一句话总结
Thinking Machines Lab 于 2026 年 11 月 5 日发布第二代模型 Inkling 2 Small：MoE 架构、594B 总参数、17B 激活参数，支持图像输入与可变推理投入，Artificial Analysis 智能指数为 31；模型先以闭源方式在 Tinker 上提供，计划在外部安全测试与红队完成后于次周以 Apache 2.0 开放完整权重。
事件概述
2026 年 11 月 5 日，Thinking Machines Lab 在官方站点发布 Inkling 2 Small。官方称这是该公司的第二代模型，定位是在长周期自主任务上更强、同时便于在真实智能体循环中使用的基础模型。
发布节奏上，官方明确写了三步：第一步，模型先在 Tinker 上提供，权重闭源，沿用其“安全开放权重路径”的做法；第二步，完成外部安全测试与红队评估；第三步，计划在次周以 Apache 2.0 许可发布完整权重，checkpoints 随权重发布一并开放下载。官方同时说明，权重发布仍取决于其与合作伙伴的进一步安全评估结果。
关键信息
| 项目 | 官方公布内容 |
|---|---|
| 架构 | Mixture-of-Experts（MoE） |
| 参数规模 | 594B 总参数，17B 激活参数 |
| 输入模态 | 文本与图像 |
| 推理投入 | 支持 variable effort（可变推理投入） |
| 视觉编码器 | 292M 参数，基于 Perception Encoder；20×20 像素切块，2×2 空间池化 |
| Intelligence Index | Artificial Analysis Intelligence Index 31 |
| 首發渠道 | Tinker（闭源），可在 Tinker Playground 试用、微调与采样 |
| 权重计划 | 次周以 Apache 2.0 发布，checkpoints 同步开放 |
| 设计榜排名 | DesignArena Website 1340 分，位列第三 |
在 DesignArena 2026 年 11 月 5 日的 Website 榜单快照中，Inkling 2 Small 以 1340 分排第三，前两名是 Muse Wonder (max) 1366 分与 Muse Spark 1.3 1351 分，其后为 GPT-6 Astra (max) 1333 分、Kimi K3 1328 分、Claude Opus 5.5 1321 分。官方称，若权重按计划发布，它将成为 DesignArena 上排名最高的开放权重模型。
基准表现
官方公布了一组跨编码、视觉、知识工作与长文本的测试结果，并同时列出对比模型，用于说明相对位置。
| 基准 | Inkling 2 Small | 官方标注 |
|---|---|---|
| FrontierCode v2.0 | 25.4% | 该行第二高，最高为 DeepSeek-V4.1-Flash-1017 的 28.5% |
| DeepSWE v1.1 | 72.1% | 该行第二高，最高为 DeepSeek-V4.1-Flash-1017 的 77.0% |
| SWEBench Pro v2（Hard） | 86.3% | 该行第二高，最高为 Kimi K3 的 88.2% |
| Vibe Code Bench v1.1 | 81.6% | 低于 DeepSeek-V4.1-Flash-1017 的 87.7% 与 Kimi K3 的 85.0% |
| PostTrainBench v1.2 | 31.9% | 该行第二高，最高为 GLM-5.3-Flash 的 36.8% |
| Terminal Bench Science v0.1 | 5.7% | 低于 DeepSeek-V4.1-Flash-1017 的 12.9% 与 Kimi K3 的 8.1% |
| PMPP-Hard（69 任务，10 小时） | 54.25/69，AUC 494.27 | 低于 GPT-6 Astra 的 63/69、Kimi K3.1 Pro 的 60.5/69、Claude Opus 5.5 的 60/69 |
| Code Arena（WebDev） | 1653 | 该行第二高，最高为 DeepSeek-V4.1-Flash-1017 的 1665 |
| AA-3D | 1021 | 该行最高，其次为 Kimi K3 的 982 |
| AA-Briefcase v1.1 | 1527 | 该行第二高，最高为 DeepSeek-V4.1-Flash-1017 的 1570 |
| GDPVal-AA v2.1 | 1630 | 低于 DeepSeek-V4.1-Flash-1017 的 1746 |
| JobBench | 70.5% | 该行最高 |
| Vals Finance Index | 61.5% | 该行最高，其次为 DeepSeek-V4.1-Flash-1017 的 60.9% |
| HLE-Diamond | 28.7% | 该行最高 |
| AA-LCR v1.1 | 83.3% | 该行第二高，最高为 Kimi K3 的 88.7% |
| LongBench v2 | 70.6% | 该行最高 |
| AA-Omniscience v1.1 | 16.1 / 非幻觉率 73.3 | 得分低于 Muse Spark Open 的 25.8，非幻觉率高于其 72.0 |
视觉单项上，官方给出 ScreenSpot Pro 为 83.8%（调用 Python 后 91.5%）、CharXiv RQ 为 85.6%（调用 Python 后 87.7%）、Chartography 为 36.7%（调用 Python 后 80.4%）、MMMU Pro（Standard 10）为 81.6%、PerceptionBench 为 64.7%。官方称这些成绩在对应行中为最高或第二高。
自主研究演示
官方用一个端到端示例说明长周期自主能力：让 Inkling 2 Small 在 Tinker 上自主训练 Qwen3.5-4B 做时间序列预测，覆盖电力需求、风光发电、天气、空气质量与维基百科页面浏览量五类数据。
按照官方披露的过程记录，模型先自建评估脚本，再构造 12500 条训练样本，随后进行多轮监督微调，并尝试一次以任务得分为奖励的强化学习。强化学习阶段预测过度自信、得分从 26% 回落到 23%，模型自行终止该阶段；最终提交的是第四次监督微调得到的 checkpoint。
结果为：总耗时 4 小时 17 分，花费 426 美元，预算上限 500 美元；在未见过的 8 月至 9 月数据上，最终模型比基座模型的误差低约 15%。
安全评估与开放权重
官方称本次发布的安全评估覆盖面超过此前任何一次：除发布版 checkpoint 外，还训练了一个仅追求有用性的内部变体，两者都跑了更宽的评估集，并引入更多外部测试方。
公布数字包括：FORTRESS 平均风险分数（ARS，越低越好）16.2，过度拒答分数（ORS）20.4，DistressBench 82.0，StrongREJECT 97.1，PatchEval 79.6，Vals CyberBench 72.7。官方称在化学、生物、放射性、核（CBRN）方向，其知识与能力分数低于开放权重前沿；在攻击性与双用途智能体网络安全基准上较上一代明显提升，但仍落后于开放权重前沿。官方同时说明，模型在正常情绪支持场景中有时会过度附加免责声明。
关于权重发布，官方写明：Inkling 2 Small 的权重发布取决于其与合作伙伴的进一步安全评估；通过后按 Apache 2.0 发布，checkpoints 随权重开放。
行业影响
从公开信息看，这次发布同时给出两个信号。其一是能力位置：在编码类基准上 Inkling 2 Small 多数处于第二集团，落后于 DeepSeek-V4.1-Flash-1017 与 Kimi K3，但在知识工作与金融类基准上取得该行最高分，例如 JobBench 70.5%、Vals Finance Index 61.5%、LongBench v2 70.6%。其二是许可路径：如果次周按计划以 Apache 2.0 发布，开放权重阵营会多出一个 594B 总参数级别的模型，而当前这一量级的开放模型数量有限。
需要区分的是，“次周开放”是官方计划而非既成事实：官方把外部安全测试与红队作为前置条件，并保留了以评估结果调整时间的空间。这是本站对公告表述的解读。
另一个可观察点是可定制性。官方给出微调对比：在同一个公开金融文档摘要任务上，Inkling 2 Small 用 75 个训练步骤达到上一代 Inkling Small 的最终水平。对需要私有数据微调的企业客户，这决定了单位训练成本的可用区间。
官方来源
- Thinking Machines Lab：Introducing Inkling 2 Small（2026 年 11 月 5 日）