Nota: Este artículo fue traducido automáticamente con OpenAI gpt-6.1-sol mediante Codex CLI; la calidad puede verse degradada, especialmente en la terminología técnica.
Lanzamientos
¿Vale la pena Inkling 2 Small?
Thinking Machines, la startup de la excofundadora de OpenAI Mira Murati, ha mantenido un perfil relativamente discreto, con el lanzamiento de su plataforma gestionada de entrenamiento de LLM Tinker y del poco destacado LLM Inkling 1. Pero con el lanzamiento de Inkling 2 Small, parece que busca consolidarse como un laboratorio de vanguardia serio.
Para empezar, llamar «pequeño» a este modelo es un tanto engañoso, ya que tiene casi 600 mil millones de parámetros y necesitará más de 300 GB de memoria de GPU para ejecutarse. En los primeros años de este campo, los modelos pequeños tenían <10 mil millones de parámetros; los grandes, >100 mil millones; y los medianos quedaban entre ambos. Ahora nadie (salvo Qwen y Liquid AI) crea modelos de menos de 100 mil millones de parámetros, y cualquier modelo de menos de un billón de parámetros es «pequeño», pero me estoy desviando del tema.
Inkling 2 Small busca encajar en la categoría de modelos rápidos, baratos y buenos, junto con DeepSeek V4.1 Flash 1017, GLM 5.3 Flash, GPT 6 Luna y Haiku 5.5.
Sin duda está un poco por detrás de Haiku y DeepSeek en programación, pero aun así se defiende bien y la diferencia no es tan grande.
Sin embargo, destaca en la mayoría de las demás categorías, con buenos resultados en pruebas financieras y jurídicas, comprensión de imágenes y también diseño, donde figura entre los mejores modelos de Design Arena.
Las capacidades de diseño del modelo provienen de un entrenamiento con buen gusto. Normalmente se considera que entrenar con más tokens es mejor, pero Thinking Machines ha tomado el camino contrario: ha usado una cuarta parte de los tokens durante el preentrenamiento en comparación con el modelo Inkling original (12 billones frente a 45 billones). También se ha centrado en la calidad de sus entornos sintéticos, en lugar de limitarse a la cantidad, tomando ideas de Frontier Code, como evaluar la forma en que el modelo abordaba el problema (y no solo si su código superaba las pruebas). Este entrenamiento también ha hecho que el modelo se adapte mejor al ajuste fino, algo que al Inkling original le costaba.
Esto apunta a una dirección interesante en la que más datos no significa mejores resultados, lo que contradice las ideas de los investigadores obsesionados con el escalado tradicional.
Inkling 2 Small se publicará como código abierto con una licencia Apache 2 en algún momento de la próxima semana. Durante el último año he dicho que el título de «mejor modelo estadounidense de código abierto» es un premio un tanto vacío, dada la baja calidad de los modelos que han salido de Estados Unidos. Pero Thinking Machines parece estar cambiando esa percepción y se perfila como un competidor serio en el ámbito del código abierto. Sin duda iré usando Inkling 2 durante las próximas semanas, y espero con interés los futuros lanzamientos de Thinking Machines (¿quizá de mayor tamaño?).
Para terminar
Espero que hayas disfrutado de las noticias de esta semana. Si quieres recibirlas cada semana, no olvides suscribirte a nuestra lista de correo a continuación.