Thinking Machines: Inkling Small (free)

Inkling-Small est le plus petit modèle multimodal à poids ouverts de Thinking Machines Lab pour le raisonnement, le code, la conversation et les applications utilisant des outils. Il accepte du texte, des images et de l’audio et produit du texte. Son architecture à mélange d’experts compte 276 milliards de paramètres au total, dont 12 milliards actifs, contre 975 milliards au total et 41 milliards actifs pour Inkling. Small est un modèle publié séparément, avec un autre équilibre entre efficacité et capacités, et non un mode de sortie raccourcie d’Inkling.

Pour une investigation de code, fournissez les fichiers concernés, le comportement observé et la modification souhaitée, puis demandez le chemin responsable et une correction ciblée. Un livrable final utile comprend la modification proposée et les éléments issus des vérifications que l’application connectée a réellement exécutées. Pour un assistant d’assistance, fournissez la politique pertinente et les faits de la conversation, puis demandez la prochaine réponse ou la question manquante. Les usages visés comprennent les assistants de code, les chatbots, les réponses augmentées par récupération et les systèmes agentiques avec des outils d’application.

La fenêtre de contexte atteint un million de tokens. Organisez un long dépôt ou une collection documentaire avec des noms de fichiers, des repères de sections et une question claire, en préservant les faits qu’une étape ultérieure doit utiliser. Une grande fenêtre est utile pour comparer des informations éloignées, mais le résultat demandé doit rester précis : une modification de code, une explication fondée sur les sources ou des champs extraits. Les informations nouvelles ou privées doivent figurer dans les éléments fournis ou les résultats de récupération renvoyés, au lieu d’être supposées présentes dans les connaissances apprises.

L’effort de réflexion est réglable. Le guide de la famille du fournisseur utilise des valeurs continues de 0.0 inclus à moins de 1.0, avec les préréglages de départ none, minimal, low, medium, high et xhigh correspondant à 0.0, 0.1, 0.2, 0.7, 0.9 et 0.99. Le moteur de rendu du fournisseur utilise high par défaut. Un effort supérieur peut encourager davantage de raisonnement et nécessiter un budget de génération plus grand, mais ne garantit pas une réponse plus longue ou plus exacte. Une valeur nulle oriente le modèle vers l’absence de raisonnement sans imposer une absence stricte. Choisissez l’effort selon la tâche et gardez claire l’exigence de sortie finale.

Les images peuvent soutenir les questions visuelles, l’interprétation de graphiques ou de schémas et le raisonnement mathématique à partir d’informations visibles. Pour de bonnes performances, utilisez des images dont les dimensions sont comprises entre 40 et 4 096 pixels. Conservez des libellés lisibles et expliquez le détail important. Avec un outil Python configuré, le modèle peut combiner raisonnement visuel, recadrage, zoom et examen programmatique d’un document ou d’un graphique. Ces opérations doivent être exécutées par l’environnement d’outils connecté ; la réponse écrite doit utiliser les observations qui en sont renvoyées.

L’entrée audio est du WAV échantillonné à 16 kHz, avec des enregistrements idéalement inférieurs à deux minutes pour des performances optimales. Il s’agit d’une recommandation de préparation, et non d’une garantie stricte de durée. Utilisez une question orale pertinente ou un court clip et précisez si le résultat écrit doit transcrire la parole, répondre à une question sur l’enregistrement ou relier son contenu à d’autres éléments fournis. La réponse native est textuelle et non de la parole générée. La recommandation distincte d’Inkling pour les contenus audio plus longs ne doit pas être transférée à l’édition Small.

Les processus utilisant des outils nécessitent des descriptions significatives des outils, des définitions d’arguments et les résultats des opérations exécutées par l’application. Distinguez un résultat de consultation, un calcul ou une observation de fichier de l’action proposée par le modèle. Pour une divergence dans un graphique, identifiez les libellés pertinents, examinez les valeurs fournies avec un outil de calcul et demandez une explication qui cite ces valeurs. Le modèle est entraîné pour divers environnements de code et d’agents ; la tâche et les outils environnants doivent donc être décrits plutôt que laissés implicites.

Les poids ouverts permettent la recherche sur les modèles, l’ajustement fin et l’intégration à des produits en aval. La version Inkling-Small succède à un point de contrôle preview antérieur et comprend un entraînement supplémentaire au code agentique ; le modèle final et cette preview doivent conserver des identités distinctes. Pour une extraction spécialisée ou un style de réponse, la personnalisation utilise des exemples représentatifs et un comportement cible explicite. Un prompt ordinaire fournit au contraire le contexte de la requête actuelle ; il ne crée pas de modèle nouvellement entraîné et ne bascule pas vers celui-ci.

Une étape utile de vérification du résultat consiste à confirmer que la modification de code proposée, la transcription, les faits extraits ou la réponse écrite correspondent aux éléments fournis. Précisez comment l’incertitude et les informations manquantes doivent apparaître, surtout pour une prévision ou une réponse factuelle dont la source est incomplète. Le concepteur a entraîné Inkling-Small à la calibration des prévisions par apprentissage par renforcement selon des règles de score propres, appliquées à des questions réelles, afin d’exprimer une confiance adaptée aux éléments disponibles. Conservez le contenu et les observations d’outils avec le livrable pour qu’un suivi puisse réviser un point sans perdre la tâche initiale. Les capacités générales multilingues et multimodales d’Inkling-Small restent distinctes d’un générateur de parole dédié ou d’un service garantissant des actions externes.