Thinking Machines Lab wypuściło 30 lipca 2026 roku Inkling-Small – mniejszy open-weight model o 276 mld parametrów i 12 mld aktywnych parametrów. Firma deklaruje, że nowy wariant osiąga wyniki zbliżone do pełnego Inkling mimo około czterokrotnie mniejszej skali. Zachowuje przy tym multimodalne wejście tekst + obraz + audio, kontekst do 1 mln tokenów, variable thinking effort i licencję Apache 2.0.
Jeśli czytałeś nasz wcześniejszy news o pełnym Inkling, ta premiera jest jego praktycznym rozwinięciem. Zamiast gonić wyłącznie za większą liczbą parametrów, Thinking Machines próbuje pokazać, że efektywność modelu i koszt inferencji mogą być równie ważne jak maksymalna skala.
- Inkling-Small a pełny Inkling – najważniejsze różnice
- Mniejszy model, podobne zastosowania
- Dlaczego efektywność zaczyna wygrywać ze skalą?
Inkling-Small a pełny Inkling – najważniejsze różnice
| Cecha | Inkling-Small | Inkling |
|---|---|---|
| Łączna liczba parametrów | 276 mld | 975 mld |
| Aktywne parametry | 12 mld | 41 mld |
| Kontekst | do 1 mln tokenów | do 1 mln tokenów |
| Wejście | tekst, obraz, audio | tekst, obraz, audio |
| Licencja | Apache 2.0 | Apache 2.0 |
Oba modele są transformerami Mixture-of-Experts, więc przy pojedynczym tokenie aktywowana jest tylko część całej sieci. W Inkling-Small 12 mld aktywnych parametrów ma pozwalać utrzymać dobry kompromis pomiędzy jakością a kosztem. Thinking Machines wskazuje, że w benchmarkach tool use, reasoning i instruction following mniejszy model pozostaje konkurencyjny wobec pełnego Inkling i innych modeli ze swojej klasy wagowej.
VentureBeat zwracał uwagę, że w części testów Inkling-Small wręcz przewyższał większego poprzednika. Nie należy z tego wyciągać wniosku, że jest „lepszy zawsze” – benchmarki mierzą konkretne zdolności – ale to dobry przykład, że nowszy trening i architektura mogą częściowo rekompensować mniejszą skalę.
Mniejszy model, podobne zastosowania
Inkling-Small jest skierowany do developerów budujących systemy agentowe, coding assistants, chatboty, RAG i aplikacje multimodalne. Właśnie tutaj mniejsza liczba aktywnych parametrów ma praktyczny sens: łatwiej ograniczyć koszt i wymagania obliczeniowe przy zachowaniu długiego kontekstu i kilku typów danych wejściowych.
- AI do programowania – coding assistants i praca na większych projektach.
- Model AI do agentów – tool use, planowanie i praca wieloetapowa.
- AI do RAG – łączenie modelu z bazą wiedzy i dużym kontekstem.
- Multimodalny model AI – analiza tekstu, obrazu i audio.
- Open-weight AI do firmy – możliwość samodzielnego fine-tuningu i integracji.
Artificial Analysis klasyfikuje Inkling-Small jako jeden z mocniejszych modeli open-weight w swojej klasie, a jednocześnie relatywnie tani w API. Takie porównania zmieniają sposób patrzenia na modele: coraz częściej interesuje nas nie tylko wynik inteligencji, ale ile kosztuje osiągnięcie danego poziomu jakości.
Dlaczego efektywność zaczyna wygrywać ze skalą?
Przez kilka lat premiery modeli AI były opisywane głównie przez liczbę parametrów. Inkling-Small pokazuje odwrotny trend: osiągnąć możliwie dużą część możliwości większego modelu przy znacznie mniejszej liczbie aktywnych parametrów. To ma znaczenie dla inferencji, dostępności sprzętu i opłacalności produkcyjnych wdrożeń.
Jeśli chcesz porównać ten model z szerszym rynkiem, przydatny będzie artykuł o topowych modelach LLM. W kontekście Inkling-Small warto dalej rozwijać tematy mały model AI do lokalnego uruchomienia, open-weight AI, wydajny model AI do programowania, model AI do agentów oraz Mixture-of-Experts.
Mniej parametrów nie oznacza proporcjonalnie mniejszych możliwości
Najciekawsza lekcja z premiery Inkling-Small jest prosta: większy model nie zawsze będzie najlepszym wyborem do wdrożenia. Jeśli mniejszy wariant utrzymuje większość jakości, ale zużywa mniej zasobów i jest tańszy, dla wielu firm właśnie on okaże się praktyczniejszy.
Źródła
News powstał na podstawie oficjalnego komunikatu Thinking Machines Lab, karty modelu oraz niezależnych analiz branżowych i benchmarków opublikowanych po premierze Inkling-Small.
