Thinking Machines publica Inkling 2 Mini, un modelo abierto de 26,4B para portátiles
La startup fundada por la exdirectora de tecnología de OpenAI, Mira Murati, afirma que el modelo funciona sin conexión en Mac con 32 GB de memoria y lidera su categoría en pruebas de programación.

Puntos clave
- Thinking Machines Lab publicó Inkling 2 Mini el 20 de noviembre de 2026 bajo la licencia Apache 2.0, que permite el uso comercial.
- El modelo tiene 26,4 mil millones de parámetros totales, pero usa 3,4 mil millones por token mediante un diseño de mezcla de expertos.
- Obtuvo un 48,2% en la prueba de programación DeepSWE v1.1, frente al 42,2% de Qwen3.8-27B, según la empresa.
- Una arquitectura de bucle repite las capas intermedias tres veces, lo que según la empresa mejora el razonamiento a un mayor coste de cómputo.
- La empresa también publicó una versión de investigación con un número de bucles ajustable para estudiar cómo se pueden supervisar estos modelos.
Qué se publicó
Thinking Machines Lab, la startup de IA fundada por la exdirectora de tecnología de OpenAI Mira Murati, publicó el 20 de noviembre de 2026 un modelo de pesos abiertos llamado Inkling 2 Mini. Pesos abiertos significa que los archivos de parámetros se pueden descargar y ejecutar o modificar en el propio equipo del usuario. La empresa lo publicó bajo la licencia Apache 2.0, que permite el uso comercial, según la página del modelo en Hugging Face.
El modelo ocupa unos 20 GB de almacenamiento y funciona en dispositivos Apple silicon con 32 GB de memoria o más, según la empresa. Es compatible desde su lanzamiento con Ollama y también funciona en el ordenador de sobremesa de IA DGX Spark de Nvidia. Los pesos completos están en Hugging Face, y herramientas de código abierto habituales como SGLang y vLLM lo admiten. También está disponible en Tinker, la plataforma de ajuste fino de Thinking Machines, para inferencia y personalización.
Tamaño y arquitectura
Inkling 2 Mini usa un diseño de mezcla de expertos: el modelo contiene muchas subredes con especialidades distintas y solo se recurre a algunas para cada token. Tiene 26,4 mil millones de parámetros totales, de los cuales 3,4 mil millones están activos por token.
La mayoría de los pesos permanecen en el formato de 4 bits NVFP4 desde el entrenamiento hasta el despliegue, con las cuatro últimas capas en 8 bits MXFP8. Como no hace falta más compresión en el despliegue, la empresa afirma que el modelo no pierde precisión en la conversión.
La parte distintiva es una estructura de bucle. El modelo tiene 24 capas en cuatro bloques; para cada token, el primer y el último bloque se ejecutan una vez y los dos bloques intermedios se ejecutan tres veces, de modo que 24 capas de parámetros realizan el trabajo de 48 capas. La empresa dice que las capas intermedias repetidas se encargan del razonamiento más abstracto y que, en sus experimentos, colocar el bucle en las 12 capas intermedias mejoró los resultados en 27 de 28 pruebas comparativas frente a colocarlo en las 12 últimas.
Resultados declarados y límites
Según la publicación de lanzamiento de Thinking Machines, Inkling 2 Mini obtuvo un 48,2% en la prueba de programación DeepSWE v1.1 y un 46,5% en la prueba general Vals Index v2.2, ambos primeros entre los modelos de pesos abiertos con menos de 100 mil millones de parámetros totales. En DeepSWE v1.1, Qwen3.8-27B obtuvo un 42,2%. Una entrada del blog de Hugging Face situó al modelo por delante en 32 de 48 pruebas frente a cuatro modelos abiertos comparables, entre ellos Gemma 4 31B y Qwen3.8-27B.
La empresa también enumeró sus puntos débiles. El modelo va por detrás de Qwen3.8-27B en conversación multiturno y en instrucciones con muchas condiciones, y obtiene puntuaciones inferiores a las de modelos más grandes en pruebas de razonamiento difícil como HLE-Diamond. El bucle refuerza el razonamiento, pero no añade conocimiento almacenado, por lo que la respuesta a preguntas factuales está más o menos al nivel de modelos del mismo tamaño; la empresa dice que lo compensa con búsqueda y uso de herramientas, y que lidera en pruebas como BrowseComp que requieren consultar información en línea.
El precio a pagar es el cómputo. Frente a una versión del mismo tamaño sin bucles, el modelo con bucles costó un 7,5% menos de entrenar, pero necesita un 140% más de cómputo de inferencia para alcanzar el mismo rendimiento, según la empresa.
La cuestión de la supervisión
Una forma habitual de supervisar los sistemas de IA es leer el texto de razonamiento que un modelo escribe antes de responder. Un bucle permite al modelo calcular más pasos internamente antes de hablar, lo que plantea la preocupación de que parte del razonamiento nunca se escriba y resulte más difícil de inspeccionar.
Thinking Machines publicó una versión de investigación aparte con un número de bucles ajustable para estudiar esto. En sus pruebas, sin razonamiento escrito, la duración de la tarea que el modelo podía completar pasó del equivalente a 16 segundos de trabajo humano con un bucle a 37 segundos con tres bucles, y luego se estabilizó. Con cinco bucles, el texto de razonamiento promedió 1661 tokens, menos de la mitad de los 3703 con un bucle, mientras que la longitud de las frases y la proporción de palabras comunes del inglés se mantuvieron iguales. En LinuxArena, una prueba que simula tareas maliciosas, la tasa de completar una tarea dañina sin ser detectado no mostró una tendencia clara al aumentar los bucles.
La empresa señaló que son resultados preliminares: el modelo de investigación se entrenó con aprendizaje por refuerzo solo con tres bucles, y modelos más grandes con más bucles podrían comprimir aún más el razonamiento. Citó esto como una de las razones para publicar la versión de investigación, para que la comunidad investigadora pueda estudiar la capacidad de supervisión de los modelos con bucles.
Fuentes
2 fuentes- ChainCatcher 链捕手Thinking Machines 发布本地 AI 模型 Inkling 2 Mini
- ABMedia 鏈新聞OpenAI 前技術長新創開源小模型:筆電離線跑,飛機上寫出飛行模擬器
Este artículo fue preparado por BattleTown Newsroom a partir de los informes indicados arriba.
Preguntas frecuentes
¿Qué es Inkling 2 Mini?
Es un modelo de IA de pesos abiertos publicado por Thinking Machines Lab el 20 de noviembre de 2026. Tiene 26,4 mil millones de parámetros totales, usa 3,4 mil millones por token y funciona sin conexión en dispositivos Apple silicon con al menos 32 GB de memoria.
¿Qué licencia usa Inkling 2 Mini?
El modelo se publica bajo la licencia Apache 2.0, que permite el uso comercial, según su página de Hugging Face. Thinking Machines también publicó una política de uso aceptable independiente para el modelo.
¿Cómo funciona la arquitectura de bucle?
El modelo tiene 24 capas en cuatro bloques. Para cada token, el primer y el último bloque se ejecutan una vez y los dos bloques intermedios se ejecutan tres veces, de modo que los parámetros realizan el trabajo de 48 capas. La empresa dice que esto mejora el razonamiento, pero exige más cómputo de inferencia.
Esta noticia es solo informativa. No constituye asesoramiento financiero, de inversión ni jurídico. Aviso legal
BattleTown: batallas de tanques en el navegador
Nuevos minijuegos, «Asalto» y «Brecha», ya están en BattleTown




Comentarios: 0 comentarios