Thinking Machines libera los pesos de Inkling 2 Small, un modelo de 594.000 millones de parámetros

Con un modelo de IA pequeño y un objetivo, Inkling 2 Small escribió su propia prueba, ensayó varias recetas de entrenamiento, arregló lo que fallaba y, cuatro horas y media y 426 dólares después, había más que duplicado la puntuación de previsión del modelo pequeño. El 12 de noviembre, Thinking Machines Lab, la empresa fundada por Mira Murati, ex directora de tecnología de OpenAI, publicó en Hugging Face los pesos completos de ese modelo con la licencia Apache 2.0. Cualquier empresa o investigador puede ya descargarlo, modificarlo y crear productos con él, sin pedir permiso a nadie.

De vista previa cerrada a descarga gratuita en siete días

Thinking Machines anunció Inkling 2 Small el 5 de noviembre como el primer modelo de su segunda generación, y al principio mantuvo cerrados los pesos. Siguió lo que el laboratorio llama «un camino seguro hacia los pesos abiertos»: el modelo solo funcionaba en Tinker, su servicio de entrenamiento e inferencia, mientras evaluadores externos buscaban problemas de seguridad e intentaban que se portara mal. Cuando terminó ese red-teaming, los pesos se hicieron públicos una semana después, como se había prometido.

El modelo es grande, pero ágil. Tiene 594.000 millones de parámetros en total, pero solo 17.000 millones trabajan en cada palabra. Ese diseño, llamado mezcla de expertos, funciona como un hospital con cientos de especialistas en el que cada paciente ve solo a los pocos que necesita, y eso mantiene el coste de ejecutarlo muy por debajo de lo que sugiere su tamaño. Lee imágenes además de texto y deja elegir cuánto se esfuerza al pensar.

El lanzamiento llegó listo para usarse. Desde el primer día funcionaba con programas de servicio populares como vLLM, SGLang y Unsloth, podía reentrenarse con herramientas como SkyRL y Snowflake Cortex Training y estaba disponible por API en NVIDIA, Fireworks, Together, Baseten, Nebius, Modal y Cloudflare. Al día siguiente, desarrolladores independientes ya habían publicado en Hugging Face versiones comprimidas para MLX de Apple y otros formatos.

Lo interesante del lanzamiento no es tanto el tamaño como lo que el modelo aprendió a hacer por su cuenta.

La IA que entrenó a otra IA por 426 dólares

Thinking Machines entrenó Inkling 2 Small con aprendizaje por refuerzo en cientos de miles de tareas largas de programación. En lugar de comprobar solo si el código pasaba sus pruebas, muchas tareas usaban un evaluador que juzgaba cómo abordaba el modelo el problema. Las primeras versiones se probaron discretamente en la herramienta de programación de código abierto OpenCode, con el nombre Fledge-Alpha.

La demostración estrella del laboratorio es un trabajo de investigación hecho de principio a fin. En una tarea creada por la empresa Proximal, el modelo tenía que entrenar a Qwen3.5-4B, un modelo abierto pequeño, para predecir series temporales como el tiempo o las visitas a páginas de Wikipedia. Analizó la tarea, escribió su propio evaluador, experimentó con conjuntos de datos y con dos métodos de entrenamiento distintos, y fue depurando el proceso sobre la marcha.

Las demostraciones de la página del laboratorio muestran la misma constancia de otras formas: un simulador de ciudades hecho en Three.js sin recursos prefabricados, en el que cada edificio, textura y coche se genera con código, y un emulador de PC escrito en Python que arranca un núcleo Linux real en el navegador. La constancia en tareas largas es donde el modelo brilla, lo que plantea cómo se compara con sus rivales.

Dónde va en cabeza y qué le queda por pulir

En el Artificial Analysis Intelligence Index obtiene 30,6, cerca de los mejores modelos abiertos de su clase en la comparación del propio laboratorio: DeepSeek-V4.1-Flash llega a 32,6 y GLM-5.3-Flash, a 27,8. Inkling 2 Small encabeza esa tabla en BrowseComp, una prueba de investigación web difícil, con un 90,2 %, y en Sudo, un conjunto de tareas complicadas de administración de sistemas, con un 14,1 %.

El laboratorio es franco sobre sus asperezas. Dice que el modelo «no es el comunicador más conciso», que no siempre elige la mejor herramienta en bases de código con muchas skills, que no procesa audio y que está menos pulido como asistente de chat, con un formato desordenado y una reacción exagerada ante algunas preguntas relacionadas con la seguridad. Son justo los problemas que un reentrenamiento arregla bien, y la licencia Apache 2.0 permite que cualquiera lo haga.

“Esperamos que impulse tus ambiciones, y tenemos muchas ganas de ver lo que construyes con él.”— Thinking Machines Lab

Un laboratorio universitario, un hospital que debe guardar sus datos en casa o una startup que no puede pagar precios de frontera pueden ahora tomar un modelo que trabaja durante horas sin supervisión y hacerlo suyo. Los pesos están en Hugging Face, y la próxima versión útil de Inkling 2 Small puede salir de alguien de fuera del laboratorio.