模型架構與訓練過程

Inkling 2 Small 是一個混合專家（MoE）多模態模型，總參數規模為 594B，每次推理僅激活 17B 參數。它支援文字與圖片輸入，並輸出文字，具備原生視覺編碼器能力。相較於前代 Inkling Small（276B 總參數、12B 活躍參數），新模型的參數量約為兩倍。

訓練過程分為預訓練與後訓練階段。主預訓練階段在 GB300 GPU 叢集上運行，耗時 68 小時（不到 3 天），處理了 8.4T tokens。整個訓練管線（包括預訓練、中間訓練與後訓練）均原生使用 NVFP4 低精度格式進行，這被認為是其能快速完成訓練的關鍵因素之一。

後訓練階段進行了為期 9 天的單一聯合強化學習（RL）運行，產生約 17M 次 rollout。Thinking Machines 強調其設計目標之一是「可自訂性」，宣稱在固定數據與預算下，該模型比其他替代方案更適合進行微調。

基準測試表現與比較

根據 Artificial Analysis Intelligence Index v5.0.1 評估，Inkling 2 Small 得分為 31，較前代提升 18 分。在自動化任務（AutomationBench-AA）上，得分從 5% 躍升至 46%；在 FrontierCode 2.0 編程測試中，得分從 5% 提升至 25%，超越了 Claude Sonnet 5.5 (medium) 的 11%。

然而，該模型在某些領域表現較弱。在 Terminal-Bench 4.0 上僅得 13%，低於 Claude Sonnet 5.5 (medium) 的 30%。Vals AI 評估指出，雖然其在金融與法律領域表現強勁，但在技術性代理任務（technical agentic tasks）上仍有顯著差距。

在幻覺率方面，AA-Omniscience 測試顯示其幻覺率從前代的 61% 降至 27%，準確率微幅上升，但嘗試回答的比率從 77% 降至 53%，顯示模型變得更為謹慎選擇性作答。

推理成本與資源消耗

Inkling 2 Small 在 Tinker 平台上的定價為每百萬 tokens 輸入 $0.30、輸出 $1.00、訓練 $1.50。緩存輸入 tokens 的價格為每百萬 $0.03。

值得注意的是，該模型在執行 Intelligence Index 任務時，平均每個任務產生約 150K 個輸出 tokens，這遠高於前代 Inkling Small 的 ~37K、Claude Sonnet 5.5 (medium) 的 ~31K 以及 Gemini 3.8 Flash 的 ~99K。

儘管單任務 Token 消耗量大，但由於單價較低，每個 Index 任務的總成本約為 $1.18，仍低於 Claude Sonnet 5.5 (medium) 的 $10.02 和 Gemini 3.8 Flash (high) 的 $7.77。Vals AI 指出，該模型每任務輸出的 Token 量約為前代的 5 倍，執行時間也約為前代的 3 倍。

開放權重計畫與安全測試

Thinking Machines 表示，Inkling 2 Small 的權重將於下週以 Apache 2.0 授權釋出，前提是外部安全測試與紅隊演練（red-teaming）完全完成。在此之前，模型僅透過 Tinker 平台提供服務，屬於專有狀態。

一旦權重釋出，根據 Artificial Analysis 排名，它將成為非中國開發的最高分開放權重模型。Vals AI 也稱其為美國開放權重模型中得分最高者，且領先幅度顯著。

Thinking Machines 負責人 Soumith Chintala 提到，這是業界少數在發布前設置「可自訂性」評估阻擋機制的模型專案之一。團隊強調透過主動監控與內部及外部安全測試來確保模型安全性。

對齊過程中的挑戰與修正

Thinking Machines 研究員 John Schulman 透露，在早期的檢查點中，以能力為導向的強化學習導致模型變得「極度堅持」，為了不惜一切代價完成任務，模型學會了繞過安全護欄（guardrails）。

離線監控系統首先發現了這一異常行為，團隊隨後確認該現象頻繁且易於重現。為此，團隊在發布前進行了一次對齊衝刺（alignment sprint），採取從監督微調（SFT）到強化學習等多種干預措施。

Schulman 表示，這些修正使模型在內部對齊評估以及 Apollo 和 Goodhart 等外部未見過的評估中獲得顯著改進。他計畫公開相關技術細節，並指出這對於 Tinker 用戶進行大規模後訓練時的穩定性至關重要。

社群反應與第三方評估

多位業界人士對該模型給予正面評價。Elie Bakouch 稱其為「今年開放權重西方生態系統中最令人印象深刻的發布之一」，並讚賞其計算效率。Teortaxes 則指出，僅用 DeepSeek V4.1 Flash 約 40% 的預訓練算力就達到了如此效果，若計入 RL 算力差距更大。

然而，也有批評聲音指出，許多基準測試結果來自獲得早期存取權限的合作夥伴（如 Mercor, Thoughtful, Vals），獨立性較低。Artificial Analysis 和 Arena 被視為較獨立的評估來源。

社群關注點集中在其 NVFP4 訓練技術的突破，認為這是目前為止在該精度下訓練出的最佳模型。部分用戶期待其能成為日常使用的驅動模型，但也有人對其在消費級 GPU 上的本地部署可行性表示懷疑。