Inkling 2 Small : un nouveau modèle MoE doté de capacités de codage agentique et de vision

Thinking Machines Lab a lancé Inkling 2 Small, la deuxième génération de ses modèles d'IA. Sorti le 6 novembre 2026, ce système Mixture-of-Experts prend en charge les entrées d'images et des niveaux d'effort variables, marquant une avancée significative dans les performances des agents autonomes.

Ce qui s'est passé

Le nouveau modèle compte 594 milliards de paramètres au total, dont 17 milliards sont actifs lors de l'inférence. Il obtient un score de 31 sur l'Artificial Analysis Intelligence Index, surpassant les itérations précédentes grâce à des capacités renforcées en matière de codage agentique, de vision par ordinateur, de travail intellectuel et de raisonnement logique. Ces améliorations découlent d'un pipeline d'entraînement raffiné, intégrant un pré-entraînement plus efficace et une grande session unifiée d'apprentissage par renforcement.

Initialement, Inkling 2 Small est disponible via la plateforme Tinker avec des poids fermés. Cette approche s'aligne sur la stratégie déclarée du laboratoire pour atteindre progressivement l'ouverture des poids. L'organisation prévoit de publier les poids complets du modèle sous licence Apache 2.0 la semaine suivante, sous réserve de la finalisation des tests de sécurité externes et des exercices de red-teaming. Les développeurs peuvent actuellement accéder au modèle pour le fine-tuning et l'échantillonnage sur Tinker, les checkpoints devenant téléchargeables simultanément à la publication publique des poids.

Comment cela fonctionne

Inkling 2 Small est construit selon une architecture Mixture-of-Experts (MoE), qui lui permet d'activer uniquement un sous-ensemble de ses paramètres pour toute tâche donnée. Cette conception offre une capacité totale élevée tout en maintenant des coûts computationnels inférieurs lors de l'inférence. Pour le traitement visuel, le modèle utilise un encodeur de vision de 292 millions de paramètres basé sur Perception Encoder. Il traite les images en les divisant en patches de 20x20 pixels, applique une mise en commun spatiale 2x2 et interlace ces patches avec des tokens texte pour créer une compréhension unifiée des données visuelles et textuelles.

Le processus d'entraînement du modèle met fortement l'accent sur le travail autonome à long terme. Il a été entraîné par apprentissage par renforcement sur des centaines de milliers de tâches de codage à travers plusieurs harnais d'agents. Contrairement aux méthodes précédentes qui reposaient uniquement sur des récompenses basées sur les tests unitaires, ce pipeline utilisait un évaluateur RL agentique pour analyser la manière dont le modèle abordait les problèmes. Cette méthode encourage le modèle à vérifier son propre travail et à examiner attentivement les modifications, ce qui le rend plus fiable dans les boucles d'agents réelles.

Détails clés

• Architecture : Mixture-of-Experts avec 594B de paramètres totaux et 17B de paramètres actifs.
• Performance : Score de 31 sur l'Artificial Analysis Intelligence Index, avec d'excellents résultats dans les benchmarks de codage agentique et de vision.
• Capacités de vision : Utilise un encodeur de 292M de paramètres avec un traitement par patches pour l'OCR, le grounding et le raisonnement visuel.
• Disponibilité : Initialement disponible sur Tinker avec des poids fermés ; les poids complets sous licence Apache 2.0 sont attendus après les tests de sécurité.
• Recherche autonome : A démontré sa capacité à entraîner d'autres modèles de manière autonome, comme améliorer le score de prévision de Qwen3.5-4B de plus de 15 % avec un budget de 500 $.
• Benchmarks de codage : Atteint 86,3 % sur SWEBench Pro v2 (Hard) et 81,6 % sur Vibe Code Bench v1.1.

Pourquoi c'est important

Pour les ingénieurs logiciels et les fondateurs techniques, le passage vers des modèles capables de gérer des tâches autonomes à long terme est significatif. La capacité d'Inkling 2 Small à construire et affiner itérativement des projets complexes, tels que la génération d'un simulateur de ville à partir de zéro ou la création d'un émulateur PC, suggère un avenir où les agents IA peuvent gérer des cycles de développement entiers plutôt que de se limiter à compléter des extraits de code isolés. Cela réduit la friction dans l'intégration de l'IA aux workflows existants, car le modèle est conçu pour vérifier sa propre sortie et suivre les instructions avec une plus grande précision.

La performance du modèle dans les tâches de recherche autonome souligne également une capacité croissante de l'IA à mener des expériences scientifiques et techniques indépendantes. En optimisant automatiquement les kernels GPU et en entraînant d'autres modèles, Inkling 2 Small démontre un potentiel pour accélérer les processus de recherche et développement. Cela pourrait permettre aux équipes de déléguer des tâches d'optimisation complexes aux agents IA, libérant ainsi les ingénieurs humains pour qu'ils se concentrent sur les décisions architecturales de haut niveau et la stratégie produit.

Ce que vous pouvez faire

• Testez les capacités de codage agentique du modèle en lui assignant des tâches à long terme nécessitant un raffinement itératif et une auto-vérification.
• Expérimentez avec ses fonctionnalités de vision en fournissant des entrées d'images pour des tâches impliquant l'OCR, l'interprétation d'infographies ou le raisonnement visuel.
• Explorez son potentiel de recherche autonome en configurant des petites tâches d'optimisation ou d'entraînement avec des budgets et des objectifs définis.
• Préparez-vous à la prochaine publication des poids ouverts en examinant les termes de la licence Apache 2.0 et en planifiant un déploiement local ou un fine-tuning.
• Comparez ses performances sur des benchmarks de codage spécifiques comme SWEBench Pro ou Vibe Code Bench avec vos outils actuels pour évaluer les bénéfices potentiels d'intégration.
• Surveillez la plateforme Tinker pour les mises à jour sur la progression des tests de sécurité et la date officielle de sortie des checkpoints téléchargeables.