Inkling 2 Small: il modello open‑weight più potente dell’Occidente raggiunge Gemini 3.8 Flash

Una nuova generazione di modelli open‑weight

Thinking Machines, lo start‑up fondato dall’ex CTO di OpenAI Mira Murati, ha presentato Inkling 2 Small, la seconda generazione della sua famiglia di modelli Mixture‑of‑Experts (MoE). Con 594 miliardi di parametri totali e 17 miliardi di parametri attivi per ogni inferenza, il modello si propone come il più potente modello open‑weight sviluppato in Occidente.

Inkling 2 Small è stato progettato come basismodello per il fine‑tuning, rendendolo particolarmente adatto a applicazioni specializzate che richiedono un adattamento rapido a domini specifici.

Caratteristiche tecniche principali

• Tipo: Mixture‑of‑Experts (MoE)
• Parametri totali: 594 miliardi
• Parametri attivi simultanei: 17 miliardi
• Input supportati: testo e immagini
• Den­ta‑di‑pensiero regolabile: scelta tra velocità e accuratezza

Performance sul Artificial Analysis Intelligence Index

Secondo il Artificial Analysis Intelligence Index, Inkling 2 Small ottiene un punteggio di 31, cioè 18 punti più alto rispetto al precedente Inkling Small (13). Questo risultato è comparabile al livello di Google Gemini 3.8 Flash, posizionando Inkling 2 Small tra i modelli più avanzati attualmente disponibili.

I miglioramenti più evidenti si riscontrano nei compiti agentici, dove il modello esegue autonomamente flussi di lavoro multi‑step. Su benchmark specifici:

• AutomationBench‑AA: da 5 % a 46 % di successo
• FrontierCode 2.0: da 5 % a 25 % di successo
• AA‑Briefcase (benchmark di conoscenza lavorativa): 1 527 Elo, +615 punti rispetto al predecessore

La tasso di allucinazione diminuisce dal 61 % al 27 %, sebbene la percentuale di risposte fornite scenda dal 77 % al 53 %, indicando una maggiore cautela del modello nel generare risposte non verificabili.

Costi e consumo di token

Il salto qualitativo comporta un aumento del consumo di token. Inkling 2 Small genera in media circa 150 000 token di output per compito, quattro volte più del modello precedente, e costa 1,18 USD per task, quasi sei volte il prezzo del suo predecessore.

Nonostante il costo più elevato, Inkling 2 Small rimane più economico di modelli di punta come:

• Google Gemini 3.8 Flash: 7,77 USD per task
• Claude Sonnet 5.5: 10,02 USD per task

Questa posizione lo colloca nella fascia “costo contenuto – alta intelligenza”, in concorrenza con i modelli cinesi più economici.

Risultati su benchmark di coding e ragionamento

Il modello è stato addestrato con Reinforcement Learning su centinaia di migliaia di compiti di coding a lungo termine. Un meccanismo di valutazione agentico ha verificato sia la correttezza del codice sia l’approccio adottato dal modello.

Le performance su benchmark di programmazione includono:

• FrontierCode 2.0: 25,4 % di successo
• DeepSWE v1.1: 72,1 % di successo
• SWEBench Pro v2 (Hard): 86,3 % di successo

Modelli concorrenti come DeepSeek‑V4.1‑Flash mantengono un vantaggio in alcuni test (ad es. 28,5 % su FrontierCode), mentre Kimi K3.1 non è stato incluso nella comparazione.

Capacità multimodali e visual reasoning

Inkling 2 Small eccelle nella elaborazione di immagini e nel visual reasoning. I risultati più significativi sono:

• GDP.pdf (benchmark su PDF complessi): 25,2 % di correttezza – il valore più alto tra i modelli confrontati
• MMMU Pro (comprensione multimodale di diagrammi accademici): 81,6 % di punteggio
• PerceptionBench (valutazione della percezione visiva): 64,7 % di punteggio, posizionandosi al top
• DesignArena Website (valutazione di design di siti web generati): Elo 1 340, record tra i modelli open‑weight

Un esempio curioso: in una dimostrazione di degustazione di vini, Inkling 2 Small ha identificato correttamente tre vini su venti foto in 19 casi, superando i ricercatori del team.

Efficienza dell’addestramento e disponibilità

Il processo di addestramento è stato estremamente compatto. In totale, il modello ha elaborato circa 12 billion token, molto meno rispetto ai concorrenti di pari dimensioni. La fase di Reinforcement Learning ha richiesto 3 billion token, eseguiti su 2 048 GPU per nove giorni.

Attualmente Inkling 2 Small è disponibile in forma proprietaria tramite la piattaforma interna Tinker. Dopo il completamento di test di sicurezza esterni, i pesi saranno rilasciati sotto licenza Apache‑2.0, una delle licenze open‑source più permissive, differenziandosi dalle licenze più restrittive adottate da Meta o Mistral.

Limiti riconosciuti dal team

Thinking Machines ha evidenziato alcune debolezze del modello:

• Comunicazione talvolta inefficiente, soprattutto con grandi codebase
• Scelta non sempre ottimale degli strumenti di sviluppo
• Assenza di supporto audio
• Ottimizzazione non specifica per applicazioni di chat
• Propensione a reazioni eccessive su temi sanitari e a risposte poco strutturate

Questi punti indicano aree di miglioramento per le future versioni della famiglia Inkling.

Prospettive future

Inkling 2 Small rappresenta il primo passo di una famiglia di modelli di diverse dimensioni. Thinking Machines prevede il lancio di ulteriori varianti, ampliando l’offerta sia in termini di capacità che di costi operativi.

Con la combinazione di prestazioni comparabili a Gemini 3.8 Flash, costi più contenuti e licenza Apache‑2.0, Inkling 2 Small potrebbe diventare un punto di riferimento per ricercatori e sviluppatori che cercano un modello potente, personalizzabile e più accessibile rispetto ai grandi modelli proprietari.