
Inkling 2 Mini é lançado com 20: um modelo de 20 GB que pensa em loops
- OrcaNOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 183 tok/s
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 568 tok/s
- AlibabaNOVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 385 tok/s
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 214 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
O checkpoint tem cerca de 20GB, e esse número é o argumento. O Inkling 2 Mini é uma mistura de especialistas de 26,4 bilhões de parâmetros, com 3,4 bilhões de parâmetros ativos por token, publicado pelo Thinking Machines Lab em 20 de novembro de 2026 sob a Apache 2.0 como um único download que roda em um Mac com 32GB de memória unificada ou em um único NVIDIA DGX Spark. No mesmo dia, o Artificial Analysis o cronometrou e pontuou: 20,1 no Intelligence Index v5.0.1, US$ 0,15 por milhão de tokens de entrada e US$ 0,50 por milhão de saída, US$ 0,59 para concluir uma tarefa do índice, 280 tokens de saída por segundo. A parte interessante não é a pontuação. É que o modelo a alcança executando as mesmas doze camadas três vezes em vez de armazenar mais parâmetros, o que faz um checkpoint de 26B se comportar como algo maior sem precisar de mais memória do que um laptop tem.
Misture os dois tipos de número descuidadamente e o lançamento parece uma vitória limpa; mantenha-os separados e ele parece algo mais específico, que é o que este texto tenta fazer. O índice, o custo por tarefa, a velocidade, a verbosidade e a licença são medições e metadados da Artificial Analysis lidos em 21 de novembro de 2026. Todas as linhas de codificação e raciocínio mais abaixo vêm do conjunto de testes próprio da Thinking Machines sobre um checkpoint treinado pela empresa, e isso é indicado onde elas aparecem. Ninguém fora do laboratório reproduziu essas linhas.
O que a Thinking Machines publicou
O lançamento prioriza os pesos. O repositório do Hugging Face foi criado em 17 de novembro e modificado pela última vez no dia 20, o que se parece com um checkpoint preparado, e não com um lançamento surpresa, e o model card indica 20 de novembro de 2026 como a data de lançamento. Há uma situação real de arquivo de licença que vale a pena observar: o card declara Apache 2.0 em seus metadados e as tags do repositório trazem o mesmo, então este é um lançamento permissivo, e não a promessa de um que o Inkling 2 Small trouxe em 5 de novembro.
• Parâmetros — 26,4B no total, 3,4B ativos e 5,4B de ativações efetivas de pesos por token quando o looping é contabilizado; a Thinking Machines estima cada passada extra de loop em cerca de 1,0B a mais de parâmetros ativos.
• Pegada — um checkpoint de cerca de 20 GB, 20 camadas em NVFP4 e 4 em MXFP8, disponibilizado na precisão em que foi treinado, em vez de ser quantizado posteriormente.
• Modalidades — texto e imagens entram por meio de um Transformer de Visão projetado no espaço oculto compartilhado; texto sai.
• Contexto — a ficha do modelo indica até 1M de tokens, e a Artificial Analysis registra 1M.
• Serviço — Hugging Face, SGLang, vLLM, TokenSpeed, NVIDIA Dynamo, Unsloth e GGUFs do llama.cpp, Llama App, além de Ollama e Exo Labs em Apple silicon. Existem receitas de pós-treinamento para Miles e SkyRL.
• Hospedado — Tinker, para inferência e personalização, com um playground. Esse é o endpoint próprio do fornecedor e o único; o Inkling 2 Mini não está no OrcaRouter, e nada abaixo implica o contrário.
Um modelo complementar é lançado junto com ele. TML-d24-varloop-research é a mesma arquitetura treinada para aceitar entre uma e cinco passagens de loop, e existe para que pesquisadores possam variar a profundidade que o modelo de produção fixa em três. Ele também está no Hugging Face, e é o objeto sobre o qual a maior parte do trabalho de monitorabilidade desta versão foi feita.

O loop é o produto
Inkling 2 Mini é um transformer somente decodificador de 24 camadas, com camadas feed-forward de mistura esparsa de especialistas, dividido em quatro blocos de seis camadas. O primeiro bloco é executado uma vez, o último bloco é executado uma vez, e os dois blocos intermediários — doze camadas — são executados três vezes com pesos compartilhados. Portanto, um token passa por 48 aplicações de camadas, provenientes de 24 camadas armazenadas de pesos.
A repetição não é uma cópia. Cada passagem pelos blocos intermediários lê a saída do prelúdio, e a segunda e a terceira passagens também leem o que a Thinking Machines chama de mensagem: a própria saída dos blocos intermediários da passagem anterior, mesclada por meio de um gate aprendido. Esse gate começa bloqueando a mensagem por completo, então o treinamento começa como um modelo comum sem loop e o ganho sobre a mensagem é aumentado ao longo do tempo. É um truque de estabilidade de treinamento e também é o motivo pelo qual o loop pode ser adicionado durante a execução em vez de ser treinado do zero.
A escolha de quais camadas repetir não foi arbitrária. A empresa mediu repetir as doze camadas intermediárias em comparação com repetir as doze últimas em 28 avaliações e descobriu que as intermediárias venceram em 27 delas, com um ganho equivalente em termos de computação de 1,51–1,91× contra 1,24–1,36×. A intuição apresentada é que as camadas iniciais e finais estão ocupadas traduzindo entre tokens e representações internas, enquanto as intermediárias carregam o raciocínio abstrato que se beneficia de mais etapas seriais.
Os especialistas foram podados em vez de projetados. O treinamento começou com esparsidade 48, roteando cada token para 8 de 384 especialistas; em certo momento durante o treinamento intermediário, a empresa manteve os 128 especialistas mais usados por camada e reparou os danos com 1T de tokens destilados de um modelo Inkling interno maior, depois executou SFT e uma fase de RL totalizando 2,2T de tokens ao longo de 2.000 etapas. Essa é a mesma mistura de pós-treinamento do Inkling 2 Small, e é por isso que os pontos fortes dos dois modelos ficam nos mesmos lugares.
Vinte, e o que fica embaixo disso
A pontuação principal é real e medida de forma independente, e também está próxima do piso do que o índice consegue resolver de forma útil. O Artificial Analysis coloca 20 como bem acima da média para a classe de comparação do modelo no quadro de pesos abertos, onde a mediana é 10, mas a faixa imediatamente em torno de 20 está lotada de modelos com um ponto para cada lado, e o índice não ordena modelos com essa granularidade. Uma pontuação de 20 significa que o modelo supera um patamar, não que vence tudo o que está a um ponto dela.
O que a pontuação sustenta é o posicionamento que importa para um modelo desse tamanho. A alegação de Pareto na cobertura de lançamento — inteligência de fronteira por parâmetro ativo — é a que o próprio resumo da Artificial Analysis endossa, chamando-o de um dos modelos líderes em inteligência para sua classe de tamanho e com preço razoável em comparação com outros modelos de pesos abertos de tamanho semelhante. Ele chega lá por causa do loop, que compra computação serial sem comprar parâmetros, e a alegação deixa de se sustentar no momento em que você pede ao modelo que saiba algo em vez de resolver algo.
As colunas de custo e velocidade são onde o lançamento parece mais forte. A US$ 0,15 por entrada e US$ 0,50 por saída, ele tem o preço no piso da faixa de raciocínio, e US$ 0,59 por tarefa de índice é um quarto do que custa um modelo denso de 27B na mesma faixa de pontuação. Ele é rápido nas duas formas que aparecem em um loop de agente: 9,72 segundos até o primeiro token de resposta e 280 tokens de saída por segundo. A fraqueza compensatória é a verbosidade — 161M de tokens de saída para concluir a execução do índice, contra uma mediana de 85,7M entre pares, aproximadamente 1,9 vez a saída de um modelo típico de sua classe. Numa conta por token, isso é tranquilo. Com um orçamento fixo de tokens, significa que você consegue cerca de metade das tarefas.

Linhas de codificação, informadas pelo fornecedor
A tabela que a Thinking Machines publicou é a parte mais forte do argumento dela, e é inteiramente dela própria. São números não reproduzidos de um harness de fornecedor, vários deles executados com o próprio scaffold de agente da empresa em vez de um neutro, então leia-os como alegações sobre um checkpoint que o laboratório treinou.
• SWE-bench Verified — 79,2%, apenas bash.
• SWE-bench Pro v2, Difícil — 77,9%.
• SWE-bench Multilingual — 73,7%.
• DeepSWE v1.1 — 48,2%, em comparação com os 42,2% relatados para o Qwen3.8-27B.
• Terminal Bench v2.1 — 71,6%, atrás dos 73,0 do Qwen3.8-27B; no Terminal Bench v4.0, ambos marcam 5,6%.
• FrontierCode v2.0 — 15,1%, contra 14,9% do Qwen3.8-27B.
• Pesquisa e ferramentas agênticas — BrowseComp 79,0%, DeepSearchQA 85,3%, MCP Atlas 82,7%, cada um à frente do valor do Qwen3.8-27B na mesma tabela.
• Visão e documentos — MMMU Pro 74,9%, OmniDocBench v1.6 92,8%, ScreenSpot Pro 76,5% simples e 87,7% com ferramentas Python.
• Raciocínio — HLE-Diamond 15,2%, CritPt v2 31,4%, ARC-AGI 84,5% na v1 e 49,3% na v2, LongBench v2 66,9%.
A forma dessa tabela é consistente com a arquitetura, e é a coisa mais útil no lançamento. As linhas em que o modelo parece forte são as que recompensam persistência e uso de ferramentas ao longo de um horizonte longo: busca, aplicação de patches em escala de repositório, processamento de documentos. As linhas em que ele parece comum são as que exigem uma única recuperação correta ou uma inferência científica difícil. O looping adiciona etapas seriais. Não adiciona fatos armazenados.
O looping compra raciocínio, não fatos.
Essa distinção é a própria tese do lançamento, e a empresa a testa em vez de apenas afirmá-la. No AA-Omniscience, o benchmark de factualidade, a tabela do fornecedor mostra −8,6 para o Inkling 2 Mini, com uma taxa de não alucinação de 63,4%. Uma pontuação negativa ali significa que o modelo é pior do que se recusar a responder: ele produz erros confiantes. O enquadramento da empresa é que a lacuna de conhecimento está alinhada com outros modelos do mesmo tamanho total e que o modelo a compensa buscando bem — que é exatamente o que as linhas de BrowseComp e DeepSearchQA mostram, e exatamente por que o resumo honesto deste modelo é "bom em encontrar, fraco em lembrar".
O companheiro de loop variável torna o argumento mais incisivo. Seu horizonte temporal sem cadeia de pensamento — por quanto tempo consegue concluir uma tarefa com 50% de confiabilidade sem escrever o raciocínio — sobe de 16 segundos em uma passagem para 37 segundos em três, e então se estabiliza, enquanto o raciocínio serial em uma tarefa de consulta N-Hop continua melhorando até dez passagens, o dobro da profundidade com que foi treinado. Os ganhos concentram-se em recuperação multi-hop, raciocínio matemático e científico e trabalho agêntico de longo horizonte. QA factual de livro fechado quase não muda.
O resultado de monitorabilidade é a parte com que os pesquisadores mais se importarão, porque é a objeção aos modelos em loop. Se um modelo faz mais computação dentro de um token, menos raciocínio aparece na cadeia de pensamento visível, e um monitor de cadeia de pensamento vê menos. A Thinking Machines mede isso e descobre que o efeito é menor do que se temia nesta escala: o raciocínio do modelo de loop variável em cinco passagens era menos da metade do que em uma (1.661 contra 3.703 tokens, em média), com o comprimento das frases e a proporção de palavras de dicionário inalterados, o que é lido como raciocínio mais direto, e não como raciocínio menos legível. Na sua avaliação de furtividade no LinuxArena, o Inkling 2 Mini, com 3,9%, fica muito abaixo dos 20,5% do Qwen3.8-27B. Nada disso é uma garantia — é uma primeira medição numa classe de arquitetura para a qual ninguém tinha pesos baixáveis antes, e a empresa diz claramente que lançou o modelo em parte para que outros possam verificar.
Quanto custa executar
A auto-hospedagem é o modo divulgado, e a aritmética é simples. Um checkpoint de 20 GB em uma máquina que você já possui não tem custo marginal por token algum, e o estudo de eficiência do próprio fornecedor — conduzido pelos laboratórios Hazy Research e Scaling Intelligence de Stanford com acesso antecipado, em MXFP8 e baixo esforço de raciocínio — o coloca em 0,703 de inteligência por watt em um DGX Spark, contra 0,430 para o Qwen3.6-35B-A3B e 0,159 para o Gemma 4 26B-A4B. Esse é um resultado ligado ao fornecedor em um único dispositivo, não uma medição de frota, mas a direção não é sutil.
O argumento honesto contra executá-lo por conta própria é que uma arquitetura em loop tem cerca de um dia de maturidade de serving. SGLang, vLLM e os demais listam suporte, e o card do modelo adverte, com suas próprias palavras, que o suporte de runtime para modelos em loop é novo e que a velocidade varia. A vazão que você mede na sua própria máquina é função do engine que escolheu e de quão recentes são os kernels dele, e isso mudará mais rápido do que qualquer outra coisa neste modelo.
Onde um roteador ganha seu lugar aqui não é ao servir o Mini — nós não o hospedamos. É naquilo que você coloca ao redor dele. Uma avaliação de uma arquitetura não comprovada nunca deveria ser a única coisa entre seus usuários e uma página de erro, e a forma de organizar isso é chamar um modelo em que você confia para o caminho de produção enquanto o Mini roda ao lado dele. Qwen3.8-Flash está no OrcaRouter a US$ 0,15 por milhão de entrada e US$ 0,47 por milhão de saída, o preço de tabela do provedor repassado sem markup, e a DSL de roteamento e o failover automático permitem colocar o Mini por trás dele no dia em que o Mini alcançar um endpoint que consigamos alcançar. Uma chave cobre os dois lados desse experimento, e é esse todo o argumento.

Quatro coisas a observar
A primeira é a reprodução independente. O Artificial Analysis tem o índice, o custo, a velocidade e a verbosidade — medidos —, mas a tabela de codificação é do laboratório. Até que alguém de fora da Thinking Machines execute o SWE-bench Pro v2 ou o DeepSWE nos pesos públicos, 77,9% e 48,2% são alegações.
O segundo ponto é se um endpoint hospedado aparece além do Tinker. Um checkpoint Apache 2.0 de 20 GB é exatamente o tipo de artefato que provedores de terceiros adotam rapidamente, e a concorrência de preços que faria US$ 0,59 por tarefa parecer sustentável só começa quando existe um segundo vendedor.
O terceiro é o próprio loop. Se o piloto funcionar, a técnica é portátil: três passagens pelas camadas intermediárias, um gate para fundir a mensagem, nenhum parâmetro extra. Toda receita de modelo pequeno na área se torna candidata a isso, e a pergunta interessante deixa de ser se este modelo pontua 20 e passa a ser se o próximo pontua 24 com a mesma memória.
O quarto é a parte que o lançamento não resolve. Modelos com loops deslocam o raciocínio da cadeia de pensamento visível para a passagem direta. A Thinking Machines não encontrou perda significativa de monitorabilidade em 5,4B parâmetros ativos. Ninguém publicou a mesma medição em 50B. Essa é a pergunta que este lançamento torna possível fazer, e é um motivo melhor para se importar com um download de 20GB do que a pontuação.
Para quem estiver decidindo esta semana, a divisão é clara. Se você quer um programador agêntico competente que rode offline no hardware que você já possui, e está disposto a colocá-lo em sandbox e a testar a recordação de fatos antes de confiar nele, o Inkling 2 Mini é o modelo pequeno mais interessante disponível no momento, e o preço de experimentá-lo é um download. Se você precisa de uma resposta que possa colocar na frente de um cliente sem uma camada de recuperação por trás, este não é esse modelo, e o 20 no índice não vai torná-lo um.
