – ein Open-Weights-Modell, das Inkling-Leistung zu einem Viertel der Größe liefern soll.
Inkling-Small hat 276 Milliarden Gesamtparameter mit 12 Milliarden aktiven Parametern pro Token – gegenüber 975 Milliarden (41 Milliarden aktiv) beim Flaggschiff Inkling, das Mitte Juli erschien. Das neue Modell erreicht oder übertrifft sein größeres Geschwistermodell bei Reasoning- und Agenten-Benchmarks: 31,6 % vs. 29,7 % bei Humanity's Last Exam und über 80 % bei SWE-bench Verified. Das Unternehmen führt die Verbesserungen auf eine bessere Datenmischung, On-Policy-Distillation von Inkling und zwei zusätzliche Wochen Reinforcement Learning mit Fokus auf agentisches Kodieren zurück.
Wie Inkling ist auch Inkling-Small nativ multimodal – Text, Bilder und Audio – mit einem Kontext von 1 Million Token und einstellbarem Reasoning-Aufwand. Die vollständigen Gewichte liegen auf Hugging Face, und das Modell ist auf der Tinker-Plattform des Labors feinabstimmbar.
Die Veröffentlichung fällt mitten in eine Welle effizienter Open-Weights-Modelle – DeepSeeks V4-Flash-0731-Update kam am nächsten Tag mit einer ähnlichen Geschichte – und unterstreicht, wie schnell sich die Preis-Leistungs-Grenze im Open-Source-KI-Markt verschiebt.
