Inkling 2 Small: エージェント型コーディングと視覚機能を備えた新しいMoEモデル

Thinking Machines Labは、同社のAIモデル第2世代となる「Inkling 2 Small」を発表しました。2026年11月6日にリリースされたこのMixture-of-Expertsシステムは、画像入力と可変的な推論負荷レベルに対応しており、自律エージェントのパフォーマンスにおいて大きな前進を示しています。

何が起きたか

新モデルは総パラメータ数5940億、推論時のアクティブパラメータ数は170億です。Artificial Analysis Intelligence Indexで31点を記録し、エージェント型コーディング、コンピュータビジョン、知識ワーク、論理推論におけるより強力な能力を実証することで、以前のバージョンを上回りました。これらの改善は、より効率的な事前学習と大規模な統合強化学習を含む洗練されたトレーニングパイプラインによるものです。

当初、Inkling 2 Smallは重みを非公開にした状態でTinkerプラットフォームを通じて提供されます。これは、ラボが公言している安全なオープンウェイトへの移行戦略に沿ったアプローチです。組織では、外部による安全性テストおよびレッドチーミング演習の完了を待って、翌週にApache 2.0ライセンスの下で完全なモデル重みを公開する計画です。開発者は現在、Tinker上でファインチューニングやサンプリングのためにモデルにアクセスでき、チェックポイントは一般公開される重みと同時にダウンロード可能になります。

仕組み

Inkling 2 Smallは、特定のタスクに対してパラメータの一部のみをアクティブ化できるMixture-of-Experts（MoE）アーキテクチャとして構築されています。この設計により、高い総容量を維持しながら推論時の計算コストを抑えることができます。視覚処理において、モデルはPerception Encoderに基づく2億9200万パラメータのビジョンエンコーダを使用します。画像を20x20ピクセルのパッチに分割し、2x2の空間プーリングを適用した後、これらのパッチをテキストトークンと交互に配置することで、視覚データとテキストデータの統一的な理解を生み出します。

モデルのトレーニングプロセスは、長期的な自律作業を強く重視しています。複数のエージェントハーネスにわたる数十万件のコーディングタスクに対する強化学習を用いて訓練されました。単体テスト報酬だけに依存していた従来の手法とは異なり、このパイプラインではエージェント型RLグレーダーを使用して、モデルが問題をどのように解決しようとしたかを評価しました。この方法により、モデルは自身の作業を検証し、変更を慎重に検討することが促され、実世界のエージェントループでの信頼性が高まります。

主要な詳細

• アーキテクチャ: 総パラメータ数594B、アクティブパラメータ数17BのMixture-of-Experts。
• パフォーマンス: Artificial Analysis Intelligence Indexで31点を記録し、エージェント型コーディングおよびビジョンベンチマークで強い結果を示す。
• 視覚機能: OCR、グラウンディング、視覚推論のためのパッチベース処理を行う292Mパラメータのエンコーダを使用。
• 利用可能性: 当初は重みを非公開にしてTinkerで提供。安全性テスト後にApache 2.0ライセンス付きの完全な重みが公開される予定。
• 自律研究: 他のモデルを自律的にトレーニングする能力を実証。例えば、500ドルの予算内でQwen3.5-4Bの予測スコアを15%以上向上させた。
• コーディングベンチマーク: SWEBench Pro v2 (Hard) で86.3%、Vibe Code Bench v1.1 で81.6%を達成。

なぜ重要なのか

ソフトウェアエンジニアや技術系創業者にとって、長期的な自律タスクを処理できるモデルへのシフトは重要です。ゼロからシティシミュレーターを生成したり、PCエミュレーターを作成したりするなど、複雑なプロジェクトを反復的に構築・改良できるInkling 2 Smallの能力は、AIエージェントがコードの断片を完成させるだけでなく、開発サイクル全体を管理できる未来を示唆しています。モデルは自身の出力を検証し、指示により正確に従うように設計されているため、既存のワークフローへのAI統合に伴う摩擦を軽減します。

自律的研究タスクにおけるモデルのパフォーマンスは、AIが独立した科学・工学実験を実施する能力が高まっていることも浮き彫りにしています。GPUカーネルの最適化や他のモデルのトレーニングを自律的に行うことで、Inkling 2 Smallは研究開発プロセスを加速させる可能性を示しています。これにより、チームは複雑な最適化タスクをAIエージェントに任せることができ、人間のエンジニアは高次のアーキテクチャ決定や製品戦略に集中できるようになる可能性があります。

できること

• 反復的な改良と自己検証を必要とする長期的なタスクを割り当てることで、モデルのエージェント型コーディング機能をテストしてください。
• OCR、インフォグラフィック解釈、視覚推論を含むタスクで画像入力を提供し、視覚機能を試してみてください。
• 定義された予算と目標を持つ小規模な最適化またはトレーニングタスクを設定して、その自律的研究の可能性を探ってください。
• Apache 2.0ライセンス条項を確認し、ローカルデプロイメントやファインチューニングを計画することで、間もなく行われるオープンウェイトリリースに備えてください。
• SWEBench ProやVibe Code Benchなどの特定のコーディングベンチマークでのパフォーマンスを現在のツールと比較し、統合による潜在的なメリットを評価してください。
• Tinkerプラットフォームで安全性テストの進捗状況と、ダウンロード可能なチェックポイントの正式リリース日に関する更新情報を監視してください。