Inkling 2 Small: Un nuevo modelo MoE con capacidades de codificación agéntica y visión

Thinking Machines Lab ha lanzado Inkling 2 Small, la segunda generación de sus modelos de IA. Publicado el 6 de noviembre de 2026, este sistema Mixture-of-Experts admite entradas de imagen y niveles de esfuerzo variables, marcando un avance significativo en el rendimiento de los agentes autónomos.

Qué ha ocurrido

El nuevo modelo cuenta con 594 mil millones de parámetros totales, de los cuales 17 mil millones están activos durante la inferencia. Alcanza una puntuación de 31 en el Artificial Analysis Intelligence Index, superando a iteraciones anteriores al demostrar mayores capacidades en codificación agéntica, visión por computadora, trabajo basado en conocimiento y razonamiento lógico. Estas mejoras provienen de un pipeline de entrenamiento refinado que incluye un preentrenamiento más eficiente y una ejecución unificada y extensa de aprendizaje por refuerzo.

Inicialmente, Inkling 2 Small está disponible a través de la plataforma Tinker con pesos cerrados. Este enfoque se alinea con la estrategia declarada del laboratorio para alcanzar los pesos abiertos de forma segura. La organización planea publicar los pesos completos del modelo bajo una licencia Apache 2.0 la semana siguiente, pendiente de la finalización de pruebas externas de seguridad y ejercicios de red-teaming. Los desarrolladores pueden acceder actualmente al modelo para ajuste fino (fine-tuning) y muestreo en Tinker, con los checkpoints disponibles para descarga junto con la publicación pública de los pesos.

Cómo funciona

Inkling 2 Small está construido como una arquitectura Mixture-of-Experts (MoE), lo que le permite activar solo un subconjunto de sus parámetros para cualquier tarea dada. Este diseño habilita una alta capacidad total mientras mantiene menores costos computacionales durante la inferencia. Para el procesamiento visual, el modelo utiliza un codificador de visión de 292 millones de parámetros basado en Perception Encoder. Procesa las imágenes dividiéndolas en parches de 20x20 píxeles, aplicando pooling espacial 2x2 e intercalando estos parches con tokens de texto para crear una comprensión unificada de datos visuales y textuales.

El proceso de entrenamiento del modelo hace gran hincapié en el trabajo autónomo a largo plazo. Fue entrenado utilizando aprendizaje por refuerzo en cientos de miles de tareas de codificación a través de múltiples entornos de prueba de agentes (agent harnesses). A diferencia de métodos anteriores que dependían únicamente de recompensas basadas en pruebas unitarias, este pipeline utilizó un evaluador de RL agéntico para evaluar cómo el modelo abordaba los problemas. Este método anima al modelo a verificar su propio trabajo y considerar los cambios con cuidado, haciéndolo más fiable en bucles de agentes del mundo real.

Detalles clave

• Arquitectura: Mixture-of-Experts con 594B de parámetros totales y 17B de parámetros activos.
• Rendimiento: Puntuación de 31 en el Artificial Analysis Intelligence Index, con resultados sólidos en benchmarks de codificación agéntica y visión.
• Capacidades de Visión: Utiliza un codificador de 292M de parámetros con procesamiento basado en parches para OCR, grounding y razonamiento visual.
• Disponibilidad: Inicialmente disponible en Tinker con pesos cerrados; se esperan los pesos completos bajo licencia Apache 2.0 tras las pruebas de seguridad.
• Investigación Autónoma: Demostró la capacidad de entrenar otros modelos de forma autónoma, como mejorar la puntuación de pronóstico de Qwen3.5-4B en más del 15% dentro de un presupuesto de $500.
• Benchmarks de Codificación: Logra un 86.3% en SWEBench Pro v2 (Hard) y un 81.6% en Vibe Code Bench v1.1.

Por qué importa

Para ingenieros de software y fundadores técnicos, el cambio hacia modelos capaces de manejar tareas autónomas a largo plazo es significativo. La habilidad de Inkling 2 Small para construir y refinar proyectos complejos de manera iterativa, como generar un simulador de ciudad desde cero o crear un emulador de PC, sugiere un futuro donde los agentes de IA pueden gestionar ciclos completos de desarrollo en lugar de solo completar fragmentos aislados de código. Esto reduce la fricción en la integración de la IA en flujos de trabajo existentes, ya que el modelo está diseñado para verificar su propia salida y seguir instrucciones con mayor precisión.

El rendimiento del modelo en tareas de autoinvestigación también destaca una creciente capacidad de la IA para realizar experimentos científicos e ingenieriles independientes. Al optimizar kernels de GPU y entrenar otros modelos de forma autónoma, Inkling 2 Small demuestra potencial para acelerar los procesos de investigación y desarrollo. Esto podría permitir a los equipos delegar tareas complejas de optimización a agentes de IA, liberando a los ingenieros humanos para centrarse en decisiones arquitectónicas de alto nivel y estrategia de producto.

Qué puedes hacer

• Prueba las capacidades de codificación agéntica del modelo asignándole tareas a largo plazo que requieran refinamiento iterativo y autoverificación.
• Experimenta con sus funciones de visión proporcionando entradas de imagen para tareas que involucren OCR, interpretación de infografías o razonamiento visual.
• Explora su potencial de investigación autónoma configurando pequeñas tareas de optimización o entrenamiento con presupuestos y objetivos definidos.
• Prepárate para la próxima publicación de pesos abiertos revisando los términos de la licencia Apache 2.0 y planificando el despliegue local o el ajuste fino.
• Compara su rendimiento en benchmarks específicos de codificación como SWEBench Pro o Vibe Code Bench contra tus herramientas actuales para evaluar posibles beneficios de integración.
• Monitorea la plataforma Tinker para actualizaciones sobre el progreso de las pruebas de seguridad y la fecha oficial de lanzamiento de los checkpoints descargables.