Une carte de titre générée indiquant « Inkling 2 Mini », sous-titrée « 26,4 Md au total, 3,4 Md actifs, environ 20 Go — bouclant les couches intermédiaires », avec trois pastilles indiquant Intelligence Index 20.1, 48 applications de couches et Apache 2.0, au-dessus d’un diagramme de couches à quatre blocs dans lequel les deux blocs du milieu sont marqués « exécuté 3x » et les deux blocs extérieurs « exécuté 1x ». Le logo OrcaRouter se trouve en bas à droite.
Guides & Insights

Inkling 2 Mini arrive à 20 : un modèle de 20 Go qui pense en boucles

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Le checkpoint fait environ 20 Go, et ce chiffre est l’argument. Inkling 2 Mini est un mélange d’experts de 26,4 milliards de paramètres, dont 3,4 milliards de paramètres actifs par token, publié par Thinking Machines Lab le 20 novembre 2026 sous Apache 2.0 sous la forme d’un téléchargement unique qui fonctionne sur un Mac doté de 32 Go de mémoire unifiée ou sur un seul NVIDIA DGX Spark. Le même jour, Artificial Analysis l’a chronométré et évalué : 20,1 sur l’Intelligence Index v5.0.1, 0,15 $ par million de tokens d’entrée et 0,50 $ par million de tokens de sortie, 0,59 $ pour terminer une tâche de l’index, 280 tokens de sortie par seconde. Ce qui est intéressant, ce n’est pas le score. C’est que le modèle y parvient en exécutant trois fois les mêmes douze couches au lieu de stocker davantage de paramètres, ce qui permet à un checkpoint de 26B de se comporter comme un modèle plus grand sans nécessiter plus de mémoire qu’un ordinateur portable.

Si l’on mélange négligemment les deux types de chiffres, la publication se lit comme une victoire nette ; si on les garde séparés, elle se lit comme quelque chose de plus précis, ce que ce texte s’efforce de faire. L’indice, le coût par tâche, la vitesse, la verbosité et la licence sont des mesures et des métadonnées d’Artificial Analysis relevées le 21 novembre 2026. Chaque ligne de codage et de raisonnement plus bas provient du propre harnais de Thinking Machines, exécuté sur un checkpoint entraîné par l’entreprise, et l’indique là où elle apparaît. Personne en dehors du laboratoire n’a reproduit ces lignes.

Ce que Thinking Machines a publié

La publication privilégie la mise à disposition des poids. Le dépôt Hugging Face a été créé le 17 novembre et modifié pour la dernière fois le 20, ce qui correspond à un checkpoint préparé par étapes plutôt qu'à une sortie surprise, et la fiche du modèle indique le 20 novembre 2026 comme date de publication. Il y a une véritable situation de fichier de licence qu'il vaut la peine de signaler : la fiche déclare Apache 2.0 dans ses métadonnées et les étiquettes du dépôt portent la même mention, il s'agit donc d'une publication permissive plutôt que de la promesse d'une telle publication avec laquelle Inkling 2 Small est sorti le 5 novembre.

• Paramètres — 26,4 Md au total, 3,4 Md actifs et 5,4 Md d’activations de poids effectives par token une fois la boucle prise en compte ; Thinking Machines estime chaque passe de boucle supplémentaire à environ 1,0 Md de paramètres actifs en plus.

• Empreinte — un point de contrôle d'environ 20 Go, 20 couches en NVFP4 et 4 en MXFP8, livré dans la précision avec laquelle il a été entraîné plutôt que quantifié après coup.

• Modalités — texte et images en entrée via un transformateur de vision projeté dans l'espace caché partagé, texte en sortie.

• Contexte — la fiche du modèle indique jusqu'à 1M de tokens, et Artificial Analysis enregistre 1M.

• Service — Hugging Face, SGLang, vLLM, TokenSpeed, NVIDIA Dynamo, Unsloth et les GGUFs de llama.cpp, Llama App, ainsi qu’Ollama et Exo Labs sur Apple silicon. Des recettes de post-entraînement existent pour Miles et SkyRL.

• Hébergé — {{1}}Tinker{{/1}}, pour l’inférence et la personnalisation, avec un environnement de test. Il s’agit du point de terminaison propre au fournisseur, et du seul ; {{2}}Inkling 2 Mini{{/2}} n’est pas sur OrcaRouter, et rien ci-dessous ne suggère le contraire.

Un modèle complémentaire est livré en parallèle. TML-d24-varloop-research est la même architecture, entraînée à accepter entre une et cinq passes de boucle, et il existe pour que les chercheurs puissent faire varier la profondeur que le modèle de production fixe à trois. Il est aussi sur Hugging Face, et c’est l’objet sur lequel l’essentiel des travaux de monitorabilité de cette version a porté.

Screenshot of the Thinking Machines announcement page titled 'Introducing Inkling 2 Mini', dated Nov 20, 2026, showing the Capabilities, Architecture and training, Monitorability of looped transformers and Try Inkling 2 Mini today section links, plus the opening paragraphs describing a model small enough to run on a laptop that runs the middle layers three times per token and leads open-weights models under 100B total parameters on DeepSWE v1.1 at 48.2%.

La boucle est le produit

Inkling 2 Mini est un transformer de type décodeur uniquement à 24 couches, doté de couches feed-forward à mixture d’experts clairsemée, divisé en quatre blocs de six couches. Le premier bloc s’exécute une fois, le dernier bloc s’exécute une fois, et les deux blocs intermédiaires — douze couches — s’exécutent trois fois avec des poids partagés. Un token traverse donc 48 applications de couches, issues de 24 couches de poids stockées.

La répétition n’est pas une copie. Chaque passage dans les blocs centraux lit la sortie du prélude, et les deuxième et troisième passages lisent aussi ce que Thinking Machines appelle le message : la propre sortie des blocs centraux du passage précédent, fusionnée au moyen d’une porte apprise. Cette porte commence par bloquer entièrement le message, de sorte que l’entraînement débute comme celui d’un modèle ordinaire sans boucle et que le gain appliqué au message est augmenté au fil du temps. C’est une astuce de stabilité de l’entraînement, et c’est aussi la raison pour laquelle la boucle peut être ajoutée en cours d’exécution plutôt qu’entraînée depuis zéro.

Le choix des couches à boucler n’était pas arbitraire. L’entreprise a mesuré le bouclage des douze couches intermédiaires par rapport au bouclage des douze dernières sur 28 évaluations et a constaté que les couches intermédiaires l’emportaient sur 27 d’entre elles, avec un gain à calcul équivalent de 1,51–1,91× contre 1,24–1,36×. L’intuition donnée est que les couches précoces et tardives sont occupées à traduire entre les tokens et les représentations internes, tandis que les couches intermédiaires portent le raisonnement abstrait qui bénéficie d’un plus grand nombre d’étapes séquentielles.

Les experts ont été élagués plutôt que conçus. L’entraînement a commencé avec un taux de parcimonie de 48, en routant chaque token vers 8 experts sur 384 ; à un moment donné, pendant l’entraînement intermédiaire, l’entreprise a conservé les 128 experts les plus utilisés par couche et a corrigé les dégâts sur 1T de tokens distillés à partir d’un modèle interne Inkling plus grand, puis a exécuté une phase SFT et une phase RL totalisant 2,2T de tokens sur 2 000 étapes. C’est le même mélange de post-entraînement que celui d’Inkling 2 Small, ce qui explique que les points forts des deux modèles se retrouvent aux mêmes endroits.

Vingt, et ce qui se trouve en dessous

Le score principal est réel et mesuré indépendamment, et il est aussi proche du plancher de ce que l’indice permet de distinguer utilement. Artificial Analysis situe 20 bien au-dessus de la moyenne de la classe de comparaison du modèle dans le classement open weights, où la médiane est de 10, mais la bande immédiatement autour de 20 est encombrée de modèles à un point de part et d’autre, et l’indice ne classe pas les modèles avec une telle finesse. Un score de 20 signifie que le modèle franchit un seuil, pas qu’il dépasse tout ce qui se trouve à un point de lui.

Ce que le score étaye, c’est le positionnement qui compte pour un modèle de cette taille. L’argument de Pareto présent dans la couverture du lancement — une intelligence de pointe par paramètre actif — est celui que soutient le résumé d’Artificial Analysis lui-même, qui le classe parmi les modèles les plus performants en intelligence de sa catégorie de taille et à un prix raisonnable face aux autres modèles à poids ouverts de taille similaire. Il y parvient grâce à la boucle, qui achète du calcul séquentiel sans acheter de paramètres, et l’affirmation cesse de tenir dès qu’on demande au modèle de savoir quelque chose plutôt que de le déduire par le raisonnement.

Les colonnes coût et vitesse sont celles où cette version paraît la plus solide. À 0,15 $ en entrée et 0,50 $ en sortie, elle se situe au bas du segment raisonnement, et 0,59 $ par tâche d’index représente un quart de ce que coûte un modèle dense de 27B dans la même tranche de score. Il est rapide selon les deux mesures qui apparaissent dans une boucle d’agent : 9,72 secondes jusqu’au premier token de réponse et 280 tokens de sortie par seconde. La faiblesse compensatoire est la verbosité : 161M de tokens de sortie pour terminer l’exécution de l’index, contre une médiane de 85,7M chez les pairs, soit environ 1,9 fois la sortie d’un modèle typique de sa catégorie. Sur une facturation au token, cela ne pose pas de problème. Avec un budget de tokens fixe, cela signifie que vous obtenez environ deux fois moins de tâches.

Screenshot of the Artificial Analysis model page for Inkling 2 Mini, showing it amongst the leading models in intelligence and reasonably priced for its size but very verbose, a score of 20 on the Intelligence Index against a median of 10 for its class, 161M tokens generated during the index run against a 85.7M median, pricing of $0.15 per 1M input and $0.50 per 1M output tokens, $0.59 per index task, 9.0 minutes per task, and a listed 1M-token context window.

Lignes de codage, déclarées par le fournisseur

Le tableau publié par Thinking Machines est l’élément le plus solide de son argumentation, et il lui appartient entièrement. Ce sont des chiffres non reproduits provenant d’un harnais de fournisseur, dont plusieurs ont été obtenus avec l’infrastructure d’agents de l’entreprise plutôt qu’avec un dispositif neutre ; il faut donc les lire comme des affirmations concernant un checkpoint entraîné par le laboratoire.

• SWE-bench Verified — 79,2 %, bash uniquement.

• SWE-bench Pro v2, Difficile — 77,9 %.

• SWE-bench Multilingual — 73,7 %.

• DeepSWE v1.1 — 48,2 %, contre 42,2 % rapportés pour Qwen3.8-27B.

• Terminal Bench v2.1 — 71,6 %, derrière les 73,0 de Qwen3.8-27B ; sur Terminal Bench v4.0, les deux affichent 5,6 %.

• FrontierCode v2.0 — 15,1 %, contre 14,9 % pour Qwen3.8-27B.

• Recherche agentique et outils — BrowseComp 79,0 %, DeepSearchQA 85,3 %, MCP Atlas 82,7 %, chacun supérieur au chiffre de Qwen3.8-27B dans le même tableau.

• Vision et documents — MMMU Pro 74,9 %, OmniDocBench v1.6 92,8 %, ScreenSpot Pro 76,5 % sans outillage et 87,7 % avec l'outillage Python.

• Raisonnement — HLE-Diamond 15,2 %, CritPt v2 31,4 %, ARC-AGI 84,5 % sur v1 et 49,3 % sur v2, LongBench v2 66,9 %.

La forme de ce tableau est cohérente avec l’architecture, et c’est l’élément le plus utile de la version. Les lignes où le modèle paraît solide sont celles qui récompensent la persévérance et l’utilisation d’outils sur un long horizon : la recherche, l’application de correctifs à l’échelle d’un dépôt, l’analyse de documents. Les lignes où il paraît ordinaire sont celles qui exigent un rappel unique et correct ou une inférence scientifique difficile. Le bouclage ajoute des étapes séquentielles. Il n’ajoute pas de faits stockés.

Boucler achète du raisonnement, pas des faits

Cette distinction est la thèse même de cette version, et l’entreprise la met à l’épreuve plutôt que de l’affirmer. Sur AA-Omniscience, le benchmark de factualité, le tableau du fournisseur affiche −8,6 pour Inkling 2 Mini, avec un taux de non-hallucination de 63,4 %. Un score négatif y signifie que le modèle fait pire que s’il refusait de répondre : il produit des erreurs énoncées avec assurance. Le positionnement de l’entreprise est que l’écart de connaissances est comparable à celui d’autres modèles de même taille totale, et que le modèle le compense en recherchant bien — ce que montrent exactement les lignes BrowseComp et DeepSearchQA, et exactement pourquoi le résumé honnête de ce modèle est « bon pour trouver, faible pour mémoriser ».

Le compagnon à boucle variable rend ce point plus net. Son horizon temporel sans chaîne de pensée — la durée pendant laquelle il peut achever une tâche avec 50 % de fiabilité sans écrire son raisonnement — passe de 16 secondes à une passe à 37 secondes à trois passes, puis se stabilise, tandis que le raisonnement sériel sur une tâche de recherche N-Hop continue de s’améliorer jusqu’à dix passes, soit le double de la profondeur à laquelle il a été entraîné. Les gains se concentrent dans la récupération multi-sauts, le raisonnement mathématique et scientifique, et le travail agentique à long horizon. Les questions-réponses factuelles à livre fermé n’évoluent guère.

Le résultat en matière de monitorabilité est ce qui intéressera le plus les chercheurs, car c’est l’objection que l’on oppose aux modèles bouclés. Si un modèle effectue davantage de calcul à l’intérieur d’un token, moins de raisonnement apparaît dans la chaîne de pensée visible, et un moniteur de chaîne de pensée en voit moins. Thinking Machines mesure cet effet et constate qu’il est plus faible que craint à cette échelle : le raisonnement du modèle à boucle variable à cinq passes était plus de deux fois plus court qu’à une seule passe (1 661 contre 3 703 tokens en moyenne), la longueur des phrases et la part de mots du dictionnaire restant inchangées, ce qui s’interprète comme un raisonnement plus direct plutôt que comme un raisonnement moins lisible. Sur son évaluation de furtivité LinuxArena, Inkling 2 Mini, à 3,9 %, se situe bien en dessous des 20,5 % de Qwen3.8-27B. Rien de tout cela n’est une garantie : il s’agit d’une première mesure sur une classe d’architecture pour laquelle personne n’avait jamais eu de poids téléchargeables auparavant, et l’entreprise déclare clairement qu’elle a publié le modèle en partie pour que d’autres puissent vérifier.

Ce que coûte son fonctionnement

L'auto-hébergement est le mode annoncé et le calcul est simple. Un checkpoint de 20 Go sur une machine que vous possédez déjà n'a aucun coût marginal par token, et l'étude d'efficacité du fournisseur lui-même — menée par les laboratoires Hazy Research et Scaling Intelligence de Stanford sur un accès anticipé, en MXFP8 et avec un faible effort de raisonnement — le place à 0,703 d'intelligence par watt sur un DGX Spark, contre 0,430 pour Qwen3.6-35B-A3B et 0,159 pour Gemma 4 26B-A4B. Il s'agit d'un résultat proche du fournisseur sur un seul appareil, et non d'une mesure à l'échelle d'un parc, mais la tendance n'est pas subtile.

L’argument honnête contre le fait de l’exécuter vous-même, c’est qu’une architecture en boucle n’a environ qu’un jour de maturité en matière de serving. SGLang, vLLM et les autres indiquent qu’ils le prennent en charge, et la fiche du modèle avertit dans ses propres termes que la prise en charge de l’exécution des modèles en boucle est récente et que la vitesse varie. Le débit que vous mesurez sur votre propre machine dépend du moteur que vous avez choisi et de la fraîcheur de ses kernels, et cela changera plus vite que tout le reste concernant ce modèle.

Si un routeur a sa place ici, ce n’est pas pour servir Mini — nous ne l’hébergeons pas. C’est pour ce que vous mettez autour. L’évaluation d’une architecture non éprouvée ne devrait jamais être la seule chose entre vos utilisateurs et une page d’erreur, et le moyen d’y parvenir est d’appeler un modèle auquel vous faites confiance pour le chemin de production pendant que Mini tourne à côté.Qwen3.8-Flash est disponible sur OrcaRouter à 0,15 $ par million de tokens d’entrée et 0,47 $ par million de tokens de sortie, au prix catalogue du fournisseur, sans majoration, et le DSL de routage ainsi que le basculement automatique vous permettent de placer Mini derrière lui le jour où Mini atteindra un point de terminaison que nous pouvons joindre. Une seule clé couvre les deux volets de cette expérience, ce qui résume tout l’argument.

A generated single-column scoreboard titled 'Inkling 2 Mini — the scoreboard', with six rows reading Intelligence Index 20.1, cost per index task $0.59, output speed 280 tokens per second, first token 9.72 seconds, size on disk about 20GB, and licence Apache 2.0, above a footer stating that index, cost and speed are per Artificial Analysis and coding rows are vendor-reported and unreproduced.

Quatre choses à surveiller

Le premier est une reproduction indépendante. Artificial Analysis dispose de l’indice, du coût, de la vitesse et de la verbosité — mesurés —, mais le tableau de codage est celui du laboratoire. Tant que quelqu’un d’extérieur à Thinking Machines n’aura pas exécuté SWE-bench Pro v2 ou DeepSWE sur les poids publics, 77,9 % et 48,2 % sont des affirmations.

Le second est de savoir si un point de terminaison hébergé apparaît au-delà de Tinker. Un checkpoint Apache 2.0 de 20 Go est exactement le type d’artefact que les fournisseurs tiers récupèrent rapidement, et la concurrence sur les prix qui rendrait 0,59 $ par tâche durable ne commence réellement qu’avec l’arrivée d’un second vendeur.

Le troisième est la boucle elle-même. Si le pilote fonctionne, la technique est transposable : trois passes sur les couches intermédiaires, une porte pour fusionner le message, aucun paramètre supplémentaire. Chaque recette de petits modèles du domaine devient candidate à son application, et la question intéressante n’est plus de savoir si ce modèle atteint 20, mais de savoir si le suivant atteint 24 pour la même mémoire.

Le quatrième point est celui que le lancement ne tranche pas. Les modèles en boucle déplacent le raisonnement hors de la chaîne de pensée visible, vers la passe avant. Thinking Machines n’a constaté aucune perte significative de surveillabilité à 5.4B de paramètres actifs. Personne n’a publié la même mesure à 50B. C’est la question que cette sortie permet de poser, et c’est une meilleure raison de s’intéresser à un téléchargement de 20GB que le score.

Pour quiconque doit décider cette semaine, la distinction est nette. Si vous voulez un codeur agentique compétent qui fonctionne hors ligne sur du matériel que vous possédez déjà, et que vous êtes prêt à l’isoler dans un bac à sable et à tester sa mémoire factuelle avant de lui faire confiance, Inkling 2 Mini est le petit modèle le plus intéressant disponible actuellement, et le prix de l’essai se limite à un téléchargement. Si vous avez besoin d’une réponse que vous pouvez présenter à un client sans couche de récupération derrière, ce n’est pas ce modèle, et le 20 à l’indice n’en fera pas un.