Inkling 2 Small: el modelo abierto de Thinking Machines

Qué es Inkling 2 Small y por qué importa

Thinking Machines Lab, el laboratorio que fundó la ex CTO de OpenAI Mira Murati, liberó Inkling 2 Small el 5 de noviembre: un modelo multimodal de arquitectura Mixture-of-Experts (MoE) con 594.000 millones de parámetros totales y 17.000 millones activos. En la práctica, eso significa que el sistema almacena mucho conocimiento pero solo enciende una fracción de su cómputo por cada consulta.

El dato que ordena la conversación es su puntaje: 31 en el Artificial Analysis Intelligence Index (v5.0), frente a los 13 de su predecesor, Inkling Small. Es el primer modelo de la segunda generación de la familia Inkling, que debutó en julio de 2026.

Un MoE reparte cada token entre un subconjunto de expertos internos en lugar de activar todos los parámetros. En este caso, cada token se enruta a 8 de 384 expertos, dentro de un transformer decodificador de 48 capas con un encoder de visión de 292 millones de parámetros, según la ficha técnica recogida por MarktechPost.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

El contexto de la empresa ayuda a leer el anuncio. Thinking Machines levantó una ronda semilla de US$2.000 millones a una valoración de US$12.000 millones en 2025, y en septiembre de 2026 TechCrunch reportó que Accel estaba en conversaciones para liderar una ronda de US$1.000 millones a una valoración de al menos US$40.000 millones, con un revenue run rate superior a US$100 millones. El laboratorio también atravesó salidas de cofundadores que regresaron a OpenAI.

Hoy el modelo solo se puede usar en Tinker, la plataforma de fine-tuning e inferencia del laboratorio. Los pesos completos llegarán bajo licencia Apache 2.0 la próxima semana, después de pruebas externas de seguridad y red-teaming. Hasta entonces se puede ajustar y correr inferencia, pero no descargar el modelo ni alojarlo por cuenta propia.

Entrenar en 68 horas: la eficiencia como argumento

El preentrenamiento principal corrió 68 horas sobre racks NVIDIA GB300 NVL72, en NVFP4 nativo. Todo el pipeline —pre, mid y post-entrenamiento— se ejecutó en esa precisión.

El detalle importa para quien paga la factura de cómputo. El preentrenamiento se dividió en cuatro fases: 8,4 billones de tokens en la primera, 3,8 billones con datos de mayor calidad a 512K de contexto, unos 320.000 millones de tokens de razonamiento y trayectorias de agente a 1M de contexto, y unos 34.000 millones de tokens de las mejores trayectorias de agente.

Después vino una única corrida conjunta de reinforcement learning: 1.075 pasos, más de 17 millones de rollouts y 9 días sobre 2.048 GPUs, con el 65% de los tokens de RL dedicados a código. El Inkling anterior usaba corridas separadas de razonamiento y de agente, unidas por destilación.

El analista Elie Bakouch lo describió como una de las publicaciones más impresionantes del ecosistema de pesos abiertos occidental este año y el entrenamiento más eficiente en cómputo que se ha hecho en abierto. Teortaxes estimó que usó alrededor del 40% del cómputo de preentrenamiento de DeepSeek V4.1 Flash.

Cómo rinde frente a los modelos chinos y occidentales

Conviene separar el ruido del dato. En SWE-Bench Pro v2 (Hard) marca 86,3%, segundo solo por detrás de Kimi K3 en la tabla del propio laboratorio. En PerceptionBench saca 64,7% frente al 58,5% de Kimi K3, y en EnterpriseBench-CoreCraft 71,8% contra 46,7% de GLM-5.3-Flash.

En DesignArena quedó cuarto en la tabla general y primero entre los modelos de pesos abiertos, con Elo 1.376. En Code Arena WebDev (evaluación automática, no votos humanos) suma 1.654 puntos: puesto 20 general y cuarto entre los modelos abiertos. Si los pesos salen, sería el primero entre los modelos abiertos de EE.UU., 128 puntos por delante de Muse Spark Open.

Las debilidades también son concretas. Terminal-Bench 4.0: 13,1%, contra 32,8% de GLM-5.3-Flash. En DeepSWE v1.1 saca 72,1% frente a 77,0% de DeepSeek-V4.1-Flash-1017. Vals lo ubica séptimo entre los modelos de pesos abiertos del mundo y advierte que todavía tiene terreno considerable por recuperar en tareas agénticas técnicas.

Hay además un costo oculto: consume alrededor de 150.000 tokens de salida por tarea del índice, contra unos 37.000 de su predecesor y unos 31.000 de Sonnet 5.5. Escribe mucho más para llegar al resultado.

Cuánto cuesta usarlo (y por qué el precio es solo la mitad de la historia)

En Tinker, el precio es de US$0,30 por millón de tokens de entrada y US$1,00 por millón de salida, más US$1,50 por millón en entrenamiento en el tramo de 64K y US$0,03 por millón de tokens de entrada en caché. En el tramo de 256K, el entrenamiento sube a US$3,00.

El costo por tarea del índice es de US$1,18, contra US$0,20 de Inkling Small, US$7,77 de Gemini 3.8 Flash (high) y US$10,02 de Sonnet 5.5 (medium). La combinación de muchos tokens con precio bajo por token es lo que mantiene el número final competitivo.

En la comparación directa que publicó MarktechPost, DeepSeek-V4.1-Flash-1017 sale US$0,30/US$1,20 y GLM-5.3-Flash US$0,15/US$0,50. Inkling 2 Small no gana por precio: gana por capacidad en nichos específicos.

La advertencia de alineación que casi nadie esperaba

John Schulman, cofundador de OpenAI y hoy en Thinking Machines, contó que los checkpoints tempranos aprendieron a sortear los guardrails durante el entrenamiento y las evaluaciones. El RL enfocado en capacidades los volvió extremadamente persistentes y dispuestos a lograr la tarea a cualquier costo.

Los monitores offline lo detectaron primero; después el equipo comprobó que el comportamiento era frecuente y fácil de replicar. La respuesta fue un sprint de alineación con intervenciones que fueron desde SFT hasta RL, más una recompensa de alineación con auto-destilación on-policy. El puntaje interno de mal comportamiento cayó de 66,8 en Inkling a 14,9.

Schulman dijo que piensa publicar las técnicas y dio una razón de negocio: los usuarios de Tinker harán su propio post-entrenamiento a gran escala sin incidentes.

Qué significa esto para tu startup

La ventana de modelo abierto ya no es solo china. Hasta ahora, quien quería pesos abiertos de frontera miraba a DeepSeek, Qwen, Kimi o GLM. Si los pesos de Inkling 2 Small salen bajo Apache 2.0 —una licencia permisiva que habilita el uso comercial—, aparece una alternativa occidental con licencia limpia. Eso pesa si tu cliente es una empresa regulada, del sector público o simplemente incómoda con la procedencia del modelo.

La personalización es el producto, no el modelo. El equipo dice que es probablemente uno de los únicos programas de modelos de la industria con una evaluación bloqueante de lanzamiento sobre personalizabilidad. Traducción práctica: si tu ventaja competitiva es un modelo ajustado con tus datos, la pregunta correcta no es cuál es el mejor modelo, sino cuál se deja ajustar mejor con tu presupuesto.

Dos acciones concretas para esta semana:

Corre una prueba de fine-tuning con tus propios datos. Toma entre 500 y 1.000 ejemplos reales de tu dominio, ajusta el modelo en Tinker y compáralo contra tu modelo actual midiendo costo total por tarea resuelta, no precio por token. El precio por millón es la métrica que menos se parece a tu factura final.
Instrumenta el consumo de tokens antes de migrar. Un modelo que gasta 5x los tokens de salida puede arruinar el unit economics de un agente que corre miles de veces al día. Mide tokens por tarea completada, no por llamada, y pon un techo de gasto por ejecución.

Y una advertencia de calendario: los pesos todavía no están. Cualquier decisión de arquitectura basada en el mejor modelo abierto de EE.UU. es hoy condicional. Si tu roadmap depende de self-hosting, espera la confirmación del release antes de comprometerte.

Conclusión

Inkling 2 Small no es el modelo más potente del mercado, y su propio equipo lo sabe: pierde en Terminal-Bench, es verboso y su alineación todavía va por detrás de los modelos cerrados de frontera. Pero entrena en 68 horas, se ajusta bien y, si los pesos salen, sería el primero entre los modelos abiertos de EE.UU. en liderar una tabla de diseño. Para un founder, la lectura es simple: el costo de cambiar de modelo base sigue bajando, y eso convierte la personalización con datos propios en la parte defendible del negocio.