Thinking Machines: Inkling (free)

Inkling ist das multimodale Modell mit offenen Gewichten von Thinking Machines Lab für Reasoning, Programmierung, Gespräche und Agentenanwendungen. Es akzeptiert Text, Bilder und Audio und gibt Text zurück. Sein Mixture-of-Experts-Design besitzt insgesamt 975 Milliarden Parameter, davon 41 Milliarden aktiv, und macht es zum größeren Modell der Familie. Inkling-Small ist ein separates Modell mit insgesamt 276 Milliarden Parametern und 12 Milliarden aktiven Parametern, keine Einstellung, die die Antwortlänge von Inkling verändert.

Für eine umfangreiche Codeaufgabe stellen Sie das relevante Repository-Material, das beobachtete Verhalten und das gewünschte Ergebnis bereit. Lassen Sie das Modell den verantwortlichen Pfad nachverfolgen, eine Änderung vorschlagen und die Belege aus Prüfungen berichten, die in der verbundenen Umgebung tatsächlich ausgeführt wurden. Für einen Dokumentvergleich kennzeichnen Sie die Quellabschnitte und verlangen Sie die relevanten Unterschiede, deren stützende Belege und jede unbeantwortete Frage. Zu den vorgesehenen Anwendungen gehören Programmierassistenten, Chatbots, Retrieval-Augmented Generation und werkzeugnutzende Agenten; das endgültige Ergebnis wird für die verarbeitende Anwendung gestaltet.

Inkling unterstützt bis zu eine Million Kontext-Token. Nutzen Sie diesen Platz, um umfangreiches Ausgangsmaterial und wichtige Gesprächsfakten zusammenzuhalten, und ordnen Sie sie um eine konkrete Frage an. Unterscheiden Sie Quellenfakten von Annahmen und lassen Sie Platz für das vollständige schriftliche Arbeitsergebnis. Der größere Kontext unterstützt die Arbeit über eine umfangreiche Sammlung hinweg; er macht die Antwort nicht zu einer Liveansicht eines Systems, dessen aktuelle Informationen nicht bereitgestellt wurden.

Der Denkaufwand ist stufenlos von einschließlich 0.0 bis unter 1.0 steuerbar. Die Ausgangsvorgaben des Anbieters sind none 0.0, minimal 0.1, low 0.2, medium 0.7, high 0.9 und xhigh 0.99; high ist der Standard des Renderers. Aufwand und Generierungs-Tokenbudget sind unabhängig. Ein höherer Aufwand kann mehr Reasoning fördern und vor der endgültigen Antwort mehr Platz benötigen; none lenkt dagegen in Richtung einer Antwort ohne Reasoning, ohne eine harte Einschränkung durchzusetzen. Wählen Sie einen zur Aufgabe passenden Wert und legen Sie erwartetes Arbeitsergebnis und Abschlussbedingung ausdrücklich fest.

Die visuelle Eingabe unterstützt Bildbeschreibungen, Fragen zu sichtbaren Inhalten, Diagramme, Schaubilder und mathematisches visuelles Reasoning. Für gute Leistung verwenden Sie Bilder mit Abmessungen zwischen 40 und 4.096 Pixeln. Halten Sie relevante Beschriftungen und Diagrammkontext lesbar. Inkling kann ein konfiguriertes Python-Werkzeug verwenden, um ein Bild programmatisch zu vergrößern, zuzuschneiden oder zu untersuchen, und verbindet so visuelle Beobachtungen mit codebasiertem Reasoning. Eine hilfreiche Diagrammantwort bewahrt die beobachteten Werte und zeigt, wie sie die Schlussfolgerung stützen, statt allein aus einem Vorschlag abzuleiten, dass ein Zuschnitt oder eine Berechnung erfolgt ist.

Audioeingaben verwenden WAV mit 16 kHz Abtastrate; der Hersteller empfiehlt für optimale Leistung Aufnahmen von höchstens 20 Minuten. Dies ist eine Vorbereitungsempfehlung. Inkling kann Sprache transkribieren, gesprochenen Anweisungen folgen, Fragen zu Aufnahmen beantworten und längere Audioinhalte analysieren. Stellen Sie die relevante Aufnahme zusammen mit der schriftlichen Frage und gegebenenfalls benötigtem Referenzmaterial zur Interpretation bereit. Ein Besprechungsergebnis kann gesprochene Fakten von einer späteren Zusammenfassung oder Interpretation trennen. Das Modell erzeugt Text; sein Audioverständnis unterscheidet sich somit von der Synthese einer gesprochenen Antwort.

Beschreiben Sie bei einer werkzeugbasierten Aufgabe die verfügbaren Operationen und ihre Argumente und erhalten Sie die tatsächlichen Beobachtungen, die die Anwendung zurückgibt. Ein Suchergebnis kann aktuelle Belege liefern, eine Berechnung numerische Arbeit und eine Dateioperation den zu prüfenden Inhalt feststellen. Die vorgeschlagene Aktion des Modells und das ausgeführte Ergebnis sind separate Gesprächsteile. Verknüpfen Sie eine endgültige Antwort mit diesen Beobachtungen, besonders wenn sie eine Codeänderung oder einen nächsten Anwendungsschritt vorschlägt.

Inkling wurde auf Kalibrierung und das Befolgen von Anweisungen trainiert, einschließlich des Ausdrucks von Unsicherheit, wenn eine Antwort nicht belegt ist. Verlangen Sie bei einer evidenzbasierten Prognose oder Analyse die Annahmen, Belege und offenen Bedingungen im schriftlichen Ergebnis. Legen Sie bei einer Extraktion fest, wie ein fehlender Wert dargestellt werden soll, statt für jedes Feld einen erfundenen Fakt zu verlangen. Diese Anweisungen machen ein Ergebnis für die Prüfung nützlich, ohne Zuversicht oder einen langen Reasoning-Prozess als Richtigkeitsbeweis zu behandeln.

Offene Gewichte unterstützen Fine-Tuning und die Integration in nachgelagerte Produkte. Ein spezialisiertes Modell wird aus repräsentativen Beispielen und einem Zielverhalten entwickelt, während eine gewöhnliche Inferenzanfrage Kontext für die aktuelle Aufgabe bereitstellt. Der Anbieter zeigt Anpassung als separaten Arbeitsablauf; eine normale Antwort wechselt nicht stillschweigend zu neuen Gewichten. Bewahren Sie ursprüngliche Belege und angeforderte Bedingungen gemeinsam mit dem endgültigen Arbeitsergebnis auf, damit eine Folgefrage einen Fakt ändern, die Formulierung präzisieren oder einen anderen Codepfad untersuchen kann, während derselbe Auftrag stimmig bleibt.