Inkling 2 Mini от Thinking Machines Lab умеет писать и проверять код, анализировать изображения и документы, выполнять задачи с подключёнными инструментами и работать на собственном компьютере. Модель с открытыми весами вышла 20 ноября 2026 года и рассчитана на разработчиков, создателей ИИ-помощников и тех, кому нужен локальный искусственный интеллект.

Inkling 2 Mini объединяет чат, анализ изображений и работу с инструментами
20 ноября 2026 года компания Thinking Machines Lab выпустила Inkling 2 Mini - мультимодальную языковую модель с открытыми весами и лицензией Apache 2.0. Ей можно отправлять текстовые запросы и изображения. На выходе она формирует текст: ответы, пояснения, программный код и инструкции для внешних программ.
Модель рассчитана на несколько типов задач. Она поддерживает обычную переписку, перевод и обработку текста, работу с программным кодом, анализ визуальных материалов, поиск информации через подключённые инструменты и выполнение последовательностей действий в составе ИИ-агента. Под агентом здесь понимается программа, которая получает цель, обращается к доступным функциям, проверяет промежуточные результаты и продолжает работу.
Например, Inkling 2 Mini можно подключить к помощнику для технической поддержки. Пользователь прикладывает скриншот ошибки и описывает проблему, модель изучает изображение и предлагает объяснение. При наличии интеграций такой помощник способен запросить документацию или состояние системы и использовать полученные сведения в ответе.
Основные характеристики модели:
| Параметр | Значение |
| Разработчик | Thinking Machines Lab |
| Дата релиза | 20 ноября 2026 года |
| Параметры | 26,4 млрд всего, 3,4 млрд активных |
| Архитектура | Mixture-of-Experts с повторным прохождением слоёв |
| Входные данные | Текст и изображения |
| Результат | Текст, включая программный код |
| Контекстное окно | До 1 млн токенов |
| Размер исходного комплекта весов | Около 20 ГБ |
| Лицензия | Apache 2.0 |
Контекстное окно определяет объём информации, который модель технически может учитывать в одном запросе или диалоге. Заявленный предел в миллион токенов открывает возможность работы с большими подборками документов и исходников. Фактическая доступность такого объёма зависит от программы запуска, настроек и памяти устройства; большой контекст сам по себе не гарантирует точного извлечения каждого факта.
Программирование и исправление ошибок входят в сильные стороны модели
Разработчики уделили особое внимание агентным задачам, где требуется несколько действий подряд. Inkling 2 Mini может разбирать существующий код, предлагать исправления, создавать функции, писать тесты и анализировать результаты их выполнения, если окружающая программа предоставляет доступ к файлам и командной строке.
Практический сценарий — поиск ошибки в веб-приложении. Агент получает сообщение об исключении, читает относящиеся к нему файлы, предлагает исправление и запускает тесты. На каждом этапе итог зависит от предоставленных инструментов и разрешений. Сама модель не получает автоматического доступа к компьютеру только потому, что пользователь написал запрос.
В опубликованных Thinking Machines Lab результатах тестирования Inkling 2 Mini получила 48,2% в DeepSWE v1.1 и 77,9% в SWE-bench Pro v2 Hard. Второй показатель относится к конкретной сложной выборке из 51 задачи. Такие оценки отражают выполнение определённых тестовых сценариев с выбранным агентным окружением и не означают, что модель исправит любой реальный проект с той же вероятностью.
Есть и наглядные демонстрации. Разработчики показали, как модель на MacBook Pro в автономном режиме создала работающий авиасимулятор. Команда Hugging Face опубликовала примеры генерации WebGL-сцен и анимированной страницы по изображению картины. Это примеры работы модели в конкретной программной среде, где она могла создавать и проверять код.
Внешний поиск помогает отвечать на вопросы об актуальных событиях
Inkling 2 Mini поддерживает вызов инструментов (tool calling). В такой схеме модель решает, какая функция нужна для задачи, формирует её аргументы, получает результат и продолжает ответ. Внешним инструментом может быть поисковая система, база данных, API погоды, корпоративная система или сервис для выполнения кода.
Допустим, пользователь спрашивает о последних изменениях в программной библиотеке. При подключённом веб-поиске агент может открыть официальную документацию и заметки к релизу, сопоставить версии и подготовить сводку со ссылками. Без поискового инструмента достоверность ответа зависит от знаний, усвоенных во время обучения модели.
В тестах с использованием поиска и внешних функций разработчики указали результаты 79,0% в BrowseComp, 85,3% в DeepSearchQA и 82,7% в MCP Atlas. Это показатели для соответствующих тестовых конфигураций. Они подтверждают перспективность модели в задачах с инструментами, но качество конкретного сервиса определяется и тем, насколько хорошо настроены поиск, источники и права доступа.
Другая область применения — автоматизация повторяющихся действий. Модель может классифицировать обращения, извлекать сведения из документов, составлять черновики ответов и передавать данные в другие системы. Выполнение операций, изменяющих записи или файлы, требует отдельной программной интеграции.
Анализ скриншотов и документов расширяет круг задач
Модель принимает изображения вместе с текстовыми вопросами. Например, можно передать скриншот панели управления и попросить описать видимые элементы, разобрать график, объяснить предупреждение интерфейса или извлечь содержание таблицы.
Разработчик рекомендует изображения с размерами каждой стороны примерно от 40 до 4096 пикселей. Обученная работать одновременно с текстом и визуальными данными модель может использовать оба источника в одном запросе. Это позволяет строить помощников для анализа интерфейсов, отчётов и технической документации.
В сравнительной таблице команды Thinking Machines Lab модель получила 92,8% в OmniDocBench v1.6 и 76,5% в ScreenSpot Pro без Python, а с Python — 87,7%. Эти цифры относятся к тестам понимания документов и визуального взаимодействия. При размытых изображениях, мелком тексте или сложной структуре страницы возможны ошибки. Генерация изображений и видео в качестве выходного результата в заявленные функции Inkling 2 Mini не входит.
Для локального запуска нужен запас оперативной или видеопамяти
Один из заметных аспектов релиза — возможность работать с моделью без постоянного подключения к облачному серверу. Thinking Machines Lab распространяет исходный комплект весов размером около 20 ГБ в форматах NVFP4 и MXFP8. Размер файла описывает хранилище весов: во время работы дополнительно расходуется память на вычисления и контекст.
Для Apple Silicon производитель указывает Mac с 32 ГБ объединённой памяти и более. Среди официально поддерживаемых вариантов также назван NVIDIA DGX Spark. Для других видеокарт разработчик рекомендует от 32 ГБ VRAM. При использовании сторонних квантованных сборок требования могут отличаться, но скорость и качество зависят от формата и конфигурации.
Для локального запуска доступны Ollama и Exo Labs на Apple Silicon, а также инструменты vLLM, SGLang, llama.cpp, Unsloth и другие совместимые системы. В каталоге Ollama опубликована команда запуска:
ollama run inkling-2-miniРаботоспособность команды зависит от установленной версии Ollama и совместимости устройства. Модель можно попробовать через Tinker Playground или подключить через API провайдера, если локальных вычислительных ресурсов недостаточно. Возможность полностью автономной работы относится к локально развёрнутой модели без подключённых сетевых инструментов.
Повторное прохождение слоёв помогает модели выполнять многошаговые рассуждения
Inkling 2 Mini использует архитектуру looped transformer. У неё 24 физических слоя, а 12 средних слоёв обрабатывают информацию трижды с повторным использованием тех же весов. В результате на один токен приходится 48 применений слоёв. Такой подход позволяет увеличить объём вычислений без пропорционального увеличения числа хранимых параметров.
В основе модели находится также Mixture-of-Experts — система отдельных вычислительных блоков, из которых для каждого токена выбираются подходящие. Всего у модели 26,4 млрд параметров; в одном проходе активируется около 3,4 млрд. С учётом повторения средних слоёв разработчик оценивает эффективное число активаций параметров на токен примерно в 5,4 млрд.
Повторные вычисления полезны для последовательных рассуждений и работы с длинным контекстом. Они увеличивают вычислительную нагрузку на токен. Поэтому число активных параметров нельзя напрямую переводить в ожидаемую скорость на конкретном компьютере.
Фактические знания и длинные диалоги остаются ограничениями
В документации Thinking Machines Lab отдельно предупреждает об ошибках в фактах, неточном соблюдении сложных инструкций и нестабильности в продолжительных разговорах. Inkling 2 Mini получила 50,0% в MultiChallenge и 33,4% в ComplexConstraints v1.1; по ряду таких сценариев она уступает другим небольшим моделям.
Для русскоязычного применения есть дополнительная неопределённость. Разработчик заявляет многоязычную поддержку, но допускает более низкое качество ответов за пределами английского языка. Отдельные проверенные результаты именно для русского языка в изученных официальных материалах не приведены.
При программировании модель иногда повторяет одни и те же проверки и затягивает решение. В агентном режиме она может неверно интерпретировать требования проекта, перезаписать или удалить файлы и некорректно описать результат своих действий. Эти риски особенно заметны при предоставлении доступа к файловой системе и командам оболочки. Для медицинских, юридических и других ответственных решений разработчик указывает необходимость предметной проверки и контроля человека.
Результаты бенчмарков также требуют контекста. Большая часть приведённых сравнений опубликована разработчиком при запуске модели и зависит от конкретных тестов, промптов и инструментов. Они полезны для понимания направления развития, но полноценная оценка качества в реальных приложениях требует дополнительных независимых проверок.
Источники
- Thinking Machines Lab — анонс Inkling 2 Mini
- Thinking Machines Lab — официальная карточка модели и ограничения
- Hugging Face — обзор архитектуры, тестов и интеграций
- Hugging Face — открытые веса Inkling 2 Mini
- Ollama — страница Inkling 2 Mini
Inkling 2 Mini делает локальные ИИ-агенты доступнее
Релиз 20 ноября 2026 года объединил в одной модели мультимодальные запросы, работу с инструментами, большой заявленный контекст и запуск на локальных вычислительных устройствах. Опубликованные тесты показывают сильные результаты в программировании и агентном поиске для модели такого размера. Открытыми остаются вопросы стабильности в крупных реальных проектах, качества на русском языке и скорости на различных пользовательских устройствах.