Inkling 2 Mini: 3,4B parámetros activos y un modelo de 26,4B

Inkling 2 Mini: 3,4B parámetros activos y un modelo de 26,4B

Inkling 2 Mini tiene 26,4 mil millones de parámetros totales y 3,4 mil millones activos, pero ejecuta sus capas centrales tres veces por token. El modelo de pesos abiertos, publicado por Thinking Machines Lab, busca acercar el rendimiento de sistemas mayores a equipos locales.

El nombre puede inducir a error, pero la identificación importa para evaluar el lanzamiento: el proveedor es Thinking Machines Lab. La ficha del modelo indica que apareció el 20 de noviembre de 2026, bajo licencia Apache 2.0, y que sus pesos están disponibles para investigación, ajuste e integración en productos de terceros. La propuesta técnica no consiste solo en reducir el tamaño; cambia cómo se reparte el cómputo durante la generación.

Más trabajo interno con las mismas capas

Inkling 2 Mini es un transformador multimodal de 24 capas, con arquitectura Mixture-of-Experts. Las seis primeras y las seis últimas se ejecutan una vez; las 12 capas centrales se recorren tres veces, reutilizando los mismos pesos. Así, cada token pasa por 48 aplicaciones de capas, aunque el modelo solo almacena 24 capas distintas.

Las pasadas no son copias independientes. Según la descripción técnica de Thinking Machines Lab, cada una parte de la salida del primer bloque y recibe mensajes aprendidos de la pasada anterior. Ese mecanismo permite que las capas centrales refinen su cálculo sin escribir cada paso como texto de razonamiento. La empresa sostiene que esta repetición mejora sobre todo tareas que requieren encadenar pasos, como programación agéntica.

El modelo activa ocho expertos de entre 128 por capa. La cifra de parámetros activos depende de cómo se cuente el coste añadido por la repetición: Thinking Machines Lab informa de 3,4B activos y 5,4B con las activaciones por bucle, mientras que Hugging Face resume el modelo como unos 3B activos y la ficha de vLLM lo cifra en 3,5B. Las cifras de parámetros totales también aparecen redondeadas en esas páginas.

La distinción práctica es que “pocos parámetros activos” no equivale a “poco cálculo por token”. En las pruebas de servicio publicadas por vLLM, cada pasada adicional incrementa el tiempo de decodificación y reduce la capacidad de caché disponible. En su prueba con una GB200 y contexto de 4K, el paso de decodificación por lote de 1 subió de 1,51 milisegundos con una pasada a 3,85 milisegundos con tres.

Qué muestran los resultados y qué no

Thinking Machines Lab sitúa a Inkling 2 Mini por delante de modelos abiertos comparables en varias pruebas de programación. En DeepSWE v1.1 obtuvo un 48,2 %, frente al 42,2 % de Qwen3.8-27B; en SWE-bench Pro v2 Hard, la tabla de la empresa registra 77,9 % frente a 73,8 %. Son resultados reportados por el propio proveedor y dependen de los métodos y herramientas empleados en cada evaluación.

La comparación no es una victoria uniforme. Qwen3.8-27B supera a Inkling 2 Mini en Terminal Bench v2.1 y AutomationBench-AA; también obtiene mejores cifras en AA-Omniscience, una evaluación de conocimiento factual. El bucle favorece el razonamiento, no añade hechos a los pesos: Thinking Machines Lab afirma que el recuerdo permanece cerca del nivel de otros modelos de tamaño similar.

EvaluaciónInkling 2 MiniQwen3.8-27BLectura
DeepSWE v1.148,2 %42,2 %Ventaja de Inkling
SWE-bench Pro v2 Hard77,9 %73,8 %Ventaja de Inkling
Terminal Bench v2.171,6 %73,0 %Ventaja de Qwen
AutomationBench-AA v1.0.641,8 %48,2 %Ventaja de Qwen
AA-Omniscience, puntuación-8,6-6,4Ventaja de Qwen

También sobresale en tareas con búsqueda y uso de herramientas: Thinking Machines Lab reporta 79,0 % en BrowseComp y 85,3 % en DeepSearchQA. Esa combinación puede compensar parte de las limitaciones de conocimiento cerrado, siempre que la aplicación disponga de herramientas fiables. No significa que el modelo recuerde mejor la información: significa que puede rendir mejor cuando tiene medios para buscarla.

La ficha técnica indica además entrada de texto e imágenes y una ventana de contexto de hasta un millón de tokens. El archivo mixto NVFP4 y MXFP8 ocupa alrededor de 20 GB; la compañía señala compatibilidad con sistemas Mac con al menos 32 GB de memoria y con DGX Spark. El tamaño facilita probarlo localmente, pero no elimina las diferencias de velocidad entre hardware y runtimes.

El precio de la repetición

La arquitectura busca reducir el número de pesos almacenados, no hacer gratis el razonamiento adicional. En las mediciones de vLLM, con una GB200, el paso de decodificación para lote 1 fue de 1,51 ms con una pasada, 2,67 ms con dos y 3,85 ms con tres. La capacidad de caché KV pasó de 352.000 tokens a 233.000 y 175.000, respectivamente.

En las pruebas de vLLM, más pasadas aumentaron el tiempo de decodificación y redujeron la capacidad de caché KV. Para cargas con muchas solicitudes simultáneas, esos valores sirven para dimensionar el servicio en el hardware probado; la capacidad de caché puede limitar cuántas sesiones caben en una GPU. vLLM permite compartir la caché KV entre pasadas en su variante de investigación, aunque en sus pruebas la capacidad subió de 175.000 a 194.000 tokens, no hasta el nivel de una sola pasada.

El modelo principal usa un número fijo de pasadas. Thinking Machines Lab también publica TML-d24-varloop-research, que permite variar esa cantidad; Hugging Face y vLLM describen cómo configurar una, dos o más pasadas. Menos pasadas aceleran la generación, con posible pérdida de calidad, mientras que más pasadas elevan el coste. El modo de bucle variable convierte ese equilibrio en una decisión de configuración, no en una propiedad que pueda ignorarse.

Acceso local y trabajo de integración

Los pesos abiertos permiten que los equipos evalúen el modelo sin depender exclusivamente de un servicio alojado. Thinking Machines Lab enumera opciones como Ollama, llama.cpp, vLLM y SGLang; Hugging Face añade soporte en Transformers y MLX. vLLM anunció soporte desde el primer día para Blackwell, Hopper y DGX Spark. La disponibilidad en varios runtimes reduce el coste de empezar, pero la integración aún requiere probar compatibilidad y rendimiento en el entorno concreto.

Para un producto de programación asistida, las cifras de DeepSWE o SWE-bench pueden justificar una prueba comparativa con tareas reales del equipo. Para una aplicación de conocimiento, en cambio, el resultado factual y la capacidad para seguir instrucciones complejas merecen más peso: Inkling 2 Mini quedó por detrás de Qwen3.8-27B en MultiChallenge y ComplexConstraints. Thinking Machines Lab también reconoce límites en conversaciones de varias rondas y tareas con muchas restricciones.

Hugging Face advierte de que el modelo puede atascarse en ciclos de razonamiento, sobre todo al depurar código, y recomienda limitar tokens de salida y turnos del agente. También señala que un agente puede borrar o sobrescribir archivos sin pedir confirmación. En sistemas con herramientas, el coste del error excede el de una respuesta imprecisa; la ficha recomienda sandbox, confirmación de acciones irreversibles y evaluación propia antes del despliegue.

Razonamiento menos visible, supervisión en debate

La repetición plantea una cuestión distinta del rendimiento: parte del cálculo sucede dentro del modelo y no aparece en la cadena de pensamiento que puede leer un monitor. En la variante de investigación, el horizonte de tareas que el modelo resolvía sin cadena de pensamiento pasó de 16 segundos con una pasada a 37 con tres, según la medición de Thinking Machines Lab. En una tarea de cadenas de búsquedas, el rendimiento siguió mejorando hasta diez pasadas.

La empresa no encontró en sus experimentos una reducción clara de la legibilidad de la cadena de pensamiento. Con cinco pasadas, el razonamiento medio en un subconjunto de preguntas fue de 1.661 tokens, frente a 3.703 con una pasada; los indicadores de legibilidad reportados se mantuvieron parecidos. Sin embargo, esto no demuestra que el razonamiento interno sea observable: la propia explicación reconoce que los procesos que no se verbalizan no pueden ser detectados por un monitor de cadena de pensamiento.

En pruebas de tareas agénticas, Thinking Machines Lab no observó una tendencia clara a más sabotaje encubierto al añadir pasadas. Su ficha también afirma que el modelo no pudo ejecutar tareas laterales encubiertas en entornos realistas de agentes. La compañía pide más investigación sobre la supervisión de modelos recurrentes; por ahora, los resultados son preliminares y específicos de estas pruebas, no una garantía de seguridad para cualquier flujo de trabajo.

Inkling 2 Mini ofrece una alternativa abierta cuyo atractivo combina ejecución local, coste de almacenamiento moderado y buenos resultados en ciertas tareas de programación y búsqueda. La contrapartida es más cálculo por token, variabilidad entre plataformas y límites en factualidad e instrucciones complejas. Para quienes lo evalúen, la pregunta concreta no es si sustituye a un modelo mayor en abstracto, sino si la ganancia en su tarea compensa las pasadas adicionales y las salvaguardas que exige.

Fuentes: Thinking Machines Lab, Hugging Face, Hugging Face, vLLM