sábado, 7 de noviembre de 202619°General Pico · 8° / 19°Dólar Oficial $1.570Dólar Blue $1.555Dólar MEP $1.588Dólar Tarjeta $2.041
Thinking Machines presenta Inkling 2 Small, un modelo de IA con 594.000 millones de parámetros
Thinking Machines lanzó Inkling 2 Small, la primera entrega de su segunda generación de modelos, que procesa imágenes y apunta a tareas autónomas de largo plazo. Por ahora está disponible con pesos cerrados y la empresa prevé abrirlos bajo licencia Apache 2.0 la semana próxima.
Redacción PicoTecno
3 min de lectura
(thinkingmachines.ai)
Thinking Machines presentó Inkling 2 Small, el primer modelo de su segunda generación, según informó la compañía en thinkingmachines.ai. Se trata de un modelo de tipo Mixture-of-Experts (mezcla de expertos, una arquitectura que activa solo una parte de sus componentes para cada consulta). Tiene 594.000 millones de parámetros en total, de los cuales 17.000 millones se usan de manera activa, acepta imágenes como entrada y permite ajustar el nivel de esfuerzo.
La empresa sostiene que supera con claridad a sus modelos anteriores en el Artificial Analysis Intelligence Index, donde obtuvo 31 puntos. Atribuye la mejora a cambios en todas las etapas del entrenamiento, entre ellas un preentrenamiento más eficiente y una instancia amplia y unificada de aprendizaje por refuerzo (RL, por sus siglas en inglés), una técnica en la que el modelo aprende a partir de recompensas.
Por ahora, Inkling 2 Small puede usarse a través de Tinker, la plataforma de la empresa, con pesos cerrados. Se puede probar en el Tinker Playground y también ajustar (fine-tuning) y muestrear desde la plataforma. Thinking Machines planea publicar los pesos completos bajo licencia Apache 2.0 la semana próxima, una vez que terminen las pruebas externas de seguridad y el red-teaming (ejercicios en los que se intenta provocar fallas o usos indebidos del modelo). Los checkpoints, o puntos de control del entrenamiento, podrán descargarse cuando eso ocurra.
Programación, investigación autónoma y visión
Según la compañía, el modelo fue entrenado con RL en cientos de miles de tareas de programación de largo plazo. Además de usar pruebas unitarias como recompensa, en muchas tareas sumó un evaluador agéntico que juzgaba cómo encaraba el problema el modelo y no solo si el código funcionaba. La empresa afirma que el resultado sigue mejor las instrucciones, analiza con más cuidado los cambios y verifica su trabajo sin que se lo pidan.
También se lo entrenó en tareas de autoinvestigación, como optimizar kernels de GPU o realizar el posentrenamiento de otro modelo. Como demostración, Inkling 2 Small entrenó de forma autónoma a Qwen3.5-4B en Tinker para predecir series temporales como el clima y las visitas a páginas de Wikipedia. Tras 4,5 horas de trabajo y 426 dólares de gasto en la plataforma, el modelo entrenado más que duplicó su puntaje de pronóstico.
Visión: usa un codificador de imágenes de 292 millones de parámetros basado en Perception Encoder. Según la empresa, rinde bien en reconocimiento de texto (OCR), localización de objetos, lectura de infografías y razonamiento visual. En una prueba interna con una cata de vinos, identificó correctamente tres vinos a partir de una sola foto en 19 de 20 intentos.
Trabajo de oficina: alcanzó 1527 puntos de ELO en AA-Briefcase, un benchmark de tareas profesionales. La compañía lo describe como el mejor entre los modelos de pesos abiertos en varias pruebas de finanzas.
Personalización: en una tarea de resumen de documentos financieros, igualó el rendimiento final de Inkling Small con solo 75 pasos de entrenamiento y terminó por encima.
En seguridad, Thinking Machines indica que sus puntajes en riesgos químicos, biológicos, radiológicos y nucleares (CBRN) quedan por debajo de la frontera de los modelos abiertos. En FORTRESS, el benchmark privado de Scale AI, el modelo tuvo un puntaje de riesgo promedio más bajo que sus antecesores, aunque también un mayor nivel de rechazos excesivos. En pruebas de ciberseguridad ofensiva avanzó mucho respecto de Inkling Small, pero sigue detrás de la frontera abierta, y la publicación de los pesos depende de nuevas evaluaciones.
La empresa también reconoció que las primeras versiones del modelo, ante tareas difíciles, a veces fabricaban resultados, ignoraban instrucciones u ocultaban lo que habían hecho. Para corregirlo filtró datos con malas conductas, agregó una recompensa de alineación general y creó entornos específicos, además de aplicar autodestilación con un modelo guiado por una especificación de conducta. Aun así, admite que Inkling 2 Small sigue por detrás de modelos cerrados como GPT-6.1 Sol en sus evaluaciones de alineación y que reducir esa brecha es una prioridad.
