Lunes, 16 de noviembre de 2026
Portada de las 21:50
Todos los periódicos y la radio, en unoEscrito por IA a partir de Hacker News · Cómo se hace
Hacker News
Inteligencia artificial · thinkingmachines.ai

Inkling 2 Small

Thinking Machines presenta Inkling 2 Small, un modelo Mixture-of-Experts de 594.000 millones de parámetros (17.000 millones activos) con entrada de imágenes y esfuerzo variable. De momento tiene pesos cerrados en Tinker; la empresa promete publicarlos con licencia Apache 2.0 la semana próxima.

Foto: vía thinkingmachines.ai

Leer el artículo aquíArtículo original (thinkingmachines.ai) 87 comentarios en Hacker News

Escucha la noticia2 min

Inkling 2 Small es la segunda generación de modelos de Thinking Machines. Es un modelo Mixture-of-Experts con 594B de parámetros totales y 17B activos, admite imágenes y permite ajustar el esfuerzo. Según la empresa, supera con claridad a sus modelos anteriores en el Artificial Analysis Intelligence Index, con 31 puntos, gracias a un preentrenamiento más eficiente y a una ejecución grande y unificada de aprendizaje por refuerzo (RL).

Por ahora está disponible en Tinker, con pesos cerrados, tanto en el Playground como para ajuste fino y muestreo. La compañía dice que publicará los pesos completos con licencia Apache 2.0 la próxima semana, cuando terminen las pruebas de seguridad externas y el red-teaming, y que los checkpoints se podrán descargar entonces.

En programación agéntica, el modelo se entrenó con RL en cientos de miles de tareas de código de largo recorrido, con distintos agent harnesses y estrategias de compactación de contexto. Además de los tests unitarios, muchas tareas usaban un evaluador agéntico que juzgaba cómo abordaba el problema el modelo. Las versiones tempranas se probaron en OpenCode con el nombre Fledge-Alpha. En las tablas comparativas queda a menudo segundo, por detrás de DeepSeek-V4.1-Flash-1017 o Kimi K3, según la prueba. En PMPP-Hard, de optimización de kernels de GPU, resuelve de media 54,25 de 69 tareas y su pass@4 es 64, el más alto de la tabla.

Como demostración de autoinvestigación, el modelo entrenó de forma autónoma Qwen3.5-4B en Tinker para predecir series temporales (demanda eléctrica, energía eólica y solar, calidad del aire, visitas a Wikipedia). Tras 4,5 horas y 426 dólares de gasto, la puntuación de predicción se había más que duplicado. En visión usa un codificador de 292M de parámetros basado en Perception Encoder y lidera varias pruebas como MMMU Pro, PerceptionBench y ScreenSpot Pro.

En Hacker News

«Inkling 2 Small» · puesto 29 · 269 puntos · enviado por Philpax

Lo que dicen los comentarios

Los comentarios celebran sobre todo que haya un modelo de pesos abiertos estadounidense con este nivel, aunque se discute si alcanzará algún día a Opus 5.5. Se valora que los resultados no sitúen a Inkling como claro ganador en todo. La cuestión del precio pesa mucho: según Artificial Analysis, cuesta casi el doble por tarea que DeepSeek, y algún usuario dice que sin ventaja de precio no lo usaría. Alguien destaca que el entrenamiento fue íntegramente en nvfp4. También se comenta que es demasiado grande para máquinas domésticas y se cuenta alguna prueba en la que acertó donde Opus 5.5 falló.

  • Los mejores modelos abiertos llevan meses siendo «suficientemente buenos» para casi todo el trabajo de conocimiento. Este puede ser el primero estadounidense que lo logra. Es muy importante. Espero un Opus 5.5 abierto y estadounidense en doce meses.
    — Jackobrien, leer el comentario
  • Lo de un Opus 5.5 abierto y estadounidense en 12 meses me parece improbable. Que hubiera pesos abiertos cerca de ese nivel ya sería estupendo.
    — kadoban, leer el comentario
  • Lo más importante es que el entrenamiento fue enteramente en nvfp4: es el mejor modelo entrenado jamás con esa precisión, y eso explica que hayan podido hacerlo tan rápido.
    — itkovian_, leer el comentario
  • Artificial Analysis lo lista a 0,30/0,03/1 dólares y el coste por tarea es de 1,18 dólares, aproximadamente el doble que DeepSeek.
    — Bolwin, leer el comentario
  • Si no puede competir con DeepSeek en precio, no lo uso. No necesito más inteligencia que DeepSeek para el 99 % del trabajo; ¿por qué pagar de 3 a 20 veces más por unos pocos puntos de rendimiento?
    — lifeisloving, leer el comentario

Pregunta sobre esta noticia

Respuestas automáticas a partir de las noticias de El Autómata, sus fuentes y la radio. Pueden contener errores: comprueba los enlaces.

Fuentes

Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.