Thinking Machines: Inkling (free)

Inkling ist das multimodale Modell mit offenen Gewichten von Thinking Machines Lab für Reasoning, Programmierung, Gespräche und agentische Anwendungen. Es nimmt Text, Bilder und Audio entgegen und gibt Text zurück. Seine Mixture-of-Experts-Architektur hat 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, davon 12 Milliarden aktiv, keine Einstellung zur Änderung der Antwortlänge von Inkling.

Stellen Sie für eine umfangreiche Codeaufgabe das relevante Repository-Material, das beobachtete Verhalten und das gewünschte Ergebnis bereit. Fordern Sie das Modell auf, den verantwortlichen Pfad nachzuvollziehen, eine Änderung vorzuschlagen und die Belege aus tatsächlich in der verbundenen Umgebung ausgeführten Prüfungen anzugeben. Kennzeichnen Sie bei einem Dokumentvergleich die Quellabschnitte und verlangen Sie die relevanten Unterschiede, ihre Belege und jede unbeantwortete Frage. Die vorgesehenen Anwendungen umfassen Programmierassistenten, Chatbots, Retrieval-Augmented Generation und toolnutzende Agenten, wobei das Endergebnis auf die weiterverarbeitende Anwendung zugeschnitten wird.

Inkling unterstützt bis zu eine Million Kontext-Token. Verwenden Sie diesen Platz, um umfangreiches Ausgangsmaterial und wichtige Gesprächsfakten zusammenzuhalten und um eine konkrete Frage herum zu ordnen. Unterscheiden Sie Quellenfakten von Annahmen und lassen Sie Platz für das vollständige schriftliche Artefakt. Der größere Kontext unterstützt die Arbeit mit einer umfangreichen Sammlung; er macht die Antwort nicht zur Live-Ansicht eines Systems, dessen aktuelle Informationen nicht bereitgestellt wurden.

Der Thinking-Aufwand ist kontinuierlich von einschließlich 0.0 bis unter 1.0 steuerbar. Die Ausgangsvorgaben des Herstellers sind none 0.0, minimal 0.1, low 0.2, medium 0.7, high 0.9 und xhigh 0.99, mit high als Renderer-Standard. Aufwand und Generierungs-Tokenbudget sind unabhängig. Höherer Aufwand kann mehr Reasoning fördern und vor der endgültigen Antwort mehr Platz benötigen; none begünstigt dagegen eine Antwort ohne Reasoning, erzwingt aber keine harte Einschränkung. Wählen Sie einen zur Aufgabe passenden Wert und legen Sie das erwartete Artefakt und die Abschlussbedingung ausdrücklich fest.

Visuelle Eingaben unterstützen Bildbeschreibungen, Fragen zu sichtbaren Inhalten, Diagramme, Schaubilder und mathematisches visuelles Reasoning. Verwenden Sie für gute Leistung Bildabmessungen zwischen 40 und 4.096 Pixeln. Halten Sie relevante Beschriftungen und den Diagrammkontext lesbar. Inkling kann ein konfiguriertes Python-Werkzeug verwenden, um ein Bild programmgesteuert zu vergrößern, zuzuschneiden oder zu untersuchen und visuelle Beobachtungen mit codebasiertem Reasoning zu verbinden. Eine hilfreiche Diagrammantwort erhält die beobachteten Werte und zeigt, wie sie die Schlussfolgerung stützen, statt einen Zuschnitt oder eine Berechnung allein deshalb als erfolgt anzunehmen, weil sie vorgeschlagen wurden.

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

Beschreiben Sie bei einer toolbasierten Aufgabe die verfügbaren Vorgänge und ihre Argumente und erhalten Sie die tatsächlichen, von der Anwendung zurückgegebenen Beobachtungen. Ein Suchergebnis kann aktuelle Belege liefern, eine Berechnung numerische Arbeit und ein Dateivorgang den zu prüfenden Inhalt feststellen. Die vorgeschlagene Aktion des Modells und das ausgeführte Ergebnis sind getrennte Teile des Gesprächs. Halten Sie eine abschließende Antwort mit diesen Beobachtungen verbunden, insbesondere 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 gesichert ist. Fordern Sie bei einer beleggestützten Prognose oder Analyse Annahmen, Belege und ungeklärte Bedingungen im schriftlichen Ergebnis an. Definieren Sie für Extraktionen die Darstellung eines fehlenden Werts, statt in jedem Feld eine erfundene Tatsache zu verlangen. Diese Anweisungen machen ein Ergebnis zur Prüfung brauchbar, ohne Selbstsicherheit oder einen langen Reasoning-Prozess als Richtigkeitsbeweis zu behandeln.

Offene Gewichte unterstützen Fine-Tuning und nachgelagerte Integration. Ein spezialisiertes Modell wird aus repräsentativen Beispielen und einem Zielverhalten entwickelt, während eine gewöhnliche Inferenzanfrage Kontext für die aktuelle Aufgabe bereitstellt. Der Hersteller demonstriert Anpassung als separaten Workflow; eine normale Antwort wechselt nicht unbemerkt zu neuen Gewichten. Bewahren Sie die ursprünglichen Belege und geforderten Bedingungen zusammen mit dem Endartefakt auf, damit eine Folgefrage einen Fakt ändern, die Formulierung verfeinern oder einen anderen Codepfad untersuchen kann, während dieselbe Aufgabe stimmig bleibt.