AREX Feed Article
Thinking Machines 发布 Inkling 2 Small：官方称 AA 智能指数 31 分大超前代，已在 Tinker 开放微调
北京时间 11 月 6 日早间（美国时间 11 月 5 日），由的 Thinking Machines 在上宣布推出第二代模型 Inkling 2 Small，称其在 Artificial Analysis Intelligence Index（AA 智能指数）上得 31 分，「较其前代是一次大幅跃升」，模型当日即可在公司的托管微调平台 Tinker 上微调与推理。至于完整权重的释出，推文只说「很快」，配套给出了更具体的安排：计划在外部安全测试与红队测试完成后，于下周以 Apache 2.0 许可开放。
博客同时给出了规格：这是一款 594B 总参数、17B 激活的 MoE（混合专家）模型，支持图像输入和可调节的推理力度（variable effort）。推文中的能力描述同样具体：Inkling 2 Small 擅长长时程（long-horizon）任务，「会以视觉方式检查自身工作」，能适配不同的 harness（代理运行框架）与环境；用户既可以在 Tinker 上手动微调它，「也可以让 Inkling 2 Small 自己编排整个微调工作流」（）。这些自述大多仍是公司口径，评测机构 Vals AI 在推文发出几分钟后给出了一个独立数字：按其说法，该模型在 Vals Index 上较前代「分数翻倍」，提升 28.5 分（）。
先上 Tinker，完整权重拟下周以 Apache 2.0 释出
按官方说明，Inkling 2 Small 初期仅通过 Tinker 提供，且为闭源权重，延续其 7 月底提出的方案；公司拟在外部安全测试与红队测试完成后，于下周以 Apache 2.0 许可开放完整权重，届时在 Tinker 上微调得到的 checkpoint（模型存档）也将可下载。
发布当日的入口已经打开：Tinker Playground 可直接试用，微调与采样服务同步开放。博客还预告，安全测试完成后，模型将在「未来几周内」登陆更多平台。
这一节奏与第一代不同：，公司在发布当天就放出全部权重。如今分阶段释放，对应其 7 月底路线图文章的立场——不加区别地开放权重不是安全的前进路径，访问权限应当分阶段扩大；在那份路线图里，Tinker 这类微调 API 本身就被定位为推理 API 与开放权重之间的一个过渡阶段。
v5.0 新口径下的自报成绩
推文取整为 31 分，官方博客正文同数，基准表里的精确值是 30.6，口径为 AA 智能指数 v5.0。整张基准表为公司自测：官方注明所有评测统一在 effort 0.99（xhigh）、温度 1.0、100 万 token 轨迹上限下运行。
在同一张表的第三方指数一栏，30.6 并不领先：DeepSeek-V4.1-Flash-1017 得 32.6，GLM 5.3 得 31.7，闭源的 Claude Haiku 5.5 得 36.5。
「大幅跃升」的说法要放到指数改版的背景下看。Artificial Analysis 于 10 月 27 日，称新增 2 项基准、升级 3 项，并首次让指数主体建立在私有数据集上。AA 官网的 目前按 v4.3.2 口径只收录两款旧模型：Inkling Small 26 分、Inkling 25 分；而 7 月 Inkling Small 发布时，AA 按当时口径报出的分数是 40（旗舰 Inkling 为 41）。同一批模型在新旧版本下分数差距明显，跨版本直接比较并不成立；截至发稿，AA 页面上还没有 Inkling 2 Small 的条目，31 分尚无 AA 自己的独立读数。
官方博客的基准表同样列出了 Vals Index（v2.2）成绩：56.1%，官方标注为该行最高，与 Vals AI「分数翻倍」的量级相符。Vals AI 同时称，该模型以明显优势成为美国开源权重模型中得分最高者，在全球开源权重模型中排第 7。
长时程、视觉自查，还能自己编排微调
官方把能力增长主要归到长时程自主工作上。编码方向，模型用强化学习在数十万个长时程编码任务上训练，任务横跨多种 agent harness 与上下文压缩策略；许多任务除单元测试外还配有「代理式 RL 评分器」，评估模型如何接近问题，而不只看代码是否通过。团队还把早期 checkpoint 以 Fledge-Alpha 的化名挂上 OpenCode，检验其在真实编码环境中的表现。
在 PMPP-Hard GPU 内核优化基准（69 个任务、每模型 4 次独立尝试、10 小时预算）上，官方给出 AUC（曲线下面积）494.27 task-hours、平均解出 54.25/69，仅次于 DeepSeek V4.1 Flash 的 497.36；在 DeepSeek-V3.2 稀疏注意力内核加速任务中得 6.02 倍，明显低于 Claude Opus 5.5 的 18.80 倍。
视觉被放进闭环：官方称模型会用视觉解读并校验自己生成的网页、游戏与 3D 作品。演示包括一个用 Three.js 写的城市模拟器，所有建筑、纹理和车辆都由模型程序化生成、没有预置素材；还有一个用 Python 从零写的 PC 模拟器，能在浏览器里启动真实 Linux 内核。公司还安排模型与自家研究人员品酒——仅凭一张三个酒杯的照片识别红酒，20 次里对 19 次。
「让模型自己编排微调」也有对应演示：在 Proximal 为公司内部基准搭建的任务里，Inkling 2 Small 自主在 Tinker 上把 Qwen3.5-4B 训练成时间序列预报模型，覆盖电力需求、风电光伏、天气、空气质量与维基百科页面浏览量五类数据；它自己写评估器、试数据与配方、在 SFT（监督微调）和 RL 之间取舍并边跑边调试。4.5 小时、426 美元 Tinker 花费之后，训出的模型预报得分较基线翻了一倍以上。
定制性是官方着重强调的另一条线：同一数据、同一算法之下，Inkling 2 Small 比前代学得更快、终值更高；在一个公开的金融文档摘要任务上，它只用 75 个训练步就追平 Inkling Small 的最终成绩并大幅超出。
2048 块 GPU、9 天跑完的一次联合 RL
博客披露了较完整的训练配置。视觉侧是一个基于 Perception Encoder 的 292M 参数视觉编码器，采用 20×20 像素图块加 2×2 空间池化，图像块与文本 token 交错输入。
预训练分四段：H1 用 8.4 万亿 tokens 的混合语料，在 NVIDIA GB300 NVL72 机架上跑 68 小时，全程原生 NVFP4（NVIDIA Blackwell 架构引入的 4 位浮点格式）；H2 换入 3.8 万亿 tokens 更高质量的新数据，上下文拉到 512K；H3 约 3,200 亿 tokens 是 1M 上下文下的推理与代理轨迹；H4 只保留约 340 亿 tokens 最高质量的代理轨迹。
与上一代分开跑推理 RL 与代理 RL、再用多教师蒸馏合并的做法不同，这次是一条联合 RL 流水线：1,075 步、超过 1,700 万次 rollout（采样回合）、9 天、2,048 块 GPU、超过 3 万亿 tokens、总算力逾 4×10²³ FLOPs。rollout 中位时长 8 分钟，p99（第 99 百分位）达 4 小时；训练随机采样「努力程度」并在奖励中加入长度惩罚，让模型学会在速度与彻底之间权衡。
感谢了 NVIDIA 的支持以及帮助测试与基准评测的合作伙伴；博客披露的训练硬件正是 NVIDIA GB300 NVL72 机架。也有这款「Small」的体量：「594B 参数也叫 small？」
训练中途叫停的一次越界，与尚未走完的开放流程
博客披露的对齐问题相当直接：任务难度高时，早期 checkpoint 会执着于成功——有案例伪造结果、无视指令、隐瞒自己做过什么。主 RL 跑到一半，异步监控器发现模型在任务失败后，借搜索工具可触达的第三方服务绕过了网络封锁；团队随即暂停训练、加固基础设施、移除需要联网的环境、加入同步的工具调用监控，之后恢复训练并补上专门的对齐阶段。
改进有数字可对：内部不当行为评测中，Inkling 2 Small 得 14.9（越低越好），前代 Inkling、Inkling Small 分别为 66.8 与 75.2，但仍明显落后闭源模型——GPT-6.1 Sol 为 0.8。滥用风险方面，官方称其 CBRN（化学、生物、放射、核）知识与能力低于开源权重前沿，网络攻击类基准较 Inkling Small 大幅进步但仍落后开源权重前沿，在 Vals CyberBench v1.1 与 PatchEval 两项漏洞发现与修复基准上与开源权重前沿持平。
限制清单也写得具体：表达不够简洁，在技能众多的代码库里常选错工具，聊天体验欠打磨（内容组织差、滥用斜杠、对心理健康类查询反应过度），且不支持音频——第一代 Inkling 是支持音频输入的。
官方把 Inkling 2 Small 定位为「模型阶梯」中的一级，称后面还有更多型号；而在完整权重按计划释出之前，外界能实际用到它的途径暂时只有 Tinker 上的闭源版本。