要点
Thinking Machines Lab は 2026 年 11 月 5 日、第 2 世代モデル Inkling 2 Small を発表した。Mixture-of-Experts 構成で総パラメータ 594B、活性パラメータ 17B、画像入力と可変推論投入に対応し、Artificial Analysis の Intelligence Index は 31。まず Tinker 上で閉じた重みとして提供し、外部の安全テストとレッドチーミングの完了後、翌週に Apache 2.0 で完全な重みを公開する計画を示した。
出来事の概要
2026 年 11 月 5 日、Thinking Machines Lab は公式サイトで Inkling 2 Small を公開した。同社はこれを第 2 世代モデルと位置づけ、長い時間軸の自律作業でより強く、実際のエージェントループで扱いやすい基盤モデルだと説明している。
公開の手順は 3 段階で明記されている。第一に、これまでの「安全な重み公開への道筋」に沿って、Tinker 上で閉じた重みとして提供する。第二に、外部の安全テストとレッドチーミングを完了する。第三に、翌週に Apache 2.0 ライセンスで完全な重みを公開し、チェックポイントも同時にダウンロード可能にする。重みの公開は、同社とパートナーによる追加の安全評価の結果に左右されるとも記している。
主要な情報
| 項目 | 公式発表 |
|---|---|
| アーキテクチャ | Mixture-of-Experts（MoE） |
| パラメータ | 総計 594B、活性 17B |
| 入力 | テキストと画像 |
| 推論投入 | variable effort（可変）に対応 |
| 視覚エンコーダ | Perception Encoder ベースの 292M パラメータ、20×20 ピクセルパッチ、2×2 空間プーリング |
| Intelligence Index | Artificial Analysis Intelligence Index 31 |
| 初期提供 | Tinker（閉じた重み）。Tinker Playground で試用、微調整、サンプリングが可能 |
| 重み計画 | 翌週に Apache 2.0 で公開、チェックポイントも同時公開 |
| 設計榜 | DesignArena Website 1,340 で 3 位 |
DesignArena の 2026 年 11 月 5 日の Website 榜スナップショットでは、Inkling 2 Small は 1,340 で 3 位。上位は Muse Wonder (max) 1,366、Muse Spark 1.3 1,351、以下は GPT-6 Astra (max) 1,333、Kimi K3 1,328、Claude Opus 5.5 1,321 となる。同社は、重みが予定通り公開されれば DesignArena で最も上位のオープンウェイトモデルになると述べている。
ベンチマーク結果
同社はコード、視覚、知識作業、長文推論にわたる結果を、比較モデルと並べて公開した。
| ベンチマーク | Inkling 2 Small | 公式の注記 |
|---|---|---|
| FrontierCode v2.0 | 25.4% | 行内 2 位。最高は DeepSeek-V4.1-Flash-1017 の 28.5% |
| DeepSWE v1.1 | 72.1% | 行内 2 位。最高は DeepSeek-V4.1-Flash-1017 の 77.0% |
| SWEBench Pro v2（Hard） | 86.3% | 行内 2 位。最高は Kimi K3 の 88.2% |
| Vibe Code Bench v1.1 | 81.6% | DeepSeek-V4.1-Flash-1017 の 87.7%、Kimi K3 の 85.0% を下回る |
| PostTrainBench v1.2 | 31.9% | 行内 2 位。最高は GLM-5.3-Flash の 36.8% |
| Terminal Bench Science v0.1 | 5.7% | DeepSeek-V4.1-Flash-1017 の 12.9%、Kimi K3 の 8.1% を下回る |
| PMPP-Hard（69 タスク、10 時間） | 54.25/69、AUC 494.27 | GPT-6 Astra の 63/69、Kimi K3.1 Pro の 60.5/69、Claude Opus 5.5 の 60/69 を下回る |
| Code Arena（WebDev） | 1,653 | 行内 2 位。最高は DeepSeek-V4.1-Flash-1017 の 1,665 |
| AA-3D | 1,021 | 行内最高。次は Kimi K3 の 982 |
| AA-Briefcase v1.1 | 1,527 | 行内 2 位。最高は DeepSeek-V4.1-Flash-1017 の 1,570 |
| GDPVal-AA v2.1 | 1,630 | DeepSeek-V4.1-Flash-1017 の 1,746 を下回る |
| JobBench | 70.5% | 行内最高 |
| Vals Finance Index | 61.5% | 行内最高。次は DeepSeek-V4.1-Flash-1017 の 60.9% |
| HLE-Diamond | 28.7% | 行内最高 |
| AA-LCR v1.1 | 83.3% | 行内 2 位。最高は Kimi K3 の 88.7% |
| LongBench v2 | 70.6% | 行内最高 |
| AA-Omniscience v1.1 | 16.1 / 非幻覚率 73.3 | 得点は Muse Spark Open の 25.8 を下回り、非幻覚率はその 72.0 を上回る |
視覚の個別項目では、ScreenSpot Pro 83.8%（Python 使用時 91.5%）、CharXiv RQ 85.6%（同 87.7%）、Chartography 36.7%（同 80.4%）、MMMU Pro（Standard 10）81.6%、PerceptionBench 64.7% を公表し、それぞれ行内で最高または 2 位だとしている。
自律研究のデモ
同社は長い時間軸の自律性を示す端から端までの例として、Inkling 2 Small が Tinker 上で Qwen3.5-4B を自律的に訓練し、電力需要、風力・太陽光発電、天気、大気質、Wikipedia のページ閲覧数という 5 種類の時系列を予測する様子を公開した。
公開された記録によれば、モデルはまず評価スクリプトを自作し、12,500 件の訓練ウィンドウを構築、複数回の教師あり微調整を行い、タスク得点を報酬とする強化学習を 1 回試した。強化学習では予測が過信になり得点が 26% から 23% へ下がったため、モデルは自らその実行を停止し、4 回目の教師あり微調整のチェックポイントを提出した。
結果は、所要時間 4 時間 17 分、費用 426 ドル（予算上限 500 ドル）。未見の 8 月から 9 月のデータで、最終モデルは基盤モデルより約 15% 誤差を減らした。
安全評価と重み公開
同社は今回の安全評価が過去より広い範囲を覆ったと説明する。公開版チェックポイントに加え、有用性のみを追求する内部変体も訓練し、双方をより広い評価セットに通し、外部テスターも増やした。
公表値には、FORTRESS の平均リスクスコア（ARS、低いほど良い）16.2、過剰拒否スコア（ORS）20.4、DistressBench 82.0、StrongREJECT 97.1、PatchEval 79.6、Vals CyberBench 72.7 が含まれる。化学・生物・放射性・核（CBRN）では知識と能力のスコアがオープンウェイトの最前線を下回り、攻撃的・両用のエージェント型サイバー基準では前世代より大きく向上したがオープンウェイトの最前線には届かないとしている。通常の情緒支援の問いで過剰に免責事項を付すことがあるとも記した。
重みについては、同社とパートナーによる追加の安全評価を前提とし、通過後に Apache 2.0 で公開、チェックポイントも同時に開放すると明記している。
業界への影響
公開資料からは二つの信号が読み取れる。第一は能力の位置で、コード系では Inkling 2 Small は多くが 2 番手グループに入り DeepSeek-V4.1-Flash-1017 と Kimi K3 に後れ、知識作業と金融系では行内最高を取る。JobBench 70.5%、Vals Finance Index 61.5%、LongBench v2 70.6% がその例だ。第二はライセンスで、翌週に予定通り Apache 2.0 で出れば、オープンウェイト陣営に総パラメータ 594B 規模のモデルが加わる。この規模のオープンモデルは現在少ない。
区別すべき点は、「翌週」が計画であって既成事実ではないことだ。同社は外部の安全テストとレッドチーミングを前提条件とし、結果に応じて時期を調整する余地を残している。これは本サイトによる発表文の解釈である。
もう一つの観測点はカスタマイズ性だ。同じ公開の金融文書要約タスクで、Inkling 2 Small は 75 ステップで前世代 Inkling Small の最終性能に達したと公表している。私有データで微調整する企業にとって、1 回あたりの訓練コストの現実的な範囲を決める数字になる。
公式ソース
- Thinking Machines Lab：Introducing Inkling 2 Small（2026 年 11 月 5 日）