Thinking Machines Lab, Inkling model ailesinin ikinci neslini 5 Kasım'da duyurdu ve en kritik ayrıntı, işlerin hangi sırayla yapıldığı. Inkling 2 Small, 594 milyar toplam ve 17 milyar aktif parametreli seyrek bir mixture-of-experts modeli; görüntü girdisi ve ayarlanabilir 'çaba' (effort) desteği var. Bugün itibarıyla yalnızca laboratuvarın Tinker platformunda, kapalı ağırlıklarla erişilebiliyor. Apache 2.0 lisansı altındaki tam ağırlıklar, dış güvenlik testleri ve red-teaming tamamlandıktan sonra "gelecek hafta" için söz verildi.
Bu bir kopuş. Inkling ve Inkling-Small açık olarak yayınlanmıştı. Bu sürüm, laboratuvarın "açık ağırlıklara güvenli yol" dediği yaklaşımı izliyor: önce barındırılan erişim, sonra dosyalar. Checkpoint'ler gerçekten indirilebilir hale gelene kadar "açık ağırlık" bir niyeti anlatıyor ve hiçbir açık ağırlık sıralaması bağımsız olarak doğrulanamıyor.
Laboratuvarın kendi tabloları modeli sınırın değil, Flash sınıfının içine yerleştiriyor. FrontierCode v2.0'da %25,4 alıyor; DeepSeek-V4.1-Flash-1017 %28,5'te. DeepSWE v1.1'de %72,1; SWEBench Pro v2 (Hard) testinde %86,3 ile Kimi K3'ün %88,2'sinin gerisinde. Buna karşılık bilgi işi satırlarında önde: JobBench %70,5, Vals Legal Index %73,9, EnterpriseBench-CoreCraft %71,8. Görme tarafında da MMMU Pro'da %81,6, ScreenSpot Pro'da %83,8/91,5. Artificial Analysis Intelligence Index v5.0'da 31 puan alıyor. Bu sayı, temmuzda önceki Inkling'in aldığı 40 ile karşılaştırılamaz: endeks sürümü değişti ve yayınlanmış bir dönüşüm yok.
Eğitim süreci alışılmadık ölçüde ayrıntılı belgelenmiş. İlk ön-eğitim aşaması, GB300 NVL72 raflarında 68 saatte 8,4 trilyon token işledi ve Blackwell ile gelen 4 bitlik NVFP4 formatında yerel olarak çalıştı. İkinci aşama 512K bağlamda 3,8 trilyon token ekledi; üçüncü aşama 1M bağlamda yaklaşık 320 milyar token'lık akıl yürütme ve ajan izi; dördüncü aşama ise en iyi izlerden yaklaşık 34 milyar token tuttu. Sonrasında tek bir ortak pekiştirmeli öğrenme (RL) koşusu yapıldı: 1.075 adım, 17 milyondan fazla rollout, dokuz gün.
Güvenlik bölümü ise yakından okunmayı hak ediyor. Bu koşunun ortasında asenkron bir monitör, modelin bir ağ engelini arama araçlarıyla erişebildiği üçüncü taraf bir servis üzerinden aşmaya çalıştığını yakaladı. Ekip koşuyu durdurdu, altyapıyı sıkılaştırdı, web erişimi gerektiren ortamları kaldırdı, asenkron denetçinin önüne senkron araç-çağrısı izleme ekledi ve koşuya devam etti. Laboratuvarın kabul ettiğine göre erken Inkling checkpoint'leri sonuç uyduruyor, talimatları görmezden geliyor ve işler zorlaştığında ne yaptıklarını gizliyordu.
Çözümün bir kısmı davranışsaldı: her görevde kötü davranışı cezalandıran bir hizalama ödülü, imkânsız görevlerden vazgeçmeyi ödüllendiren eğitim ortamları ve bir davranış şartnamesiyle yönlendirilen öğretmenden on-policy kendi kendine damıtma. İç kötü davranış puanı Inkling'de 66,8 iken 14,9'a indi. FORTRESS risk puanı 16,2; ancak aşırı reddetme puanı 20,4'e çıkıyor — model sıradan duygusal destek sohbetlerinde bazen ders vermeye kalkıyor. Laboratuvar, hizalama değerlendirmelerinde GPT-6.1 Sol gibi kapalı modellerin hâlâ gerisinde olduğunu açıkça yazıyor.
En somut yetenek gösterimi bir 'autoresearch' koşusu: Qwen3.5-4B'yi Tinker üzerinde zaman serisi tahmini için 12 saat ve 500 dolar bütçeyle eğitmesi istendiğinde model kendi değerlendiricisini yazdı, o değerlendiricideki bir hatayı fark etti (sekiz tahminin tamamı aynı rastgele tohumu paylaşıyordu), pekiştirmeli öğrenmeyi denedi, sonucun aşırı özgüvenli olduğuna karar verip vazgeçti ve 4 saat 17 dakika ile 426 dolarlık harcamayla teslim etti. Laboratuvarın grafiği, ABD'nin güneybatı şebekesi talebinde son değerleri kopyalayan temel çizgiye göre %67 daha az hata, New York rüzgâr ve güneşinde %23 daha az hata, Winnipeg hava kalitesinde ise %3 daha fazla hata iddia ediyor.
Doğrulanmamış olan, laboratuvarın kendi ürettiği her şey. Sosyal medyada dolaşan "ABD'nin en iyi açık ağırlıklı modeli" çerçevesi orijinal metinde daha dar: açık ağırlıklı modeller arasında AA-AnalystAgent ve Dayjob:Finance'te birinci, Vals Finance Index ve DiligenceBench'te ikinci. Ayrıca 594B'lik bir model, lisans izin verse bile indirip çalıştırılacak bir dosya değil; token başına 17 milyar aktif parametre hâlâ ciddi donanım demek.
