Inkling 2 Small: Mô hình MoE mới với khả năng lập trình theo tác nhân và thị giác máy tính

Thinking Machines Lab vừa ra mắt Inkling 2 Small, thế hệ thứ hai của dòng mô hình AI do phòng thí nghiệm này phát triển. Được công bố vào ngày 6 tháng 11 năm 2026, hệ thống Mixture-of-Experts (MoE) này hỗ trợ đầu vào hình ảnh và các mức độ nỗ lực khác nhau, đánh dấu một bước tiến đáng kể trong hiệu suất của các tác nhân tự động.

Chuyện gì đã xảy ra

Mô hình mới có tổng cộng 594 tỷ tham số, trong đó 17 tỷ tham số được kích hoạt trong quá trình suy luận. Nó đạt điểm 31 trên Chỉ số Trí tuệ Artificial Analysis, vượt qua các phiên bản trước đó nhờ thể hiện khả năng mạnh mẽ hơn trong lập trình theo tác nhân, thị giác máy tính, công việc tri thức và suy luận logic. Những cải tiến này bắt nguồn từ quy trình huấn luyện tinh chỉnh, bao gồm giai đoạn tiền huấn luyện hiệu quả hơn và một đợt học tăng cường hợp nhất quy mô lớn.

Ban đầu, Inkling 2 Small chỉ khả dụng thông qua nền tảng Tinker với trọng số đóng. Cách tiếp cận này phù hợp với chiến lược mà phòng thí nghiệm đã tuyên bố về lộ trình an toàn để mở mã nguồn trọng số. Tổ chức dự kiến sẽ phát hành toàn bộ trọng số mô hình theo giấy phép Apache 2.0 vào tuần sau, chờ hoàn tất các bài kiểm tra an toàn bên ngoài và các cuộc diễn tập red-teaming. Hiện tại, các nhà phát triển có thể truy cập mô hình để fine-tuning và lấy mẫu trên Tinker, với các checkpoint sẽ trở nên tải xuống được cùng lúc với đợt phát hành trọng số công khai.

Cơ chế hoạt động

Inkling 2 Small được xây dựng dựa trên kiến trúc Mixture-of-Experts (MoE), cho phép nó chỉ kích hoạt một tập hợp con các tham số cho bất kỳ tác vụ cụ thể nào. Thiết kế này giúp duy trì dung lượng tổng thể cao trong khi giảm thiểu chi phí tính toán trong quá trình suy luận. Đối với xử lý thị giác, mô hình sử dụng một bộ mã hóa thị giác (vision encoder) với 292 triệu tham số, dựa trên Perception Encoder. Nó xử lý hình ảnh bằng cách chia chúng thành các patch kích thước 20x20 pixel, áp dụng pooling không gian 2x2 và xen kẽ các patch này với các token văn bản để tạo ra sự hiểu biết thống nhất giữa dữ liệu hình ảnh và văn bản.

Quá trình huấn luyện mô hình nhấn mạnh mạnh mẽ vào công việc tự động dài hạn (long-horizon). Nó được huấn luyện bằng phương pháp học tăng cường (reinforcement learning) trên hàng trăm nghìn tác vụ lập trình trải rộng qua nhiều khung thử nghiệm tác nhân (agent harnesses). Khác với các phương pháp trước đây chỉ dựa vào phần thưởng từ unit-test, quy trình này sử dụng một bộ chấm điểm RL dạng tác nhân để đánh giá cách mô hình tiếp cận vấn đề. Phương pháp này khuyến khích mô hình tự xác minh công việc của mình và cân nhắc kỹ lưỡng các thay đổi, khiến nó đáng tin cậy hơn trong các vòng lặp tác nhân thực tế.

Chi tiết chính

• Kiến trúc: Mixture-of-Experts với 594B tham số tổng và 17B tham số hoạt động.
• Hiệu suất: Đạt điểm 31 trên Chỉ số Trí tuệ Artificial Analysis, với kết quả ấn tượng trong các benchmark về lập trình theo tác nhân và thị giác máy tính.
• Khả năng thị giác: Sử dụng bộ mã hóa 292M tham số với quy trình xử lý dựa trên patch cho OCR, grounding và suy luận thị giác.
• Khả năng tiếp cận: Ban đầu khả dụng trên Tinker với trọng số đóng; trọng số đầy đủ theo giấy phép Apache 2.0 dự kiến sẽ được phát hành sau khi hoàn tất kiểm tra an toàn.
• Nghiên cứu tự động: Đã chứng minh khả năng tự động huấn luyện các mô hình khác, chẳng hạn như cải thiện điểm dự báo của Qwen3.5-4B hơn 15% trong ngân sách $500.
• Benchmark lập trình: Đạt 86.3% trên SWEBench Pro v2 (Hard) và 81.6% trên Vibe Code Bench v1.1.

Tại sao điều này quan trọng

Đối với các kỹ sư phần mềm và nhà sáng lập kỹ thuật, sự chuyển dịch sang các mô hình có thể xử lý các tác vụ tự động dài hạn là rất đáng kể. Khả năng của Inkling 2 Small trong việc xây dựng và tinh chỉnh lặp đi lặp lại các dự án phức tạp, chẳng hạn như tạo ra một trình mô phỏng thành phố từ đầu hoặc xây dựng một trình giả lập PC, gợi ý về một tương lai nơi các tác nhân AI có thể quản lý toàn bộ chu kỳ phát triển thay vì chỉ hoàn thành các đoạn mã rời rạc. Điều này giảm bớt rào cản trong việc tích hợp AI vào các quy trình làm việc hiện có, vì mô hình được thiết kế để tự xác minh đầu ra và tuân theo chỉ dẫn với độ chính xác cao hơn.

Hiệu suất của mô hình trong các tác vụ nghiên cứu tự động cũng làm nổi bật khả năng ngày càng tăng của AI trong việc tiến hành các thí nghiệm khoa học và kỹ thuật độc lập. Bằng cách tự động tối ưu hóa các kernel GPU và huấn luyện các mô hình khác, Inkling 2 Small cho thấy tiềm năng đẩy nhanh các quy trình nghiên cứu và phát triển. Điều này có thể cho phép các nhóm giao phó các tác vụ tối ưu hóa phức tạp cho các tác nhân AI, giải phóng các kỹ sư con người để tập trung vào các quyết định kiến trúc cấp cao hơn và chiến lược sản phẩm.

Bạn có thể làm gì

• Thử nghiệm khả năng lập trình theo tác nhân của mô hình bằng cách giao cho nó các tác vụ dài hạn đòi hỏi sự tinh chỉnh lặp đi lặp lại và tự xác minh.
• Khám phá các tính năng thị giác bằng cách cung cấp đầu vào hình ảnh cho các tác vụ liên quan đến OCR, diễn giải infographic hoặc suy luận thị giác.
• Khai thác tiềm năng nghiên cứu tự động bằng cách thiết lập các tác vụ tối ưu hóa hoặc huấn luyện quy mô nhỏ với ngân sách và mục tiêu rõ ràng.
• Chuẩn bị cho đợt phát hành trọng số mở sắp tới bằng cách xem xét các điều khoản của giấy phép Apache 2.0 và lên kế hoạch cho việc triển khai cục bộ hoặc fine-tuning.
• So sánh hiệu suất của nó trên các benchmark lập trình cụ thể như SWEBench Pro hoặc Vibe Code Bench với các công cụ hiện tại của bạn để đánh giá lợi ích tích hợp tiềm năng.
• Theo dõi nền tảng Tinker để cập nhật tiến độ kiểm tra an toàn và ngày phát hành chính thức cho các checkpoint có thể tải xuống.