HaiAI123

全球AI工具精選導航

發酵中行業動態
↑ 19%

Thinking Machines Lab 開源 Inkling 2 Mini,模型卡推薦 32GB 記憶體

2026/11/21 — 11/22 09:13·10 個來源(全部)·18 篇報道(全部)·入選 11-22 日報·入選 11-21 日報

核心速覽 (Key Takeaways)

  • Thinking Machines Lab 於 11 月 20 日以 Apache 2.0 許可開源多模態模型 Inkling 2 Mini,總引數 26.4B,採用迴圈 Transformer 結構,權重約 20GB,可本地執行。
  • 官方稱筆記本可跑,演示使用 48GB 記憶體的 MacBook Pro,模型卡推薦 32GB 及以上記憶體的 Apple silicon,其它 GPU 建議 32GB 及以上視訊記憶體。
  • 啟用引數各信源說法不一:Artificial Analysis 稱約 5.4B,TestingCatalog 與智東西稱 3.4B。

事件背景與詳細解讀

Thinking Machines Lab 於 2026 年 11 月 20 日釋出開源權重模型 Inkling 2 Mini,官方稱這是一款速度快、可在筆記本上執行的迴圈 Transformer,權重約 20GB,並同時放出一款可變迴圈的研究版本。隨後訊息在 11 月 21 日經多家賬號與媒體擴散:TestingCatalog 轉述其總引數 26.4B、啟用引數 3.4B,並因 looping 設計每 token 有 5.4B 權重啟用;Artificial Analysis 給出的口徑為 26B 總引數、5.4B 啟用引數的 MoE,在 Intelligence Index 上得分 20。

在效能與成本上,Artificial Analysis 稱該模型與 Qwen3.8 27B(xhigh)和 Nanbeige4.3-33B 在 Intelligence Index 上持平,啟用引數分別少約 5 倍和 6 倍,同時以約 38% 更多的輸出 token、約 2.8 倍更少的算力達到同等得分,其 24 層中有 12 層對每個 token 執行三次,平均每個任務輸出約 152K token;單個 Intelligence Index 任務花費 0.59 美元、用時 9.0 分鐘,而 Qwen3.8 27B 為 3.53 美元和 38.2 分鐘,成本按 Thinking Machines 一方定價計算。官方稱其在 DeepSWE v1.1 上以 48.2% 領先 100B 引數以下的開源模型,另有報道稱其在 SWE-bench Verified 上得分 79.2%,模型支援最長 1M token 上下文、文本與影像輸入,並具備 2.6 trillion 訓練 token。

在釋出與執行配置上,各報道存在分歧:TestingCatalog 稱其佔用約 20GB、在 AA Index 上得分 20.1;DEV Community 的一篇拆解寫成 43 億引數、14 層注意力重複執行 22 次,另一篇則與主流口徑一致,稱 12 個獨立層迴圈複用三次形成 36 層等效深度。

AI 綜合 18 篇報道生成 · 更新於 2 小時前

最新進展掘金一篇實測解析介紹了 Inkling 2 Mini,該 26.4B 引數模型將中間層迴圈執行 3 遍,從而能塞進 20GB 記憶體的筆記本。文章從原生代碼模型場景出發,討論小引數模型在多檔案修改和智慧體任務中推理鏈條易斷的問題。

相關 AI 工具

updream
24 小時熱度熱度指數 596 · 峰值 681 · 10 小時前
24 小時前現在

這件事的報道 點標題看原文

今天
  1. 掘金一篇實測解析介紹了 Inkling 2 Mini,該 26.4B 引數模型將中間層迴圈執行 3 遍,從而能塞進 20GB 記憶體的筆記本。文章從原生代碼模型場景出發,討論小引數模型在多檔案修改和智慧體任務中推理鏈條易斷的問題。

    看小模型如何用迴圈中間層換本地可跑

    掘金AI 評分 58
昨天
  1. Thinking Machines Lab 釋出開源權重模型 Inkling 2 Mini,整模約佔 20GB 記憶體,可在筆記本上離線執行;官方稱其在 DeepSWE 等編碼基準上領先所有 1000 億引數以下的開源權重模型。它的做法是迴圈:中間層每生成一個 token 跑三次,模型為 MoE,總引數 26.4B、每 token 啟用 3.4B。

    開源權重模型開始能在筆記本上跑出編碼能力,值得關注其迴圈結構

    The Next WebAI 評分 54
  2. 據 MarkTechPost 報道,Thinking Machines 釋出 Inkling 2 Mini,這是一個 26.4B 引數的迴圈 MoE Transformer,啟用引數 3.4B,可在 32GB Mac 或單臺 DGX Spark 上執行,在 SWE-bench Verified 上得分 79.2%。

    小記憶體本地就能跑 26B 模型,引數和 SWE-bench 成績值得對照

    MarkTechPostAI 評分 64
  3. Thinking Machines 釋出了開放模型 Inkling 2 Mini,它採用迴圈 Transformer 結構,每生成一個 token 時讓 24 層中的 12 層重複計算三次,從而在不額外輸出文字的情況下延長內部推理。據 The Decoder 報道,它在 Artificial Analysis 智慧指數上與 Qwen3.8 27B 持平,成本約為後者的六分之一。

    小模型用迴圈計算換取推理深度的新路子

    The DecoderAI 評分 59
  4. Thinking Machines Lab 於 11 月 20 日以 Apache 2.0 許可釋出多模態模型 Inkling 2 Mini,總引數 26.4B、啟用引數約 3.4B–5.4B,支援最長 1M 上下文,主打在筆記本和本地 GPU 上執行。這篇工程拆解梳理了它的迴圈 MoE 架構、官方 API 價格,以及上線初期 vLLM 部署需要留意的核心相容問題。

    快速瞭解新開源模型的規格與部署門檻

    DEV Community · AIAI 評分 59
  5. Thinking Machines Lab 於 11 月 20 日釋出開源權重模型 Inkling 2 Mini,官方部落格稱可在筆記本上執行,權重大約 20GB,演示用的是 48GB 記憶體的 MacBook Pro。模型卡推薦 32GB 及以上記憶體的 Apple silicon,其它 GPU 建議 32GB 及以上視訊記憶體。

    看本地跑這個開源模型到底要多少記憶體

    V2EXAI 評分 52
  6. 據智東西 報道,由前 OpenAI CTO 米拉·穆拉蒂聯合創辦的 Thinking Machines Lab 推出 27B 混合專家模型 Inkling 2 Mini,啟用引數 3.4B,總記憶體佔用約 20GB,可在消費級筆記本本地執行。該模型採用迴圈 Transformer 機制,讓模型思考更多、輸出更少,研究人員曾在 MacBook Pro 上離線執行,並在幾分鐘內構建出可玩的飛行模擬器,其在 DeepSWE v1.1 上得分 48.2%。

    小體積迴圈模型讓本地執行 Agent 更現實。

    智东西AI 評分 74
  7. Thinking Machines Lab 釋出開源權重模型 Inkling 2 Mini,引數規模 26.4 億,採用 Apache 2.0 許可,體積約 20GB,可在筆記本上離線執行。此前兩週推出的 Inkling 2 Small 引數達 5940 億,普通裝置難以執行。該文作者稱尚未親自實測。

    想在本地跑開源模型的人多了一個小體積選項

    DEV Community · AIAI 評分 68
  8. Thinking Machines Lab 於 11 月 20 日釋出開源權重模型 Inkling 2 Mini,總引數 26.4B、每 token 啟用 3.4B,12 個獨立層迴圈複用三次形成 36 層等效深度,權重以 Apache 2.0 許可釋出在 Hugging Face。該模型支援文本與影像、上下文最長 1M tokens,20 GB 記憶體即可執行,實驗室稱其在 DeepSWE v1.1 上以 48.2% 領先 100B 引數以下的開源模型。

    想在本地跑多模態開源模型的可關注

    DEV Community · AIAI 評分 59
  9. Thinking Machines Lab 釋出開源權重模型 Inkling 2 Mini,43 億引數,採用迴圈 Transformer 架構,14 層注意力重複執行 22 次,可在筆記本上執行。模型以 Apache-2.0 許可在 Hugging Face 公開權重、模型卡與推理程式碼,支援 100 萬 token 上下文,在 Tinker 上每百萬輸入 token 收費 0.15 美元。

    小模型配新架構,筆記本即可承載 Agent 與編碼任務。

    DEV Community · AIAI 評分 64
  10. 據 Artificial Analysis 稱,Thinking Machines 已釋出開放權重的 Inkling 2 Mini,其 5.4B 啟用引數在 Intelligence Index 上得分 20,與 Qwen3.8 27B(xhigh)持平,啟用引數約少 5 倍。該模型採用 looped transformer 結構。

    小啟用引數追上大模型的最新第三方證據

    TechmemeAI 評分 53
  11. Thinking Machines Lab 釋出開源權重模型 Inkling 2 Mini,這是一個 26.4B 總引數、3.4B 啟用的迴圈 Transformer,佔用約 20GB,可在筆記本上執行,在 AA Index 上得分 20.1。權重已上傳 Hugging Face,並在 Tinker 提供推理與微調,SGLang、vLLM、Ollama 等首日支援。

    26B 開源權重,筆記本可跑的 Agent 模型

    TestingCatalogAI 評分 65
  12. Thinking Machines Lab 釋出開放權重模型 Inkling 2 Mini,引數規模 26.4B,通過對中間層在每個 token 上迴圈三次,用更少的 token 換取更強的推理。官方稱它速度很快,同時小到可以在筆記本上執行。

    小體積開源模型的新架構思路值得關注

    TechmemeAI 評分 67
  13. Artificial Analysis 資料顯示,Inkling 2 Mini 完成一個 Intelligence Index 任務花費 0.59 美元、用時 9.0 分鐘,Qwen3.8 27B 為 3.53 美元和 38.2 分鐘,即約便宜 6 倍、快 4 倍。成本按 Thinking Machines 一方定價計算;GPT-6 Luna (max) 得 28 分,單任務 0.15 美元。

    用單任務價格和耗時直觀對比兩個模型的執行成本。

    X:Artificial Analysis (@artificialanlys)官方AI 評分 50
  14. Artificial Analysis 指出,在 Intelligence Index 得分相同時,Inkling 2 Mini 的輸出 token 比 Qwen3.8 27B 多約 38%,但算力少約 2.8 倍。其 24 層中有 12 層對每個 token 執行三次,在不增加輸出 token 的情況下增加算力,平均每個任務輸出約 152K token。

    想看 looped 架構如何在 token 與算力之間取捨的人可以關注。

    X:Artificial Analysis (@artificialanlys)官方AI 評分 42
  15. Artificial Analysis 稱,Inkling 2 Mini 在 Intelligence Index 上與 Qwen3.8 27B(xhigh)和 Nanbeige4.3-33B 持平,啟用引數分別少約 5 倍和 6 倍。該模型在總引數和啟用引數兩個維度上都處在智慧與規模的帕累托前沿。

    用引數效率角度看新模型的競爭力在哪。

    X:Artificial Analysis (@artificialanlys)官方AI 評分 48
  16. Thinking Machines 釋出開放權重的 looped transformer 模型 Inkling 2 Mini,為 26B 總引數、5.4B 啟用引數的 MoE。據 Artificial Analysis,它在 Intelligence Index 上得 20 分,並處在智慧與啟用引數的帕累托前沿上。

    開放權重新模型釋出,可評估是否值得下載或接入。

    X:Artificial Analysis (@artificialanlys)官方AI 評分 65
  17. 據 TestingCatalog 轉述,Thinking Machines 公佈了新的開放權重模型 Inkling 2 Mini,為 26.4B 總引數、3.4B 啟用引數的 MoE,並因 looping 設計每 token 有 5.4B 權重啟用。該賬號稱其在多項對比中領先。

    快速瞭解新開源模型的引數與架構設定。

    X:TestingCatalog (@testingcatalog)AI 評分 56

同時在說的其他事

熱度怎麼算的?瞭解口徑

熱度按 48 小時內有多少個獨立來源在說這件事算:同一個來源發多條只算一次,並按 24 小時半衰期衰減,所以排前面的是很多人在說的事。

本頁彙總公開訂閱源,標題與摘要由模型整理,版權歸原作者所有;重要資訊請回原文核對。如權利人認為相關標題或摘要侵權,請通過頁尾聯絡郵箱提供具體頁面與權利依據,我們核實後會及時刪除或替換。

爆
討論快速增加
新
首報 6 小時內
發酵中
討論仍在增加

回 AI 行業動態榜 →