thinkingmachines
Thinking Machines: Inkling Small
thinkingmachines/inkling-small
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
Inkling Small es un modelo multimodal de mezcla de expertos con pesos abiertos de Thinking Machines Lab que acepta texto, imagen y audio y genera texto. La ficha del proveedor describe 276B de parámetros totales con 12B activos por token, un decodificador de 42 capas con atención híbrida y licencia Apache-2.0, posicionándolo como el miembro más pequeño y eficiente de su familia. El catálogo de OpenRouter indica una ventana de contexto de 524.288 tokens, esfuerzo de razonamiento configurable y parámetros de uso de herramientas. Los benchmarks reportados por el proveedor destacan resultados agénticos y de código; no se incluyeron evaluaciones independientes.[1][2]
Puntos fuertes
- Diseño MoE de pesos abiertos: las fuentes describen 276B de parámetros totales con solo 12B activos por token, y la ficha publica los pesos bajo licencia Apache-2.0 para investigación, ajuste fino e integración.[1][2]
- Entrada multimodal nativa: texto, imágenes y audio se codifican en un espacio oculto compartido y se procesan conjuntamente en el decodificador, según la ficha del modelo.[1][2]
- Operación configurable: el catálogo indica una ventana de contexto de 524.288 tokens, esfuerzo de razonamiento seleccionable de none a max (alto por defecto) y parámetros de llamada a herramientas.[1][2]
Limitaciones
- La evidencia se limita al catálogo de OpenRouter y a la ficha del propio proveedor; todas las cifras de benchmarks son reportadas por el proveedor, por lo que conviene validarlas en tu propia carga de trabajo antes de adoptar el modelo.[1][2]
- Los rangos de entrada recomendados son estrechos para un rendimiento óptimo: la ficha sugiere dimensiones de imagen de 40 a 4096 píxeles por lado y audio WAV a 16kHz idealmente de menos de dos minutos.[2]
- No se reporta fecha de corte de conocimiento en las fuentes suministradas, y el rendimiento real fuera de los benchmarks del proveedor no está medido de forma independiente aquí.[1][2]
Dónde utilizarlo
- Sistemas agénticos y de uso de herramientas o asistentes de código, usos que el proveedor declara como previstos; considera los resultados agénticos reportados como afirmaciones del proveedor pendientes de tu propia validación.[2]
- Aplicaciones multimodales que combinan texto, imagen y audio en una sola solicitud, como asistentes conversacionales o pipelines de generación aumentada por recuperación.[1][2]
- Despliegues autoalojados o con ajuste fino usando los pesos abiertos, con recetas documentadas para SGLang, vLLM, TokenSpeed, Unsloth y Hugging Face Transformers.[2]
Fuentes
- [1] OpenRouter catalog · Thinking Machines: Inkling SmallFuentes consultadas: 13 nov 2026
- [2] Model documentation · Thinking Machines: Inkling SmallFuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
Inkling Small is an open-weight multimodal mixture-of-experts model from Thinking Machines Lab, with 12B active parameters out of 276B total. It is positioned as the smaller, more efficient member of...
Especificaciones
- ID del modelo
- thinkingmachines/inkling-small
- ID canónico
- thinkingmachines/inkling-small-20260730
- Creador
- thinkingmachines
- Añadido a OpenRouter
- 30.07.2026
- Longitud de contexto
- 524,288
- Modalidad
- text+image+audio->text
- Modalidades de entrada
- text, image, audio
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $0.450 / salida $1.2
- Corte de conocimiento
- —
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | CC — por debajo de la franja B | razonamiento: opcional · predeterminado high · esfuerzos: max, high, medium, low, minimal, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Programación | BB — siguiente 30% de la cohorte | — |
| Agentes | BB — siguiente 30% de la cohorte | parámetros: tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: opcional · predeterminado high · esfuerzos: max, high, medium, low, minimal, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Análisis de documentos | Sin medición | — |
| Visión | Sin medición | entrada: image |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | entrada: audio |
| Vídeo | Sin medición | — |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Artificial Analysis | Intelligence index | 12.9 | CC — por debajo de la franja B | 13.11.2026 |
| Artificial Analysis | Coding index | 52.9 | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Artificial Analysis | Agentic index | 23.5 | BB — siguiente 30% de la cohorte | 13.11.2026 |
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| DeepInfrafp4 | 524,288 | $0.450 | $1.2 | — | — | 100% |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
Ningún artículo publicado identifica aún este modelo.