Artikel teilen

Inkling 2 Mini hat 26,4 Milliarden Parameter, belegt rund 20 Gigabyte und lief laut Thinking Machines offline auf einem MacBook Pro.[1] Das Modell rechnet die mittleren Schichten bei jedem Token dreimal durch und führt damit mehrere Coding-Tests unter den offenen Modellen mit weniger als 100 Milliarden Parametern an.[1]

Ein Klick · kostenlosDr. Web bei Google bevorzugenMarkieren Sie drweb.de als bevorzugte Quelle. Dann sehen Sie unsere Artikel öfter unter den Top-Meldungen.Jetzt hinzufügen
Inhalt 4 Abschnitte
  1. Was bringt die Schleife im Modell?
  2. Wie belastbar sind die Zahlen?
  3. Was heißt das für Betreiber in Deutschland?
  4. Mehr Newshunger?

Thinking Machines hat am 20. November das Sprachmodell Inkling 2 Mini mit offenen Gewichten unter Apache-2.0-Lizenz veröffentlicht.[2] Es folgt auf Inkling 2 Small, das zunächst nur über die Plattform Tinker lief.[1]

Auf einen Blick

Das Wichtigste in Kürze

  • Inkling 2 Mini hat 26,4 Milliarden Parameter, davon 3,4 Milliarden aktiv je Token, und läuft laut Modellkarte auf Apple-Rechnern ab 32 Gigabyte oder auf einem Nvidia DGX Spark.[2]
  • Bei DeepSWE und SWE-bench Pro führt das Modell nach Herstellerangaben die vergleichbar großen offenen Modelle an.[1]
  • Bei Anweisungen mit vielen Nebenbedingungen liegt es hinter Qwen3.8-27B.[1]
  • Mehr Rechenschritte verbessern das Schlussfolgern, nicht das gespeicherte Faktenwissen.[1]

Was bringt die Schleife im Modell?

Weißer Kreisel mit hellblauer Spirale und Etikett „3x“ vor grauem Hintergrund
Inkling 2 Mini nutzt Loop-Architektur: 12 der 24 Schichten laufen 3x pro Token, was 48 Durchläufe aus 24 Schichten ergibt und die Genauigkeit verbessert

Inkling 2 Mini ist ein Looped Transformer: Von 24 Schichten laufen die mittleren zwölf bei jedem Token dreimal, das ergibt 48 Schichtdurchläufe aus 24 gespeicherten Schichten.[1] Das Modell rechnet damit länger, ohne größer zu werden. Die mittleren Schichten tragen laut Thinking Machines die abstrakteren Denkschritte, und in 27 von 28 Auswertungen brachte ihre Wiederholung mehr Genauigkeit als die Wiederholung der letzten zwölf Schichten.[1]

Ein Modell ohne Schleife wäre im Training 7,5 Prozent billiger gewesen, braucht aber 140 Prozent mehr Rechenaufwand beim Einsatz, um denselben Trainingsfehler auf 512.000 Token langen Agenten-Verläufen zu erreichen.[1] Das Training kostet etwas mehr, dafür wird der laufende Betrieb deutlich günstiger.

Die geringe Größe stammt aus einem Beschnitt: Das Team entfernte mitten im Training zwei Drittel der Experten, von 384 blieben 128 je Schicht.[1] Anschließend trainierte das Team mit einer Billion Token aus einem größeren Inkling-Modell nach.[1]

Wie belastbar sind die Zahlen?

Alle Werte stammen vom Hersteller, und die Testaufbauten unterscheiden sich je Modell.[1] In DeepSWE v1.1 löst Inkling 2 Mini 48,2 Prozent der Aufgaben, Qwen3.8-27B kommt auf 42,2 Prozent, in SWE-bench Pro v2 Hard stehen 77,9 gegen 73,8 Prozent.[1] Im Terminal Bench 2.1 liegt Alibabas Qwen3.8-27B mit 73,0 zu 71,6 Prozent vorn.[1]

Schwächen nennt Thinking Machines selbst: Bei MultiChallenge erreicht das Modell 50,0 Prozent, bei ComplexConstraints 33,4 Prozent, beides hinter Qwen3.8-27B.[1] Die Nichthalluzinationsrate in AA-Omniscience beträgt 63,4 Prozent, bei Qwen3.8-27B sind es 71,4 Prozent.[1] Faktenwissen hängt laut Hersteller an der Gesamtzahl der Parameter, die Schleife ändert daran nichts. Das Modell gleicht das über Suche und Werkzeuge aus und führt bei BrowseComp, DeepSearchQA und MCP Atlas die offenen Modelle ähnlicher Größe an.[1]

Mehr interne Rechenschritte können die lesbare Argumentation (Chain of Thought) verkürzen. Bei der Forschungsvariante mit einstellbarer Schleife halbierte sich die Argumentation von 3.703 auf 1.661 Token, blieb aber lesbar.[1]

Inkling 2 Mini in Zahlen
Größe und Aufbau laut Thinking Machines
26,4 Mrd.
Parameter gesamt, davon 3,4 Milliarden je Token aktiv
20 GB
Speicherbedarf des Modells, lauffähig ab 32 Gigabyte Arbeitsspeicher
48 aus 24
Schichtdurchläufe je Token aus 24 gespeicherten Schichten
So rechnet ein Token durch das Modell
Block 1
Schichten 1 bis 6 laufen einmal
Block 2
Schichten 7 bis 12 laufen dreimal
Block 3
Schichten 13 bis 18 laufen dreimal
Block 4
Schichten 19 bis 24 laufen einmal

Ein Modell, das auf dem Laptop läuft, macht die Frage nach dem Datenabfluss zur Hardwarefrage.

Markus Seyfferth, Chefredakteur Dr. Web
Zitat teilen

Was heißt das für Betreiber in Deutschland?

Läuft das Modell auf eigener Hardware, fließen Quelltext und Prompts nicht an einen Cloud-Anbieter, damit entfällt für diesen Zweck auch der Auftragsverarbeitungsvertrag nach Artikel 28 DSGVO. Forscher des Hazy Research Lab in Stanford maßen auf einem DGX Spark 0,703 Punkte bei der Intelligenz pro Joule, Qwen3.6-35B-A3B erreichte 0,430.[1]

Entwickler testen das Modell zuerst an eigenen Aufgaben, weil die Rangfolge bei Anweisungen mit vielen Bedingungen kippt, und halten Qwen3.8-27B als Vergleich bereit. Neben Apache 2.0 verweist die Modellkarte auf eine Acceptable Use Policy, die Unternehmen vor dem Einsatz lesen.[2]

Quellen

2 Quellen anzeigenQuellen ausblenden
  1. Thinking Machines LabIntroducing Inkling 2 Mini20.11.2026
  2. Thinking Machines LabModellkarte Inkling 2 Mini auf Hugging Face

Mehr Newshunger?

4,6 14 Bewertungen

Wie hat Ihnen dieser Artikel gefallen?

Dr. Web Newsletter

Jede Woche ein bisschen klüger.

Der Dr. Web Newsletter: die besten Artikel, Anbieter-Tipps und neue Tools, kompakt zusammengefasst, jeden Donnerstag. Kostenlos und jederzeit abbestellbar.