Inkling-Small: modelo aberto da Thinking Machines

A Thinking Machines Lab lançou o Inkling-Small em 30 de julho de 2026, com pesos abertos, ajuste fino via Tinker e chat multimodal no Tinker Playground. O novo modelo de IA usa arquitetura Mixture-of-Experts, tem 276 bilhões de parâmetros totais, 12 bilhões de parâmetros ativos e janela de contexto de até 1 milhão de tokens. A proposta é entregar desempenho próximo ao Inkling original com apenas um quarto do tamanho, reduzindo custo computacional para desenvolvedores, pesquisadores e empresas que testam aplicações reais.

Resposta rápida

O que é o Inkling-Small e por que ele importa

O Inkling-Small é uma versão mais compacta do Inkling, modelo principal da Thinking Machines. Embora tenha 276 bilhões de parâmetros totais, somente 12 bilhões ficam ativos durante a inferência, graças à arquitetura Mixture-of-Experts. Esse desenho permite economizar processamento sem abandonar tarefas complexas, como raciocínio, geração de código, análise de documentos longos, interpretação de imagens e interação com áudio.

Segundo a empresa, os pesos completos estão disponíveis no Hugging Face. Isso não significa automaticamente que o modelo seja “open source” em todos os sentidos jurídicos, mas indica que pesquisadores e equipes técnicas podem inspecionar e executar o modelo com mais liberdade do que em sistemas fechados. O ajuste fino é oferecido pelo Tinker, enquanto o Tinker Playground permite conversas com texto, imagem e áudio.

Desempenho em benchmarks de raciocínio e código

A Thinking Machines afirma que o Inkling-Small supera o Inkling em alguns testes de raciocínio e programação agentic, embora o modelo maior ainda seja melhor em cobertura de conhecimento e factualidade. No Humanity’s Last Exam em modo texto, o novo modelo marcou 31,6%, contra 29,7% do Inkling. Em avaliações voltadas a desenvolvimento de software, alcançou 80,2% no SWEBench Verified, 55,9% no SWEBench Pro público e 64,7% no Terminal-Bench 2.1 com seu melhor harness.

Esses números precisam ser lidos com cautela. A própria empresa informa que os testes foram feitos com esforço de 0,99 e temperatura de 1,0, além de ressalvas sobre harness interno e formatação. Ainda assim, os resultados indicam que um modelo menor pode competir em tarefas de alto valor quando o pré-treinamento, o pós-treinamento e o reforço para agentes são bem ajustados.

Modelo multimodal: texto, imagem, áudio e Python

Um dos pontos técnicos mais importantes é o design multimodal nativo, sem encoder separado. Áudios são convertidos em espectrogramas dMel, enquanto imagens são divididas em patches de 40 por 40 pixels e processadas por uma hMLP de quatro camadas antes de entrarem no fluxo de tokens de texto. Na prática, isso permite ao Inkling-Small combinar linguagem, visão e som em uma mesma cadeia de raciocínio.

O modelo também pode usar Python para tarefas visuais, como recortar, ampliar e inspecionar documentos densos, tabelas, gráficos e imagens com muitos detalhes. Essa capacidade é relevante para agentes de IA que precisam executar etapas intermediárias, verificar evidências e trabalhar com materiais técnicos, financeiros, jurídicos ou científicos.

Fine-tuning no Tinker e usos para desenvolvedores

O Tinker fine-tuning é um dos caminhos escolhidos pela Thinking Machines para popularizar o Inkling-Small entre desenvolvedores. Com pesos abertos e menor demanda de computação, o modelo pode ser testado em protótipos de agentes, assistentes de programação, análise de tickets, automação de fluxos internos, leitura de documentos extensos e uso de ferramentas conectadas a APIs.

• Experimentos com agentes de IA e tool use.
• Ajuste fino para domínios corporativos.
• Análise multimodal de documentos e imagens.
• Assistentes de código com SWEBench elevado.
• Prototipagem com contexto de 1 milhão de tokens.

Treinamento, segurança e limitações divulgadas

O desenvolvimento começou após o treinamento do Inkling, o que deu ao laboratório espaço para revisar a mistura de dados de pré-treinamento e a receita de machine learning. Um checkpoint prévio passou por pós-treinamento com destilação on-policy usando o Inkling como professor, seguido por duas semanas de aprendizado por reforço em escala para programação agentic.

Na parte de segurança, a empresa diz ter seguido a receita do Inkling, com testes internos e red-teaming conduzido por parceiros externos confiáveis. Os resultados informados incluem 98,4% no StrongREJECT, taxa de recusa adversarial de 71,6% no FORTRESS e taxa de resposta benigna de 96,9%. Esses dados sugerem preocupação com uso indevido, mas não eliminam a necessidade de avaliação independente, auditorias e testes em produção.

O anúncio oficial informa que o Inkling-Small entrega desempenho comparável ao Inkling com um quarto do tamanho e pesos completos disponíveis.

Thinking Machines Lab, comunicado de lançamento

Para equipes técnicas, o principal avanço do Inkling-Small está na combinação entre pesos abertos, contexto longo, multimodalidade e ajuste fino acessível via Tinker.

Impacto no mercado de modelos abertos

O lançamento reforça uma tendência clara no setor de IA: modelos menores, especializados e mais eficientes estão ganhando espaço ao lado de sistemas gigantes e fechados. Para empresas, isso pode reduzir custos e aumentar controle. Para pesquisadores, pesos abertos no Hugging Face facilitam reprodutibilidade, comparação de benchmarks e criação de variações adaptadas a domínios específicos.

Ao mesmo tempo, o Inkling-Small ainda precisa provar sua robustez fora dos testes divulgados pela própria Thinking Machines. Benchmarks independentes, avaliações de factualidade, testes de segurança em português e análises de licenciamento serão essenciais para medir seu valor real em ambientes corporativos, acadêmicos e de produtos.

Considerações finais

O Inkling-Small chega como uma aposta forte da Thinking Machines em eficiência, transparência e flexibilidade. Com 12 bilhões de parâmetros ativos, pesos abertos, suporte multimodal, Tinker fine-tuning e janela de 1 milhão de tokens, o modelo se posiciona como alternativa relevante para quem busca IA avançada sem depender apenas de plataformas fechadas. A promessa é grande; agora, a validação independente dirá até onde ela se sustenta.

Fonte: Thinking Machines Lab