Thinking Machines、2つ目のモデルInkling Smallで規模より効率を重視
モデル Inkling-Small 開発 Thinking Machines Lab 公開 2026-07-30 ライセンス Apache 2.0 · オープンウェイト · 総計2,760億・アクティブ120億パラメータのMoEモデル · Thinking Machines Labが、Inklingシリーズの2つ目のモデルInkling-Smallを公開しました。総計2,760億パラメータのうちト
モデル Inkling-Small
公開 2026-07-30
ライセンス Apache 2.0 · オープンウェイト
総計2,760億・アクティブ120億パラメータのMoEモデル
Thinking Machines Labが、Inklingシリーズの2つ目のモデルInkling-Smallを公開しました。総計2,760億パラメータのうちトークンごとに120億パラメータをアクティブ化するMixture-of-Experts構造で、総計9,750億・アクティブ410億パラメータのInklingの約4分の1の規模で、同等の性能を目指しています。
テキスト、画像、音声を入力し、テキストを生成するマルチモーダルモデルで、最大100万トークンのコンテキストに対応します。推論の強度を調整でき、コーディング、ツール利用、一般知識、予測タスクを幅広く扱います。公式評価ではSWEBench Verified 80.2%、Humanity's Last Exam 31.6%を記録し、一部の推論・エージェントコーディング課題で、より大規模なInklingを上回りました。
モデルの重みはApache 2.0ライセンスで公開されており、研究、自社でのデプロイ、ファインチューニングに利用できます。Thinking MachinesのTinkerでは64Kおよび256Kコンテキスト構成で学習と推論を提供し、Tinker Playgroundではテキスト・画像・音声入力を直接試すことができます。
小規模モデルがあらゆる面で優れているわけではありません。Thinking Machinesは、知識の範囲と事実性では依然としてInklingに優位性があると説明しています。そのため、この投稿では漠然とした「高効率モデル」の紹介ではなく、公式発表を基準に、モデル規模、アクティブパラメータ、入力形式、最大コンテキスト、大規模モデルと比較した長所と短所を整理しました。