Thinking Machines stellt Inkling Small vor: eine Wette auf Effizienz, nicht auf Größe

Thinking Machines, das KI-Labor der ehemaligen OpenAI-CTO Mira Murati, hat sein zweites Modell veröffentlicht, Inkling Small. Dies ist ein Open-Weight- Reasoning-Modell, das laut Artificial Analysis im Intelligence Index 40 Punkte erreicht – ein Punkt weniger als das größere Inkling-Modell (41), obwohl es weniger als dreimal so klein ist (276 Milliarden Parameter, 12 Milliarden aktiv). Laut AA schneidet kein offenes Modell gleicher oder kleinerer Größe besser ab. Inkling Small übertrifft Inkling bei mehreren Codierungs- und Reasoning-Tests, wie dem Humanity's Last Exam (32 % gegenüber 30 %) und GPQA Diamond (89 % gegenüber 87 %). Bei agentischen Aufgaben und Tests zu Faktenwissen hinkt es jedoch hinterher, ist aber token-effizienter: Im Test benötigt es durchschnittlich 24.000 Ausgabetoken pro Aufgabe, verglichen mit 45.000 für DeepSeek V4 Flash und 78.000 für GPT-5.4 mini. Das Modell verarbeitet Text-, Bild- und Spracheingaben, hat einen Kontextfenster von 256.000 Token und wird unter der Apache-2.0-Lizenz vertrieben. Die Gewichte sind auf Hugging Face verfügbar, und über den Tinker Playground kann das Modell direkt im Browser verwendet und feinabgestimmt werden. Thinking Machines positioniert seine Modelle in erster Linie als Grundlage für weitere Feinabstimmung auf proprietären Daten, und einige sehen darin die nächste Grenze der KI-Entwicklung.