
Inkling 2 Mini arriva a 20: un modello da 20 GB che pensa in loop
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 183 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 568 tok/s
- AlibabaNUOVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1M di token · 385 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 87 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 214 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
Il checkpoint è di circa {{1}}20GB{{/1}}, e quel numero è l'argomento. Inkling 2 Mini è una mixture of experts da 26,4 miliardi di parametri con 3,4 miliardi di parametri attivi per token, pubblicata da Thinking Machines Lab il 20 novembre 2026 sotto Apache 2.0 come singolo download che gira su un Mac con 32GB di memoria unificata o su una singola NVIDIA DGX Spark. Lo stesso giorno, Artificial Analysis lo ha cronometrato e valutato: 20,1 sull'Intelligence Index v5.0.1, $0,15 per milione di token in input e $0,50 per milione in output, $0,59 per completare un task dell'indice, 280 token in output al secondo. La parte interessante non è il punteggio. È che il modello ci arriva eseguendo gli stessi dodici layer tre volte invece di memorizzare più parametri, ed è questo che fa comportare un checkpoint da 26B come qualcosa di più grande senza richiedere più memoria di quanta ne abbia un laptop.
Mescola con noncuranza i due tipi di numeri e la release appare come una vittoria netta; tienili separati e appare come qualcosa di più specifico, ed è ciò che questo articolo cerca di fare. L'indice, il costo per attività, la velocità, la verbosità e la licenza sono misurazioni e metadati di Artificial Analysis letti il 21 novembre 2026. Ogni riga relativa a coding e ragionamento più in basso è il harness proprietario di Thinking Machines su un checkpoint addestrato dall'azienda, e lo dichiara dove compare. Nessuno al di fuori del laboratorio ha riprodotto quelle righe.
Cosa ha pubblicato Thinking Machines
Il rilascio è weights-first. Il repository Hugging Face è stato creato il 17 novembre e modificato l'ultima volta il 20: è l'aspetto di un checkpoint preparato a fasi, non di un rilascio a sorpresa, e la model card indica il 20 novembre 2026 come data di rilascio. C'è una situazione concreta sul fronte del file di licenza da segnalare: la card dichiara Apache 2.0 nei metadati e i tag del repository riportano lo stesso, quindi si tratta di un rilascio permissivo, non della promessa di un rilascio permissivo con cui è arrivato Inkling 2 Small il 5 novembre.
• Parametri — 26,4B totali, 3,4B attivi e 5,4B attivazioni effettive dei pesi per token una volta conteggiato il looping; Thinking Machines stima ogni passaggio aggiuntivo del loop a circa 1,0B parametri attivi in più.
• Ingombro — un checkpoint da circa 20 GB, 20 layer in NVFP4 e 4 in MXFP8, distribuito nella precisione con cui è stato addestrato anziché quantizzato a posteriori.
• Modalità — testo e immagini in ingresso tramite un vision transformer proiettato nello spazio latente condiviso, testo in uscita.
• Contesto — la scheda del modello indica fino a 1M token, e Artificial Analysis registra 1M.
• Serving — Hugging Face, SGLang, vLLM, TokenSpeed, NVIDIA Dynamo, Unsloth e i GGUF di llama.cpp, Llama App, oltre a Ollama ed Exo Labs su Apple silicon. Sono disponibili ricette di post-training per Miles e SkyRL.
• Ospitato — Tinker, per inferenza e personalizzazione, con un playground. Quello è l'endpoint del fornitore stesso e l'unico; Inkling 2 Mini non è su OrcaRouter, e nulla di quanto segue implica il contrario.
Un modello complementare viene distribuito insieme ad esso. TML-d24-varloop-research è la stessa architettura, addestrata ad accettare da uno a cinque passaggi di loop, ed esiste affinché i ricercatori possano variare la profondità che il modello di produzione fissa a tre. È disponibile anche su Hugging Face, ed è l'oggetto su cui è stata svolta la maggior parte del lavoro di monitorabilità di questa release.

Il loop è il prodotto
Inkling 2 Mini è un transformer decoder-only a 24 livelli con livelli feed-forward sparsi mixture-of-experts, diviso in quattro blocchi da sei livelli. Il primo blocco viene eseguito una volta, l'ultimo blocco viene eseguito una volta, e i due blocchi centrali — dodici livelli — vengono eseguiti tre volte con pesi condivisi. Un token attraversa quindi 48 applicazioni di livello tratte da 24 livelli di pesi memorizzati.
La ripetizione non è una copia. Ogni passaggio attraverso i blocchi centrali legge l'output del preludio, e il secondo e il terzo passaggio leggono anche quello che Thinking Machines chiama il messaggio: l'output degli stessi blocchi centrali del passaggio precedente, fuso tramite un gate appreso. Quel gate inizia bloccando completamente il messaggio, così l'addestramento comincia come un normale modello non ciclico e il guadagno sul messaggio viene aumentato nel tempo. È un trucco per la stabilità dell'addestramento, ed è anche il motivo per cui il ciclo può essere aggiunto in corso d'opera anziché essere addestrato da zero.
La scelta di quali {{1}}strati ripetere{{/1}} non era arbitraria. L'azienda ha misurato la ripetizione {{2}}dei dodici centrali{{/2}} rispetto alla ripetizione {{3}}degli ultimi dodici{{/3}} su {{4}}28 valutazioni{{/4}} e ha scoperto che i centrali vincevano su {{5}}27 di esse{{/5}}, con un guadagno a parità di calcolo di {{6}}1.51–1.91×{{/6}} contro {{7}}1.24–1.36×{{/7}}. L'intuizione che ne deriva è che {{8}}gli strati iniziali e finali{{/8}} sono impegnati a tradurre tra token e rappresentazioni interne, mentre {{9}}quelli centrali{{/9}} portano il ragionamento astratto che trae beneficio da più passaggi seriali.
Gli esperti sono stati potati anziché progettati. L'addestramento è iniziato con una sparsità di 48, instradando ogni token verso 8 di 384 esperti; a un certo punto, durante l'addestramento intermedio, l'azienda ha mantenuto i 128 esperti più utilizzati per livello e ha sanato i danni su 1T token distillati da un modello Inkling interno più grande, per poi eseguire SFT e una fase RL per un totale di 2,2T token su 2.000 passi. Si tratta dello stesso mix di post-addestramento di Inkling 2 Small, ed è per questo che i punti di forza dei due modelli si manifestano negli stessi ambiti.
Venti, e ciò che sta sotto
Il punteggio principale è reale e misurato in modo indipendente, ed è anche vicino al limite inferiore di ciò che l'indice riesce a risolvere utilmente. Artificial Analysis colloca 20 ben al di sopra della media per la classe di confronto del modello nella classifica open-weights, dove la mediana è 10, ma la fascia immediatamente attorno a 20 è affollata di modelli a un punto di distanza su entrambi i lati, e l'indice non ordina i modelli con una granularità così fine. Un punteggio di 20 significa che il modello supera una soglia, non che batta tutto ciò che gli sta entro un punto.
Ciò che il punteggio supporta è il posizionamento che conta per un modello di queste dimensioni. L'affermazione Pareto nella copertura del lancio — intelligenza di frontiera per parametro attivo — è quella che la stessa sintesi di Artificial Analysis sostiene, definendolo tra i modelli leader per intelligenza nella sua classe dimensionale e con un prezzo ragionevole rispetto ad altri modelli open-weight di dimensioni simili. Ci arriva grazie al loop, che permette di ottenere calcolo seriale senza aumentare i parametri, e l'affermazione smette di valere nel momento in cui chiedi al modello di sapere qualcosa anziché elaborarla.
È nelle colonne del costo e della velocità che il rilascio mostra i punti di forza maggiori. A 0,15 $ in ingresso e 0,50 $ in uscita, è posizionato nella fascia più bassa del livello reasoning, e 0,59 $ per attività di indicizzazione sono un quarto di quanto costa un modello dense da 27B nella stessa fascia di punteggio. È veloce nei due modi che emergono in un ciclo di agente: 9,72 secondi al primo token della risposta e 280 token di output al secondo. La debolezza compensativa è la verbosità: 161M token di output per completare l'esecuzione di indicizzazione rispetto a una mediana dei pari di 85,7M, circa 1,9 volte l'output di un modello tipico della sua classe. Su una fatturazione per token va bene. Con un budget fisso di token significa ottenere circa la metà delle attività.

Righe di codifica, dichiarate dal fornitore
La tabella pubblicata da Thinking Machines è la parte più forte della sua argomentazione, ed è interamente sua. Si tratta di numeri non riprodotti provenienti da un harness del fornitore, diversi dei quali eseguiti con lo scaffold per agenti proprietario dell'azienda anziché con uno neutrale, quindi leggili come affermazioni su un checkpoint addestrato dal laboratorio.
• SWE-bench Verified — 79,2%, solo bash.
• SWE-bench Pro v2, Hard — 77,9%.
• SWE-bench Multilingual — 73,7%.
• DeepSWE v1.1 — 48,2%, rispetto al 42,2% riportato per Qwen3.8-27B.
• Terminal Bench v2.1 — 71,6%, dietro il 73,0 di Qwen3.8-27B; su Terminal Bench v4.0 entrambi segnano 5,6%.
• FrontierCode v2.0 — 15,1%, contro il 14,9% di Qwen3.8-27B.
• Ricerca e strumenti agentici — BrowseComp 79,0%, DeepSearchQA 85,3%, MCP Atlas 82,7%, ciascuno superiore al valore di Qwen3.8-27B nella stessa tabella.
• Visione e documenti — MMMU Pro 74,9%, OmniDocBench v1.6 92,8%, ScreenSpot Pro 76,5% in versione base e 87,7% con strumenti Python.
• Ragionamento — HLE-Diamond 15,2%, CritPt v2 31,4%, ARC-AGI 84,5% su v1 e 49,3% su v2, LongBench v2 66,9%.
La forma di quella tabella è coerente con l'architettura ed è la cosa più utile del rilascio. Le righe in cui il modello appare forte sono quelle che premiano la persistenza e l'uso di strumenti su un orizzonte lungo: ricerca, applicazione di patch su scala di repository, analisi di documenti. Le righe in cui appare ordinario sono quelle che richiedono un singolo richiamo corretto o un'inferenza scientifica difficile. Il looping aggiunge passaggi seriali. Non aggiunge fatti memorizzati.
Il looping compra ragionamento, non fatti
Questa distinzione è la tesi stessa del rilascio, e l'azienda la verifica invece di limitarsi ad affermarla. Su AA-Omniscience, il benchmark di factualità, la tabella del fornitore riporta −8,6 per Inkling 2 Mini con un tasso di non-allucinazione del 63,4%. Un punteggio negativo lì significa che il modello è peggiore del rifiutarsi di rispondere: produce errori con sicurezza. La posizione dell'azienda è che il divario di conoscenza è in linea con altri modelli della stessa dimensione totale, e che il modello lo compensa cercando bene — che è esattamente ciò che mostrano le righe di BrowseComp e DeepSearchQA, ed esattamente il motivo per cui il riassunto onesto di questo modello è "bravo a trovare, debole a ricordare".
Il modello complementare a ciclo variabile rende il punto in modo più netto. Il suo orizzonte temporale senza catena di pensiero — quanto a lungo può completare un compito con un'affidabilità del 50% senza trascrivere il ragionamento — passa da 16 secondi con una passata a 37 secondi con tre, per poi appiattirsi, mentre il ragionamento seriale su un compito di ricerca N-Hop continua a migliorare fino a dieci passate, il doppio della profondità su cui è stato addestrato. I guadagni si concentrano nel recupero multi-hop, nel ragionamento matematico e scientifico e nel lavoro agentico a lungo orizzonte. Il QA fattuale a libro chiuso quasi non cambia.
Il risultato sulla monitorabilità è la parte che interesserà maggiormente i ricercatori, perché è l’obiezione ai modelli con loop. Se un modello svolge più calcolo all’interno di un token, nella catena di pensiero visibile compare meno ragionamento, e un monitor della catena di pensiero vede meno. Thinking Machines lo misura e rileva che a questa scala l’effetto è più piccolo del timore: il ragionamento del modello a loop variabile a cinque passaggi era lungo meno della metà rispetto a un solo passaggio (1.661 contro 3.703 token in media), con lunghezza delle frasi e quota di parole da dizionario invariate, il che si legge come un ragionamento più diretto anziché meno leggibile. Nella sua valutazione stealth LinuxArena, Inkling 2 Mini al 3,9% si colloca molto al di sotto del 20,5% di Qwen3.8-27B. Niente di tutto ciò è una garanzia — si tratta di una prima misurazione su una classe di architetture per cui nessuno aveva mai avuto pesi scaricabili, e l’azienda dichiara chiaramente di aver rilasciato il modello in parte affinché altri possano verificare.
Quanto costa
L'hosting in proprio è la modalità pubblicizzata e l'aritmetica è semplice. Un checkpoint da 20 GB su una macchina che già possiedi non ha alcun costo marginale per token, e lo studio di efficienza dello stesso fornitore — condotto dai laboratori Hazy Research e Scaling Intelligence di Stanford in accesso anticipato, a MXFP8 e con basso sforzo di ragionamento — lo colloca a 0,703 intelligenza per watt su un DGX Spark, contro 0,430 per Qwen3.6-35B-A3B e 0,159 per Gemma 4 26B-A4B. Si tratta di un risultato affine al fornitore su un singolo dispositivo, non di una misurazione su una flotta, ma la direzione non è sottile.
L'obiezione onesta a farlo girare da soli è che un'architettura looped ha all'incirca un giorno di maturità nel serving. SGLang, vLLM e gli altri elencano il supporto, e la model card avverte con parole proprie che il supporto runtime per i modelli looped è nuovo e che la velocità varia. Il throughput che misuri sulla tua macchina dipende dall'engine che hai scelto e da quanto sono recenti i suoi kernel, e cambierà più rapidamente di qualsiasi altra cosa riguardo a questo modello.
Dove un router guadagna il suo posto qui non è nel servire Mini — non lo ospitiamo. È in ciò che ci metti attorno. Una valutazione di un'architettura non collaudata non dovrebbe mai essere l'unica cosa tra i tuoi utenti e una pagina di errore, e il modo per ottenere questo è chiamare un modello di cui ti fidi per il percorso di produzione mentre Mini gira accanto. Qwen3.8-Flash è su OrcaRouter a 0,15 $ per milione di input e 0,47 $ per milione di output, il prezzo di listino del provider passato senza ricarichi, e il DSL di routing e il failover automatico ti consentono di mettere Mini dietro di esso il giorno in cui Mini raggiunge un endpoint che possiamo raggiungere. Una sola chiave copre entrambi i lati di quell'esperimento, che è tutto l'argomento.

Quattro cose da tenere d'occhio
Il primo è la riproduzione indipendente. Artificial Analysis ha l'indice, il costo, la velocità e la verbosità — misurati — ma la tabella del coding è quella del laboratorio. Finché qualcuno esterno a Thinking Machines non eseguirà SWE-bench Pro v2 o DeepSWE sui pesi pubblici, 77,9% e 48,2% restano dichiarazioni.
Il secondo è se compare un endpoint ospitato oltre Tinker. Un checkpoint Apache 2.0 da 20 GB è esattamente il tipo di artefatto che i fornitori di terze parti adottano rapidamente, e la concorrenza sui prezzi che farebbe sembrare duraturo un prezzo di $0.59 per attività inizia solo quando c'è un secondo venditore.
Il terzo è il ciclo stesso. Se il progetto pilota funziona, la tecnica è trasferibile: tre passaggi sugli strati intermedi, un gate per fondere il messaggio, nessun parametro aggiuntivo. Ogni ricetta per modelli piccoli nel settore diventa un candidato per essa, e la domanda interessante smette di essere se questo modello ottiene 20 e diventa se il prossimo ottiene 24 con la stessa memoria.
Il quarto è la parte che il lancio non risolve. I modelli looped spostano il ragionamento fuori dalla catena di pensiero visibile e dentro il forward pass. Thinking Machines non ha riscontrato alcuna perdita significativa di monitorabilità a 5.4B parametri attivi. Nessuno ha pubblicato la stessa misurazione a 50B. È la domanda che questo rilascio rende possibile porre, ed è un motivo migliore per interessarsi a un download da 20GB rispetto al punteggio.
Per chiunque debba decidere questa settimana, la divisione è netta. Se volete un coder agentico competente che funzioni offline su hardware che possedete già, e siete disposti a metterlo in sandbox e a testarne il richiamo fattuale prima di fidarvi, Inkling 2 Mini è il modello piccolo più interessante disponibile al momento e il prezzo per provarlo è un download. Se avete bisogno di una risposta da mettere davanti a un cliente senza un livello di retrieval alle spalle, questo non è quel modello, e il 20 sull'indice non lo renderà tale.
