Thinking Machines: Inkling Small (free)

Inkling-Small est le modèle multimodal à poids ouverts de plus petite taille 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. Sa conception à mélange d’experts compte 276 milliards de paramètres au total, dont 12 milliards actifs, comparativement aux 975 milliards au total et aux 41 milliards actifs d’Inkling. Small est un modèle publié distinct avec un autre équilibre entre efficacité et capacités, et non un mode de sortie plus courte d’Inkling.

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

La fenêtre de contexte atteint un million de jetons. Organisez un long dépôt ou un ensemble de documents avec des noms de fichiers, des étiquettes de sections et une question claire, en conservant les faits qu’une étape ultérieure devra 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 des sources ou des champs extraits. L’information nouvelle ou privée doit figurer dans les éléments fournis ou les résultats de récupération retournés, plutôt que d’être supposée faire partie des connaissances apprises.

L’effort de réflexion est réglable. Le guide de la famille du fournisseur utilise des valeurs continues de 0.0 inclusivement à moins de 1.0, avec les préréglages 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 plus élevé peut favoriser plus de raisonnement et demander un budget de génération supérieur, mais ne garantit pas une réponse plus longue ou plus exacte. Une valeur de zéro oriente le modèle vers l’absence de raisonnement sans imposer son absence stricte. Choisissez l’effort selon la tâche et gardez l’exigence de sortie finale claire.

Les images peuvent servir aux questions visuelles, à l’interprétation de graphiques ou de diagrammes et au raisonnement mathématique à partir d’information visible. Pour de bonnes performances, utilisez des images dont les dimensions se situent entre 40 et 4 096 pixels. Préservez la lisibilité des étiquettes et expliquez le détail important. Avec un outil Python configuré, le modèle peut combiner le raisonnement visuel avec le recadrage, le zoom et l’examen par programmation 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 qu’il retourne.

L’entrée audio est WAV échantillonné à 16 kHz, avec des enregistrements idéalement de moins de deux minutes pour des performances optimales. C’est une recommandation de préparation, et non une garantie stricte de durée. Utilisez une question parlée 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 plutôt que vocale. La recommandation distincte d’Inkling pour l’audio plus long ne doit pas être transférée à l’édition Small.

Les flux utilisant des outils nécessitent des descriptions utiles des outils, des définitions d’arguments et les résultats des opérations exécutées par l’application. Gardez le résultat d’une consultation, d’un calcul ou d’une observation de fichier distinct de l’action proposée par le modèle. Pour un écart dans un graphique, identifiez les étiquettes pertinentes, 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 qui l’entourent 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 suit un point de contrôle preview antérieur et comprend de l’entraînement supplémentaire pour le code agentique; le modèle final et cette preview doivent conserver des identités distinctes. Pour une extraction ou un style de réponse spécialisé, la personnalisation utilise des exemples représentatifs et un comportement cible explicite. Une invite ordinaire fournit plutôt du contexte pour la requête actuelle; elle ne crée pas de modèle nouvellement entraîné et ne bascule pas vers un tel modèle.

Une vérification utile du résultat confirme que la modification de code proposée, la transcription, les faits extraits ou la réponse écrite correspondent aux éléments fournis. Précisez comment l’incertitude et l’information manquante doivent apparaître, surtout pour une prévision ou une réponse factuelle dont la source est incomplète. Le fabricant a entraîné Inkling-Small pour calibrer les prévisions par apprentissage par renforcement selon des règles de score propres sur des questions réelles, afin d’exprimer une confiance adaptée aux éléments disponibles. Conservez le contenu et les observations des outils avec le livrable pour qu’un suivi puisse réviser un point sans perdre la tâche d’origine. Les capacités générales multilingues et multimodales d’Inkling-Small demeurent distinctes d’un générateur vocal dédié ou d’un service d’action externe garanti.