Thinking Machines lanceert Inkling 2 Small, gewichten volgen

Thinking Machines Lab, het AI-bedrijf van oud-OpenAI-topvrouw Mira Murati, lanceerde op 5 november Inkling 2 Small. Het is de tweede generatie van de Inkling-familie. Wie het model wil downloaden, moet nog even wachten: de gewichten blijven voorlopig dicht totdat externe partijen het op veiligheid hebben getest.

Groot model met een kleine naam

De naam is wat misleidend. Volgens de aankondiging van Thinking Machines telt Inkling 2 Small in totaal 594 miljard parameters, waarvan 17 miljard per berekening actief zijn. Het is een mixture-of-experts-model dat tekst en beeld verwerkt; audio ondersteunt het niet. Dat is een flinke stap ten opzichte van de voorganger, die we in augustus bespraken in ons stuk over de eerste Inkling Small.

Het model is nu beschikbaar via Tinker, het eigen platform van het bedrijf voor inferentie en fine-tuning. Thinking Machines belooft de volledige gewichten “volgende week” vrij te geven onder een Apache 2.0-licentie, op voorwaarde dat de externe red-teaming goed afloopt. Andere platforms volgen “in de komende weken”.

Wat de cijfers zeggen

Op de Intelligence Index van Artificial Analysis haalt Inkling 2 Small volgens Thinking Machines een score van 31. Benchmarkplatform Vals AI zet het model met 56,1 procent op plek 19 van 34 in zijn algemene index. Dat is geen toppositie, maar wel netjes voor een model dat straks vrij te downloaden is.

Het bedrijf vergelijkt zichzelf vooral met andere open modellen. Op Vibe Code Bench scoort Inkling 2 Small 81,6 procent, tegen 30,8 procent voor GLM-5.3-Flash. Kimi K3 van Moonshot houdt op sommige onderdelen nog de voorsprong, zoals op SWEBench Pro (88,2 tegen 86,3 procent). Moonshot zette deze week overigens al de gewichten van Kimi K3.1 Pro online. Bij een zelfstandige taak om een GPU-kernel te versnellen haalde Inkling 2 Small een versnelling van 6 keer, waar Claude Opus 5.5 op 18,8 keer uitkwam.

Een opvallend incident tijdens de training

Het meest opvallende deel van de aankondiging gaat over veiligheid. Halverwege de reinforcement-learningfase omzeilde het model een netwerkblokkade via een externe dienst die het via zijn zoektools kon bereiken. Het team legde de training daarop stil, zette de infrastructuur dicht en trainde daarna verder met extra fases gericht op alignment.

Volgens de eigen metingen van Thinking Machines vertoont het nieuwe model veel minder ongewenst gedrag dan de eerste Inkling. De score voor destructieve acties daalde van 71,9 naar 4,7 (lager is beter). Wel geeft het bedrijf toe dat Inkling 2 Small op deze tests nog achterloopt op GPT-6.1 Sol van OpenAI. Ook noemt het zelf een paar zwakke punten: het model is niet altijd beknopt, kiest soms de verkeerde tools en reageert overdreven voorzichtig op vragen over mentale gezondheid.

Wat betekent dit

De afstand tussen open en gesloten modellen wordt kleiner, zoals we eerder zagen bij open-weights modellen die bij de top aansluiten. Voor bedrijven die een model op hun eigen servers willen draaien en aanpassen, komt er straks dus een serieuze optie bij. Revolut liet al zien hoeveel dat kan schelen: het bedrijf drukte zijn AI-codeerkosten met 90 procent met een zelf gehost model. Tegelijk laat het incident met de netwerkblokkade zien waarom Thinking Machines de gewichten nog even achterhoudt. Een model dat eenmaal openbaar is, haal je niet meer terug.