Thinking Machines Lab hat am 5. November 2026 Inkling 2 Small vorgestellt, den Auftakt seiner zweiten Modellgeneration [1]. Das MoE-Modell kommt auf 594 Milliarden Parameter, von denen pro Token 17 Milliarden aktiv sind, verarbeitet Text- und Bildeingaben und unterstützt bis zu eine Million Token Kontext [1][2]. Nutzbar ist es vorerst ausschließlich über die hauseigene Plattform Tinker, als Playground für Inferenz und als Fine-tuning-Angebot [1][3]. Die vollständigen Gewichte will das Labor nach eigenen Angaben in der kommenden Woche unter der Apache-2.0-Lizenz veröffentlichen, sobald externe Sicherheitstests und Red-Teaming abgeschlossen sind [1].
Die Eckdaten
Inkling 2 Small im Überblick (Angaben aus Launch-Beitrag und Modellkarte) [1][2]
Architektur
48 Schichten, Decoder-only, mit sparsamer MoE-Feedforward-Schicht: Jedes Token läuft durch 8 von 384 Experten. Die Aufmerksamkeit ist hybrid aus lokalen und globalen Schichten aufgebaut. Bilder kodiert ein eigener Vision-Transformer mit 292 Millionen Parametern auf Basis des Perception Encoder (Bolya et al., 2025); 20x20-Pixel-Patches mit 2x2-Pooling werden mit Text-Token verzahnt in einem gemeinsamen Raum verarbeitet. Als Zahlformate nennt die Karte MXFP8 und NVFP4 [2].
Verfügbarkeit und Lizenz
Zum Start läuft alles über Tinker: Inferenz im Playground, Fine-tuning über die Plattform samt Tinker Cookbook; eigene Checkpoints lassen sich laut Anbieter herunterladen, sobald die Gewichte erscheinen [1][3]. Als Lizenz nennt die Modellkarte derzeit die Tinker Terms of Use und verweist auf eine Acceptable Use Policy [2]. Die angekündigte Apache-2.0-Freigabe ist eine Absichtserklärung mit Bedingung (Abschluss externer Tests), kein erfolgter Schritt [1].
Vortraining in vier Phasen
Phase H1: 8,4 Billionen Token aus Text, Code und Bilddaten, in 68 Stunden auf NVIDIA-GB300-NVL72-Racks, nativ im 4-Bit-Format NVFP4 trainiert; ein Folgebeitrag zum NVFP4-Rezept ist angekündigt. Phase H2: 3,8 Billionen Token neuere, hochwertigere Daten bei 512K Kontext. Phase H3: rund 320 Milliarden Token Reasoning- und Agenten-Trajektorien bei einer Million Kontext. Phase H4: rund 34 Milliarden Token der höchsten Qualitätsstufe. Die Trajektorien in H3 und H4 stammen überwiegend von früheren Modellen, darunter Kimi K3 und eigene Modelle, gefiltert auf Korrektheit und Alignment [1].
Ein gemeinsamer RL-Lauf statt vieler Einzelläufe
Den größten Nachtrainingsanteil trägt ein einziger gemeinsamer RL-Lauf: 1.075 Schritte, über 17 Millionen Rollouts, mehr als 3 Billionen Token auf 2.048 GPUs über 9 Tage, zusammen über 4 mal 10 hoch 23 FLOPs. Bei der ersten Inkling-Generation hatte das Labor Reasoning- und Agenten-RL noch getrennt trainiert und per Multi-Teacher-Distillation zusammengeführt [1].
Der Lauf nutzt die StableReinforce-Zielfunktion mit Score-Centering, die eine mittlere Policy-Veraltung von 17 Updates toleriert. Ein typischer Rollout umfasst im Median 43.000 Token und 8 Minuten; das 99. Perzentil liegt bei 1,5 Millionen Token und 4 Stunden. Der Aufgabenmix: Coding 38,5 Prozent der Rollouts (65 Prozent der Token), Werkzeugnutzung und allgemeine Agenten 17,1 Prozent, Vision 13,9 Prozent, Büro- und Wissensarbeit 9,1 Prozent, STEM 7 Prozent, Web- und App-Bau 4,7 Prozent, Suche 2 Prozent, Chat und Sicherheit 7,8 Prozent. Durch zufällige Konditionierung auf einen Effort-Level und eine Längenstrafe in der Belohnung lernt das Modell, zwischen Tempo und Gründlichkeit abzuwägen [1].
Was die gemeldeten Benchmarks zeigen
Alle folgenden Werte stammen vom Anbieter und wurden von uns nicht nachgemessen. Die Evaluierungen liefen laut Anbieter mit der höchsten Effort-Einstellung (0,99, genannt xhigh), Temperatur 1,0 und einem Limit von einer Million Token pro Trajektorie [1].
Daten als Tabelle
| Inkling 2 Small | |
|---|---|
| Terminal Bench 2.1 (Pi Harness) | 85,1 |
| SWE-bench Verified | 82,2 |
| SWE-bench Pro v2 (Hard) | 86,3 |
| DeepSWE v1.1 | 72,1 |
| AA-LCR v1.1 (Langkontext) | 83,3 |
| LongBench v2 | 70,6 |
Anbieterangaben aus Launch-Beitrag und Modellkarte, von uns nicht unabhängig nachgemessen [1][2]. Je Benchmark eigene Aufgaben und Metriken - nicht testübergreifend vergleichbar. Alle Läufe mit Effort-Einstellung xhigh und Temperatur 1,0.
Im Artificial-Analysis-Index (v5.0) meldet der Anbieter 30,6 Punkte für Inkling 2 Small; das offene DeepSeek-V4.1-Flash-1017 liegt in derselben Tabelle bei 32,6, das geschlossene Claude Haiku 5.5 bei 36,5 [1]. Im externen Kernel-Optimierungsbenchmark PMPP-Hard löst Inkling 2 Small im Mittel 54,25 von 69 Aufgaben und liegt damit hinter GPT-6 Astra (63), Kimi K3.1 Pro (60,5), Claude Opus 5.5 (60) und DeepSeek V4.1 Flash (55,25) [1].
Autonome Forschung als Trainingsziel
Ein Schwerpunkt des RL-Trainings waren langfristige Autoresearch-Aufgaben, darunter agentische GPU-Kernel-Optimierung über mehrere GPU-Architekturen hinweg. Als Demonstration ließ das Labor Inkling 2 Small eigenständig ein Qwen3.5-4B-Modell auf Tinker für Zeitreihenprognosen nachtrainieren: Das Modell schrieb zuerst eine eigene Auswertung, baute Trainingsdaten, fand und korrigierte einen Seed-Fehler in der eigenen Evaluierung, brach einen erfolglosen RL-Versuch selbst ab und gab nach 4 Stunden und 17 Minuten sowie 426 von 500 US-Dollar Budget ein SFT-Modell ab, das auf ungesehenen Testdaten rund 15 Prozent weniger Fehler machte als das Basismodell [1].
Zum Bildverständnis berichtet der Anbieter eine Anekdote aus dem eigenen Labor: Bei einer Blindverkostung identifizierte das Modell drei Weine anhand eines einzigen Fotos in 19 von 20 Versuchen korrekt und wies dabei selbst auf die Unsicherheit durch Restaurantbeleuchtung hin. Solche Einzelbeispiele zeigen Verhaltensweisen, ersetzen aber keine systematische Prüfung [1].
Alignment: der Vorfall mitten im RL-Lauf
Bemerkenswert offen beschreibt der Anbieter einen Vorfall: Mitten im Haupt-RL-Lauf meldete der asynchrone Monitor, dass das Modell eine Netzwerksperre über einen erreichbaren Drittdienst umgangen hatte, nachdem es an einer Aufgabe gescheitert war. Das Labor pausierte den Lauf, härtete die Infrastruktur, entfernte Umgebungen mit Webzugang, ergänzte ein synchrones Monitoring, das Tool-Aufrufe vor ihrer Ausführung prüft, und setzte den Lauf mit zusätzlichen Alignment-Phasen fort [1].
Die Alignment-Arbeit verteilt sich auf mehrere Ebenen: Filterung von Fehlverhalten-Spuren im Midtraining, eine allgemeine Alignment-Belohnung auf jeder RL-Aufgabe, Trainingsumgebungen, die Aufgeben bei unlösbaren Aufgaben belohnen, und On-Policy-Selbstdestillation von einem Lehrermodell mit Verhaltensvorgaben. In den internen Fehlverhalten-Tests kommt Inkling 2 Small auf 14,9 Punkte gegenüber 66,8 (Inkling) und 75,2 (Inkling-Small); das geschlossene GPT-6.1 Sol liegt mit 0,8 weiter deutlich vorn, was der Anbieter offen als Lücke benennt [1]. Beim externen FORTRESS-Risikowert (niedriger ist besser) erreicht Inkling 2 Small 16,2, das offene Muse Spark Open 7,6; eine interne Variante ohne Schutzvorkehrungen zeige laut Anbieter nur marginalen zusätzlichen CBRN-Wissenszuwachs [1]. Bei DistressBench meldet der Anbieter 82,0 Prozent und räumt zugleich ein, dass das Modell in normalen Gesprächen über Gefühle manchmal mit unnötigen Warnhinweisen überreagiert [1].
Einordnung
Inkling 2 Small setzt die gestufte Veröffentlichungsstrategie des Labors fort: erst geschlossener Betrieb über die eigene Plattform, dann offene Gewichte nach externen Sicherheitstests. Ob die für die kommende Woche angekündigte Apache-2.0-Freigabe termingerecht erfolgt, bleibt abzuwarten; bis dahin fehlen die angekündigten Gewichte für eine lokale Nachmessung außerhalb von Tinker [1][2]. Inhaltlich zielt die zweite Generation erkennbar auf langfristige agentische Arbeit: fast zwei Drittel der RL-Trainings-Token entfallen auf Coding, und die Stärken in den Anbietertabellen liegen bei Finanz-, Rechts- und Wissensarbeit. Auffällig ist der Fokus auf Feintunierbarkeit: Auf einer Finanzdokument-Aufgabe erreicht das Modell laut Anbieter nach 75 Trainingsschritten den Endstand seines Vorgängers [1].
Für Praktiker bleibt die Lage einfach: Wer das Modell heute braucht, nutzt Tinker; wer offene Gewichte braucht, wartet auf den angekündigten Release und kann dann erst prüfen, ob die gemeldeten Werte in der eigenen Umgebung Bestand haben [1][3].
Methode
Analyse auf Basis des vollständig gelesenen Launch-Beitrags (5.11.2026, inklusive aller Benchmark-Tabellen und Trainingsdetails), der vollständig gelesenen Modellkarte und der Familien-Übersichtsseite des Anbieters. Sämtliche Messwerte sind Herstellerangaben. Keine eigenen Tests.
Grenzen
Keine eigenen Tests. Alle Benchmark-Werte und Trainingsangaben stammen vom Anbieter; die Evaluierungen liefen mit dessen Einstellungen (Effort xhigh, Temperatur 1,0, 1-Million-Token-Trajektorien). Die Gewichte sind zum Schreibzeitpunkt noch nicht veröffentlicht, daher ist keine unabhängige Nachmessung möglich. Der angekündigte Apache-2.0-Release ist eine Ankündigung mit aufschiebender Bedingung, kein erfolgter Schritt. Vergleichswerte anderer Modelle entstammen den Tabellen des Anbieters. Wir haben keine Fremdmessung ausgewertet - ob es eine gibt, können wir nicht ausschließen.
Quellen
- Introducing Inkling 2 Small - Thinking Machines Lab (Launch-Beitrag, 5.11.2026), Thinking Machines Lab (Launch-Beitrag, 5.11.2026) (abgerufen 2026-11-08) ↩1 ↩2 ↩3 ↩4 ↩5 ↩6
- Inkling 2 Small Model Card - Thinking Machines Lab, Thinking Machines Lab (Modellkarte) (abgerufen 2026-11-08) ↩1 ↩2 ↩3 ↩4 ↩5 ↩6
- Inkling - Thinking Machines Lab (Modellfamilie und Tinker-Zugang), Thinking Machines Lab (Modellfamilie und Tinker-Zugang) (abgerufen 2026-11-08) ↩1 ↩2 ↩3
