Thinking Machines publica Inkling 2 Mini bajo Apache 2.0: un modelo de código de 26.000 millones de parámetros que cabe en 20 GB
Thinking Machines Lab publicó el 20 de noviembre Inkling 2 Mini, un modelo de pesos abiertos con licencia Apache 2.0: 26.400 millones de parámetros, un archivo de unos 20 GB que funciona en un Mac de 32 GB y capas centrales que se ejecutan tres veces por token. Frente a Qwen3.8-27B, gana en las pruebas de agentes de código publicadas por el laboratorio, pero queda por detrás en varias tareas de oficina y en fiabilidad factual.

Dos semanas después de Inkling 2 Small, un modelo de 594.000 millones de parámetros, Thinking Machines Lab publica el modelo más pequeño de su nueva generación. Inkling 2 Mini, anunciado el 20 de noviembre, está disponible con pesos abiertos bajo licencia Apache 2.0 en Hugging Face. Pesa unos 20 GB y funciona en un portátil. El laboratorio lo presenta como el mejor modelo abierto de menos de 100.000 millones de parámetros para la programación agéntica, es decir, cuando el modelo encadena acciones por su cuenta para modificar un repositorio de código.
Un modelo que repasa tres veces sus propias capas
La originalidad de Inkling 2 Mini es su arquitectura «en bucle». El modelo tiene 24 capas, pero las 12 capas centrales se ejecutan tres veces por cada token que produce, con los mismos pesos. Así realiza 48 pasadas de capa con los pesos de 24.
Las cifras de tamaño cambian según cómo se cuente:
| Inkling 2 Mini | Valor |
|---|---|
| Parámetros en total | 26.400 millones |
| Parámetros activos por token | 3.400 millones |
| Parámetros activos efectivos (tres pasadas) | 5.400 millones |
| Expertos | 8 de 128 por token |
| Tamaño del archivo | unos 20 GB (NVFP4, últimas capas en MXFP8) |
| Contexto | hasta 1 millón de tokens |
| Entradas / salidas | texto e imagen / texto |
Según el laboratorio, el bucle permite al modelo «razonar más tiempo sin escribir su razonamiento». Así llega a una respuesta mejor con menos tokens. La contrapartida, señalada en la ficha del modelo: el cálculo por token es mayor de lo que sugiere el número de parámetros activos.
Quién puede ejecutarlo
La ficha cita tres configuraciones: un NVIDIA DGX Spark, un Mac con chip de Apple y al menos 32 GB de memoria (MacBook, Mac mini o Mac Studio), u otra GPU, con al menos 32 GB de memoria de vídeo recomendados. El modelo ya es compatible con vLLM, SGLang, Ollama, Unsloth y, en versión comprimida GGUF, con llama.cpp. Los investigadores del laboratorio lo hicieron funcionar sin conexión, en un avión, en un MacBook Pro M5 Pro de 48 GB.
Para quien prefiera la API, Tinker cobra 0,15 dólares por millón de tokens de entrada (0,015 en caché), 0,50 de salida y 0,75 de entrenamiento. Es la mitad que Inkling 2 Small en la misma plataforma (0,30, 1,00 y 1,50 dólares).
Frente a Qwen3.8-27B: por delante en código, por detrás en lo demás
El competidor directo es Qwen3.8-27B de Alibaba, un modelo denso de 27.000 millones de parámetros. Esta es una selección de los resultados publicados por Thinking Machines:
| Prueba (cifras del laboratorio) | Inkling 2 Mini | Qwen3.8-27B |
|---|---|---|
| DeepSWE v1.1 (tareas de código resueltas) | 48,2% | 42,2% |
| SWE-bench Verified | 79,2% | 77,8% |
| SWE-bench Pro v2 (difícil) | 77,9% | 73,8% |
| Terminal Bench v2.1 | 71,6% | 73,0% |
| Índice Artificial Analysis v5.0 | 20,1 | 20,1 |
| GDPVal-AA v2.1 (tareas de oficina) | 1319 | 1427 |
| AutomationBench-AA | 41,8% | 48,2% |
| AA-Omniscience, tasa sin alucinación | 63,4% | 71,4% |
La tabla matiza el argumento del laboratorio. Inkling 2 Mini va por delante en la corrección de código, con 6 puntos de ventaja en DeepSWE. En cambio, está empatado en el índice general de Artificial Analysis y por detrás en varias tareas de oficina. También alucina más: la ficha admite que es «más propenso que los modelos grandes a afirmar con seguridad información incorrecta». El laboratorio reconoce otras debilidades: la conversación de varios turnos (50,0% en MultiChallenge) y la calidad fuera del inglés.
Una advertencia que hay que tomarse en serio
La ficha del modelo incluye una advertencia poco habitual. Cuando usa herramientas, Inkling 2 Mini puede borrar o sobrescribir archivos sin pedir confirmación, y no informar con exactitud de lo que ha hecho. También puede quedarse atascado en largos bucles de razonamiento, sobre todo al depurar. El laboratorio recomienda ejecutar los agentes en un entorno aislado, exigir confirmación antes de cualquier acción irreversible y limitar el número de tokens y de turnos.
En su prueba interna de «acciones destructivas», el laboratorio mide una tasa del 10,2% para Inkling 2 Mini, frente al 35,2% de Qwen3.8-27B (cuanto más baja, mejor). La puntuación es mejor que la del competidor, pero no es nula, y el método de esta prueba no se detalla.
El modelo se añadió el 20 de noviembre a la Agent Arena, la clasificación por votos de usuarios de Arena. Su puntuación aún no se había publicado el sábado por la mañana.
Nuestro análisis
Inkling 2 Mini es sobre todo una buena noticia para programar en local. Un modelo bajo Apache 2.0, utilizable comercialmente sin condiciones y que cabe en un Mac de 32 GB, encabeza ahora las pruebas de agentes de código publicadas para su categoría, a falta de mediciones independientes. Para un uso general, Qwen3.8-27B sigue siendo al menos igual de sólido, y más fiable en los hechos. La arquitectura en bucle es la otra cuestión: el laboratorio publica una variante de investigación para estudiar un modelo que calcula más sin escribirlo, lo que dificulta la supervisión de su razonamiento. Por último, la advertencia sobre el borrado de archivos no es un trámite. Conectado a un repositorio sin entorno aislado ni copia de seguridad, un agente que borra un archivo por error puede causar daños reales.
Fuentes
- Thinking Machines Lab — Introducing Inkling 2 Mini (20 de noviembre de 2026) Fuente primaria
- Hugging Face — ficha del modelo thinkingmachines/Inkling-2-Mini Fuente primaria
- Tinker — Models & Pricing Fuente primaria
- Arena (X) — Inkling 2 Mini añadido a la Agent Arena (20 de noviembre de 2026) Fuente primaria
Una fuente primaria procede directamente de la empresa, el laboratorio o la organización implicados. Una fuente secundaria recoge la información sin ser su autora: la señalamos como tal. ¿Has visto un error? Consulta nuestra política de correcciones.


