thinkingmachines
Thinking Machines: Inkling Small
thinkingmachines/inkling-small
Nossa análise
Análise com auxílio de IA baseada nas fontes abaixo. A adequação é uma avaliação editorial; teste com suas próprias tarefas.
Inkling Small é um modelo multimodal de mistura de especialistas com pesos abertos da Thinking Machines Lab que aceita texto, imagem e áudio e gera texto. A ficha do fornecedor descreve 276B de parâmetros totais com 12B ativos por token, um decodificador de 42 camadas com atenção híbrida e licença Apache-2.0, posicionando-o como o membro menor e mais eficiente de sua família. O catálogo do OpenRouter indica uma janela de contexto de 524.288 tokens, esforço de raciocínio configurável e parâmetros de uso de ferramentas. Os benchmarks reportados pelo fornecedor enfatizam resultados agênticos e de código; avaliações independentes não foram incluídas neste pacote de fontes.[1][2]
Pontos fortes
- Design MoE de pesos abertos: as fontes descrevem 276B de parâmetros totais com apenas 12B ativos por token, e a ficha publica os pesos sob licença Apache-2.0 para pesquisa, fine-tuning e integração.[1][2]
- Entrada multimodal nativa: texto, imagens e áudio são codificados em um espaço oculto compartilhado e processados em conjunto pelo decodificador, segundo a ficha do modelo.[1][2]
- Operação configurável: o catálogo indica uma janela de contexto de 524.288 tokens, esforço de raciocínio selecionável de none a max (alto por padrão) e parâmetros de chamada de ferramentas.[1][2]
Limitações
- A evidência se limita ao catálogo do OpenRouter e à ficha do próprio fornecedor; todos os números de benchmarks são reportados pelo fornecedor, portanto valide os resultados na sua própria carga de trabalho antes da adoção.[1][2]
- As faixas de entrada recomendadas são estreitas para desempenho ideal: a ficha sugere dimensões de imagem de 40 a 4096 pixels por lado e áudio WAV a 16kHz idealmente com menos de dois minutos.[2]
- Nenhuma data de corte de conhecimento é reportada nas fontes fornecidas, e o desempenho real fora dos benchmarks do fornecedor não foi medido de forma independente aqui.[1][2]
Onde usar
- Sistemas agênticos e de uso de ferramentas ou assistentes de código, usos que o fornecedor declara como pretendidos; trate os resultados agênticos reportados como alegações do fornecedor pendentes de sua própria validação.[2]
- Aplicações multimodais que combinam texto, imagem e áudio em uma única requisição, como assistentes conversacionais ou pipelines de geração aumentada por recuperação.[1][2]
- Implantações auto-hospedadas ou com fine-tuning usando os pesos abertos, com receitas documentadas para SGLang, vLLM, TokenSpeed, Unsloth e Hugging Face Transformers.[2]
Fontes
- [1] OpenRouter catalog · Thinking Machines: Inkling SmallFontes consultadas: 13 de nov. de 2026
- [2] Model documentation · Thinking Machines: Inkling SmallFontes consultadas: 13 de nov. de 2026
Sobre este modelo
A descrição abaixo é o texto original fornecido pelo OpenRouter, no idioma da fonte.
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...
Especificações
- ID do modelo
- thinkingmachines/inkling-small
- ID canônico
- thinkingmachines/inkling-small-20260730
- Criador
- thinkingmachines
- Adicionado ao OpenRouter
- 30.07.2026
- Comprimento de contexto
- 524,288
- Modalidade
- text+image+audio->text
- Modalidades de entrada
- text, image, audio
- Modalidades de saída
- text
- Preço por token
- USD por 1M de tokens: entrada $0.450 / saída $1.2
- Corte de conhecimento
- —
- Data de expiração
- —
Tarefas e capacidades
Uma nota aparece apenas quando a fonte fornece uma medição correspondente para aquela tarefa, o modelo está ativo e a coorte tem pelo menos 10 modelos comparáveis. A coluna de capacidade lista fatos declarados pela fonte — formatos compatíveis, raciocínio e parâmetros de ferramentas — que não são qualidade medida.
| Tarefa | Nota | Capacidade declarada pela fonte |
|---|---|---|
| Qualidade geral | CC — abaixo da faixa B | raciocínio: opcional · padrão high · esforços: max, high, medium, low, minimal, none · parâmetros: include_reasoning, reasoning, reasoning_effort |
| Programação | BB — próximos 30% da coorte | — |
| Agentes | BB — próximos 30% da coorte | parâmetros: tool_choice, tools |
| Escrita | Sem medição | saída: text |
| Raciocínio | Sem medição | raciocínio: opcional · padrão high · esforços: max, high, medium, low, minimal, none · parâmetros: include_reasoning, reasoning, reasoning_effort |
| Análise de documentos | Sem medição | — |
| Visão | Sem medição | entrada: image |
| Geração de imagens | Sem medição | — |
| Áudio | Sem medição | entrada: audio |
| Vídeo | Sem medição | — |
| Embeddings | Sem medição | — |
Avaliações
| Fonte | Benchmark | Valor | Nota | Dados obtidos |
|---|---|---|---|---|
| Artificial Analysis | Intelligence index | 12.9 | CC — abaixo da faixa B | 13.11.2026 |
| Artificial Analysis | Coding index | 52.9 | BB — próximos 30% da coorte | 13.11.2026 |
| Artificial Analysis | Agentic index | 23.5 | BB — próximos 30% da coorte | 13.11.2026 |
Como funcionam as notas
Cada nota compara um modelo apenas com outros modelos avaliados pela mesma fonte e métrica no snapshot atual. S é o top 10%, A os 20% seguintes, B os 30% seguintes e C o restante. Modelos sem medição publicada aparecem como não avaliados — um formato compatível nunca implica qualidade medida.
- S — S — top 10% da coorte
- A — A — próximos 20% da coorte
- B — B — próximos 30% da coorte
- C — C — abaixo da faixa B
Provedores
Estatísticas opcionais de provedores ao vivo do OpenRouter. Valores ausentes são desconhecidos, não zero.
| Provedor | Comprimento de contexto | Preço entrada /1M | Preço saída /1M | Latência p50 (30m, s) | Taxa p50 (30m, tok/s) | Disponibilidade (30m) |
|---|---|---|---|---|---|---|
| DeepInfrafp4 | 524,288 | $0.450 | $1.2 | — | — | 100% |
Dados de provedores obtidos: 13.11.2026
Artigos relacionados
Nenhum artigo publicado identifica este modelo ainda.