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 équilibre différent entre efficacité et capacités, et non un mode de sortie plus courte d’Inkling.

Pour une investigation de code, fournissez les fichiers concernés, 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 d’assistance, fournissez la politique pertinente et les faits de la conversation et demandez la réponse suivante ou la question manquante. Les usages prévus comprennent les assistants de programmation, les chatbots, les réponses augmentées par récupération et les systèmes agentiques avec des outils applicatifs.

La fenêtre de contexte va jusqu’à un million de tokens. Organisez un long dépôt ou une collection documentaire avec des noms de fichiers, des libellés 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 des sources ou des champs extraits. Les informations nouvelles ou privées doivent figurer dans les éléments fournis ou les résultats de récupération renvoyés, sans supposer qu’elles font partie des connaissances apprises.

L’effort de réflexion est réglable. Le guide de la famille du fournisseur utilise des valeurs continues de 0.0 inclus à strictement 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 renderer du fournisseur utilise high par défaut. Un effort accru peut encourager davantage de raisonnement et demander un budget de génération plus grand, sans garantir une réponse plus longue ou plus exacte. Le réglage zéro oriente le modèle vers l’absence de raisonnement sans imposer une 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 schémas et au 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. Préservez des libellés lisibles et expliquez le détail important. Avec un outil Python configuré, le modèle peut associer le raisonnement visuel au recadrage, au zoom et à l’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 qu’il renvoie.

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, pas 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 l’audio plus long ne doit pas être transférée à l’édition Small.

Les workflows utilisant des outils nécessitent des descriptions d’outils utiles, des définitions d’arguments et les résultats des opérations exécutées par l’application. Distinguez un résultat de recherche, un calcul ou une observation de fichier de l’action proposée par le modèle. Pour un écart dans un graphique, identifiez les libellés pertinents, examinez les valeurs fournies avec un outil de calcul et demandez une explication citant ces valeurs. Le modèle est entraîné pour divers environnements de programmation 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 dans des produits en aval. La version Inkling-Small succède à un checkpoint preview antérieur et comprend un entraînement supplémentaire à la programmation agentique ; le modèle final et cette preview doivent conserver des identités distinctes. Pour un style spécialisé d’extraction ou de réponse, la personnalisation utilise des exemples représentatifs et un comportement cible explicite. Un prompt ordinaire fournit plutôt le contexte de la requête actuelle ; il ne crée pas un nouveau modèle entraîné et n’y bascule pas.

Une étape utile de vérification du résultat contrôle 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, en particulier pour une prévision ou une réponse factuelle dont la source est incomplète. Le fabricant a entraîné Inkling-Small à la calibration des prévisions par apprentissage par renforcement selon des règles de score propres sur des questions réelles, pour exprimer une confiance adaptée aux éléments disponibles. Conservez le contenu et les observations des outils avec le livrable pour qu’une relance puisse réviser un point sans perdre la tâche originale. Les capacités générales multilingues et multimodales d’Inkling-Small se distinguent de celles d’un générateur de parole dédié ou d’un service garantissant des actions externes.