Inkling 2: MoE de 594B com 17B ativos. Como é possível?

INKLING 2 SMALL: A NOVA IA GIGANTE QUE PENSA E VÊ! Descubra o que o modelo da Thinking Machines Lab pode fazer!

Olá, pessoal! Aqui é o Lucas Tech, e hoje a gente vai mergulhar em uma novidade que tá fazendo a cabeça da galera no mundo da inteligência artificial: o lançamento do Inkling 2 Small pela Thinking Machines Lab. Preparem-se, porque esse modelo não é só mais um na multidão; ele é a primeira estrela de uma nova geração que promete revolucionar como a IA interage com o mundo!

O Que é o Inkling 2 Small, Afinal?

Pra começar, pensa num time de especialistas superinteligentes. O Inkling 2 Small é basicamente isso, um modelo Mixture-of-Experts (MoE) esparso. O que isso significa? Ele tem uma quantidade impressionante de parâmetros (594 bilhões no total!), mas a sacada genial é que ele ativa só 17 bilhões por vez, de acordo com a tarefa. Isso o torna super eficiente e poderoso.

Mas não para por aí! Ele é um modelo multimodal, ou seja, consegue entender e trabalhar com informações de diferentes tipos. Você pode dar texto e imagens pra ele, e ele te devolve texto. Perfeito pra um monte de aplicações, né? E, por enquanto, ele não suporta áudio, mas quem sabe no futuro?

A performance dele já é impressionante. No Artificial Analysis Intelligence Index, ele marcou 31 pontos, enquanto o antecessor, o Inkling Small, fazia 13. É um salto GIGANTE! E o melhor: ele já está disponível na plataforma Tinker da Thinking Machines para quem quiser fazer ajuste fino (fine-tuning) ou usar para inferência.

Por Que Ele É Tão Especial? Os Números Falam!

Quando a gente fala de IA, os benchmarks são como as notas da escola, e o Inkling 2 Small tirou uns "A" de respeito! Ele não só tem uma pontuação alta no índice geral, como se destaca em áreas bem específicas:

Codificação Agente (Agentic Coding): No desafio SWE-Bench Pro v2 (Hard), ele mandou muito bem com 86.3%. Isso significa que ele é um craque em ajudar a escrever e corrigir código de forma inteligente, agindo como um "agente".
Visão Computacional: No PerceptionBench, ele atingiu 64.7%, superando outros modelos como o Kimi K3. Ou seja, ele realmente "vê" e entende imagens com uma capacidade incrível.
Tarefas Corporativas e de Conhecimento: No EnterpriseBench-CoreCraft, ele fez 71.8%, e no JobBench, impressionantes 70.5%. Isso mostra o potencial dele para automação e assistência em ambientes de trabalho complexos.

Ele é tipo aquele aluno que tira 10 em programação e em artes visuais, e ainda resolve os problemas da empresa!

Nos Bastidores: Como o Inkling 2 Small Foi Construído?

Pra entender como ele chega nesse nível, a gente precisa dar uma espiadinha na arquitetura dele. O Inkling 2 Small usa um transformador de 48 camadas, onde cada "pedaço" de informação (token) é enviado para 8 dos 384 "especialistas" diferentes que eu mencionei antes. Isso permite que ele adapte o esforço de raciocínio de forma variável.

A parte visual dele tem um "olho" digital de 292 milhões de parâmetros, baseado no Perception Encoder, que processa imagens em pequenos "patches". E o treinamento foi um verdadeiro marathon, dividido em quatro fases intensas, com bilhões de tokens de dados, incluindo código e imagens. Depois disso, ainda teve um super treino de Reforço por Aprendizagem (RL) de 9 dias, usando 2.048 GPUs! É um esforço computacional insano!

Ah, e um ponto super importante: a Thinking Machines Lab se preocupou muito com a segurança e a ética. Eles adicionaram recompensas de alinhamento e testaram rigorosamente para reduzir comportamentos indesejados do modelo, diminuindo a taxa de "má conduta" de 66.8% no Inkling original para 14.9% no Inkling 2 Small. Ponto pra eles!

Nem Tudo é Perfeito: Onde Ele Ainda Precisa Melhorar

Como em toda tecnologia de ponta, há sempre espaço para otimização. O Inkling 2 Small, apesar de incrível, tem alguns pontos onde ainda não é o campeão:

Trabalho com Terminal: Em tarefas que envolvem linha de comando, como o Terminal-Bench 4.0, ele não se saiu tão bem (13.1%) comparado a outros modelos.
Verbose e Lento: Ele também é um pouco "falastrão" (produz muito texto) e não é o mais rápido em dar a primeira resposta ou em concluir tarefas complexas.
Recusa Excessiva: Em alguns cenários, ele pode ser excessivamente cauteloso e recusar certas tarefas que seriam consideradas benignas.
Sem Áudio: Como já mencionei, ele ainda não processa áudio.

Aberto ou Fechado? A Questão dos Pesos

Um ponto importante para a comunidade é sobre a disponibilidade dos "pesos" do modelo (os parâmetros internos que o fazem funcionar). No lançamento, esses pesos estão "fechados".

Mas a boa notícia é que a Thinking Machines planeja um lançamento com licença Apache 2.0 na próxima semana, depois de finalizar testes externos de segurança. Isso mostra o compromisso deles com um caminho seguro para a abertura dos pesos, o que é ótimo para a comunidade de desenvolvedores e pesquisadores.

Minha Visão

Olha, galera, pra mim, o Inkling 2 Small é um divisor de águas. O fato de ser um modelo MoE esparso, multimodal e com essa capacidade de codificação agente e visão, abre um leque GIGANTESCO de possibilidades. Ver o salto de performance em relação ao antecessor me deixa super empolgado com o que podemos esperar da próxima geração de IAs.

A preocupação com a segurança e o alinhamento é fundamental, e a Thinking Machines está no caminho certo. É um passo gigante para IAs mais autônomas e inteligentes que podem nos auxiliar em tarefas complexas, seja codificando, analisando imagens ou gerenciando projetos. A gente está vendo a fundação de IAs que realmente "pensam" de forma mais dinâmica e eficiente.

E aí, o que vocês acham dessa nova geração de IAs? Acham que ele vai realmente acelerar a criação de agentes de IA mais capazes no nosso dia a dia? Deixem suas opiniões nos comentários!

Referência: Matéria Original