Inkling 2 Small: Ein neues MoE-Modell mit agentischem Coding und Vision-Fähigkeiten

Thinking Machines Lab hat Inkling 2 Small vorgestellt, die zweite Generation seiner KI-Modelle. Das am 6. November 2026 veröffentlichte Mixture-of-Experts-System unterstützt Bildeingaben und variable Anstrengungsstufen und markiert einen bedeutenden Fortschritt bei der Leistungsfähigkeit autonomer Agenten.

Was passiert ist

Das neue Modell verfügt über insgesamt 594 Milliarden Parameter, von denen während der Inferenz 17 Milliarden aktiv sind. Es erzielt einen Score von 31 im Artificial Analysis Intelligence Index und übertrifft frühere Iterationen durch stärkere Fähigkeiten in den Bereichen agentisches Coding, Computer Vision, Wissensarbeit und logisches Denken. Diese Verbesserungen resultieren aus einer verfeinerten Trainings-Pipeline, die effizienteres Pre-Training und einen großen, einheitlichen Reinforcement-Learning-Durchlauf umfasst.

Zunächst ist Inkling 2 Small über die Tinker-Plattform mit geschlossenen Gewichten verfügbar. Dieser Ansatz entspricht der erklärten Strategie des Labors für einen sicheren Weg zu offenen Gewichten. Die Organisation plant, die vollständigen Modellgewichte unter der Apache 2.0 Lizenz in der folgenden Woche freizugeben, vorausgesetzt, externe Sicherheitstests und Red-Teaming-Übungen werden abgeschlossen. Entwickler können das Modell derzeit auf Tinker für Fine-Tuning und Sampling nutzen; Checkpoints werden zusammen mit der öffentlichen Freigabe der Gewichte zum Download bereitgestellt.

Wie es funktioniert

Inkling 2 Small basiert auf einer Mixture-of-Experts (MoE)-Architektur, die es ermöglicht, nur eine Teilmenge seiner Parameter für eine bestimmte Aufgabe zu aktivieren. Dieses Design gewährleistet eine hohe Gesamtkapazität bei gleichzeitig geringeren Rechenkosten während der Inferenz. Für die visuelle Verarbeitung nutzt das Modell einen Vision-Encoder mit 292 Millionen Parametern, der auf dem Perception Encoder basiert. Es verarbeitet Bilder, indem es sie in Patches von 20x20 Pixeln zerlegt, ein räumliches Pooling von 2x2 anwendet und diese Patches mit Text-Token verzahnt, um ein einheitliches Verständnis visueller und textueller Daten zu schaffen.

Der Trainingsprozess des Modells legt starken Wert auf langfristige autonome Arbeit. Es wurde mittels Reinforcement Learning auf Hunderttausenden von Coding-Aufgaben über mehrere Agent-Harnesses hinweg trainiert. Im Gegensatz zu früheren Methoden, die sich ausschließlich auf Belohnungen für Unit-Tests stützten, verwendete diese Pipeline einen agentischen RL-Grader, um zu bewerten, wie das Modell Probleme angeht. Diese Methode ermutigt das Modell, seine eigene Arbeit zu überprüfen und Änderungen sorgfältig abzuwägen, was es in realen Agent-Schleifen zuverlässiger macht.

Wichtige Details

• Architektur: Mixture-of-Experts mit 594B Gesamtparametern und 17B aktiven Parametern.
• Leistung: Erzielt einen Score von 31 im Artificial Analysis Intelligence Index, mit starken Ergebnissen in Benchmarks für agentisches Coding und Vision.
• Vision-Fähigkeiten: Nutzt einen Encoder mit 292M Parametern und patch-basierter Verarbeitung für OCR, Grounding und visuelles Reasoning.
• Verfügbarkeit: Zunächst auf Tinker mit geschlossenen Gewichten verfügbar; vollständige Apache 2.0 lizenzierte Gewichte werden nach Abschluss der Sicherheitstests erwartet.
• Autonome Forschung: Demonstrierte Fähigkeit, andere Modelle autonom zu trainieren, z. B. durch Verbesserung des Prognose-Scores von Qwen3.5-4B um mehr als 15 % innerhalb eines Budgets von 500 USD.
• Coding-Benchmarks: Erreicht 86,3 % im SWEBench Pro v2 (Hard) und 81,6 % im Vibe Code Bench v1.1.

Warum das wichtig ist

Für Software-Ingenieure und technische Gründer ist der Wandel hin zu Modellen, die langfristige autonome Aufgaben bewältigen können, von großer Bedeutung. Die Fähigkeit von Inkling 2 Small, komplexe Projekte iterativ aufzubauen und zu verfeinern – etwa die Generierung einer Stadtsimulation von Grund auf oder die Erstellung eines PC-Emulators – deutet auf eine Zukunft hin, in der KI-Agenten gesamte Entwicklungszyklen managen können, statt nur isolierte Code-Schnipsel zu vervollständigen. Dies reduziert die Reibungsverluste bei der Integration von KI in bestehende Workflows, da das Modell darauf ausgelegt ist, seine eigenen Ausgaben zu verifizieren und Anweisungen mit größerer Präzision zu befolgen.

Die Leistung des Modells bei autonomen Forschungs-Aufgaben unterstreicht zudem eine wachsende Fähigkeit der KI, unabhängige wissenschaftliche und ingenieurtechnische Experimente durchzuführen. Durch die autonome Optimierung von GPU-Kernels und das Training anderer Modelle demonstriert Inkling 2 Small Potenzial zur Beschleunigung von Forschungs- und Entwicklungsprozessen. Dies könnte Teams ermöglichen, komplexe Optimierungsaufgaben an KI-Agenten auszulagern, sodass menschliche Ingenieure sich auf höherstufige Architektur-Entscheidungen und Produktstrategien konzentrieren können.

Was Sie tun können

• Testen Sie die agentischen Coding-Fähigkeiten des Modells, indem Sie ihm langfristige Aufgaben zuweisen, die iterative Verfeinerung und Selbstverifikation erfordern.
• Experimentieren Sie mit den Vision-Funktionen, indem Sie Bildeingaben für Aufgaben bereitstellen, die OCR, Infografik-Interpretation oder visuelles Reasoning beinhalten.
• Erkunden Sie das Potenzial für autonome Forschung, indem Sie kleine Optimierungs- oder Trainingsaufgaben mit definierten Budgets und Zielen einrichten.
• Bereiten Sie sich auf die bevorstehende Freigabe offener Gewichte vor, indem Sie die Bedingungen der Apache 2.0 Lizenz prüfen und lokale Bereitstellung oder Fine-Tuning planen.
• Vergleichen Sie die Leistung bei spezifischen Coding-Benchmarks wie SWEBench Pro oder Vibe Code Bench mit Ihren aktuellen Tools, um potenzielle Integrationsvorteile zu bewerten.
• Beobachten Sie die Tinker-Plattform auf Updates zum Fortschritt der Sicherheitstests und zum offiziellen Veröffentlichungsdatum für die herunterladbaren Checkpoints.