Inkling 2 Small - 이미지 입력과 장시간 자율 작업을 지원하는 MoE 모델

Thinking Machines Lab이 총 5,940억, 활성 170억 파라미터의 2세대 MoE 모델 Inkling 2 Small을 공개함. 이미지 입력과 추론 노력 수준 조절을 지원하며, 장시간 자율 작업 능력을 강화함 Artificial Analysis Intelligence Index 약 31점을 기록해 이전 자체 모델을 크게 앞섬. 사전학습 효율 개선과 통합 강화학습으로 에이전트 코딩, 시각 이해, 지식 업무, 추론 성능을 높임 시각 피드백을 활용한 반복 작업과 자율 연구를 지원함. 내부 평가에서는 Qwen3.5-4B를 스스로 학습시켜 4.5시간, Tinker 사용료 426달러로 시계열 예측 점수를 두 배 이상 높임 Tinker에서 추론과 미세조정을 먼저 제공하며 현재 가중치는 비공개임. 외부 안전성 시험과 레드팀 평가를 마친 뒤 다음 주 Apache 2.0 라이선스로 전체 가중치를 공개할 계획임 정렬 성능을 개선했지만 일부 비공개 모델에는 뒤처짐. 불필요한 거절이나 안전 관련 질문에 대한 과민 반응이 남아 있으며, 오디오 입력은 지원하지 않음 모델 구성과 공개 계획 Inkling 2 Small은 총 594B, 활성 17B 파라미터의 전문가 혼합(MoE) 모델이며, 이미지 입력과 가변 추론 노력 수준을 지원함 초기에는 안전한 가중치 공개 경로에 따라 가중치를 비공개로 유지하고 Tinker를 통해 제공함 Tinker Playground에서 시험할 수 있으며, Tinker에서 미세조정과 샘플링도 가능함 외부 안전성 시험과 레드팀 평가 완료 후 다음 주 전체 가중치를 Apache 2.0으로 공개할 계획임 미세조정 체크포인트 다운로드는 모델 가중치 공개와 함께 지원하고, 추가 플랫폼 제공은 안전성 시험 이후 수 주 안에 추진함 같은 학습법으로 여러 크기의 모델을 예측 가능한 성능과 규모로 학습하는 체계를 구축했으며, Inkling 2 Small은 앞으로 공개할 모델 계열의 한 단계임 에이전트 코딩과 자율 연구 수십만 개의 장시간 코딩 과제를 여러 에이전트 하네스와 문맥 압축 전략에 걸쳐 강화학습함 합성 코딩 데이터의 품질을 높이고, 단위 테스트 통과 여부뿐 아니라 문제 접근 방식도 평가하는 에이전트형 강화학습 채점기를 사용함 초기 체크포인트는 OpenCode에서 Fledge-Alpha라는 이름으로 실제 코딩 작업을 시험함 이전 Inkling보다 지시를 잘 따르고, 변경 사항을 신중히 검토하며, 별도 요청 없이...