Inkling 2 Mini 在 100B 參數以下的開放模型中,於 agentic 程式開發測試拿下第一,採用 Apache 2.0 授權,並可在 32 GB 的 Mac 上執行。
- Thinking Machines 發表 Inkling 2 Mini,這是一款開放模型,每個 token 會將 24 層中的 12 層重複運算三次
- 總參數 26.4 B,每個 token 實際啟用 5.4 B,可處理文字與影像,脈絡長度達 100 萬個 token
- 在 100B 參數以下的開放模型中,agentic 程式開發表現居冠:DeepSWE v1.1 為 48.2%,Vals Index v2.2 為 46.5%
- 可在 32 GB 以上記憶體的 Mac 或 NVIDIA DGX Spark 上於本機執行,可從 Hugging Face 下載
文章目錄
Looped transformer 的運作方式
Thinking Machines 近日發表 Inkling 2 Mini,這是一款 looped transformer 模型,也就是讓部分層數針對每個 token 重複運算多次。在 Inkling 2 Mini 中,24 層裡有 12 層會連續跑三次。官方表示,這種做法能讓模型在內部多出一段推理時間,而不必額外輸出任何文字,因此用更少的 token 就能找到正確答案。
在架構方面,這是一款開放的混合專家(MoE)模型,總參數為 26.4 B。官方指出,由於採用這種層數迴圈的設計,每個 token 實際啟用的參數只有 5.4 B。模型可同時處理文字與影像,脈絡視窗長達 100 萬個 token,並採用 Apache 2.0 授權,使用者可以相當自由地下載與使用。
測試結果
在 agentic 程式開發方面,Inkling 2 Mini 位居 100B 參數以下開放模型之首,DeepSWE v1.1 得分為 48.2%,Vals Index v2.2 則為 46.5%。值得留意的是,這個成績出自一款離 100B 門檻還有相當距離的模型,因為它的總參數只有 26.4 B。

在 Artificial Analysis 的 Intelligence Index 上,Inkling 2 Mini 拿到 20 分,與 Qwen3.8 27B 相當,但成本約低六倍,速度則快四倍。這顯示讓模型重複運算部分層數,可能是不必堆高參數量、同樣能換取更好品質的做法。
本機執行與下載方式
在本機執行方面,Inkling 2 Mini 可在 32 GB 以上記憶體的 Mac 以及 NVIDIA DGX Spark 上運作。你可以從 Hugging Face 下載權重(weights),另有一個可調整迴圈次數的研究版本。若只想先看看模型能做什麼,也可以使用 Tinker Playground 上現成的版本。
Migovi 認為,Inkling 2 Mini 的價值在於它的方向,而不只是那些數字:讓一半的層數重複運算,使模型思考得更久,再用更少的 token 找出答案,這是一種不必靠龐大模型來換取品質提升的做法。不過,這些領先的分數才剛公布,還需要更多人在實際工作中試用,才能下定論。對越南使用者而言,這款採 Apache 2.0 授權、可在 32 GB Mac 上執行的開放模型,很值得想把程式開發助手直接放在自己電腦上的人嘗試;至於記憶體較少的機器,建議先等官方或社群公布最低配置需求,再決定是否下載。
審核人: Hero Association








