Thinking Machines: Inkling (free)

Inkling est le modèle multimodal à poids ouverts de Thinking Machines Lab pour le raisonnement, le code, la conversation et les applications agentiques. Il accepte du texte, des images et de l’audio et renvoie du texte. Son architecture à mélange d’experts compte 975 milliards de paramètres au total, dont 41 milliards actifs, ce qui en fait le plus grand modèle de la famille. Inkling-Small est un modèle distinct de 276 milliards de paramètres, dont 12 milliards actifs, et non un réglage modifiant la longueur des réponses d’Inkling.

Pour une tâche de code importante, fournissez les contenus pertinents du dépôt, le comportement observé et le résultat souhaité. Demandez au modèle de retracer le chemin responsable, de proposer une modification et de rapporter les éléments issus des vérifications réellement exécutées dans l’environnement connecté. Pour comparer des documents, identifiez les sections sources et demandez les différences pertinentes, les éléments qui les étayent et toute question sans réponse. Les applications prévues comprennent les assistants de programmation, les chatbots, la génération augmentée par récupération et les agents utilisant des outils, avec un résultat final adapté à l’application qui le consomme.

Inkling prend en charge jusqu’à un million de tokens de contexte. Utilisez cet espace pour réunir un contenu source important et les faits essentiels de la conversation, en les organisant autour d’une question précise. Distinguez les faits sources des hypothèses et laissez de la place au livrable écrit complet. Ce contexte plus grand permet de travailler sur une collection étendue ; il ne transforme pas la réponse en vue en direct d’un système dont les informations actuelles n’ont pas été fournies.

L’effort de réflexion est un réglage continu de 0.0 inclus à strictement moins de 1.0. Les préréglages de départ du fournisseur sont none 0.0, minimal 0.1, low 0.2, medium 0.7, high 0.9 et xhigh 0.99, high étant la valeur par défaut du renderer. L’effort et le budget de tokens de génération sont indépendants. Un effort accru peut encourager davantage de raisonnement et nécessiter plus de place avant la réponse finale, tandis que none oriente vers l’absence de raisonnement sans imposer de restriction stricte. Choisissez une valeur adaptée à la mission et explicitez le livrable attendu et la condition d’achèvement.

L’entrée visuelle permet la description d’images, les questions sur le contenu visible, les graphiques, les schémas et le raisonnement mathématique visuel. Pour de bonnes performances, utilisez des dimensions d’image comprises entre 40 et 4 096 pixels. Gardez les libellés pertinents et le contexte des schémas lisibles. Inkling peut utiliser un outil Python configuré pour zoomer, recadrer ou examiner une image par programme, en reliant les observations visuelles au raisonnement par le code. Une réponse utile sur un graphique conserve les valeurs observées et montre comment elles étayent la conclusion, sans supposer qu’un recadrage ou un calcul a eu lieu simplement parce qu’il a été proposé.

L’entrée audio utilise du WAV échantillonné à 16 kHz, et le fabricant recommande des enregistrements de 20 minutes au maximum pour des performances optimales. Il s’agit d’une recommandation de préparation. Inkling peut transcrire la parole, suivre des consignes orales, répondre à des questions sur des enregistrements et raisonner sur de l’audio long. Fournissez l’enregistrement pertinent avec la question écrite et tout document de référence nécessaire à son interprétation. Un livrable de réunion peut séparer les faits énoncés d’un résumé ou d’une interprétation ultérieure. Le modèle produit du texte ; sa compréhension audio se distingue donc de la synthèse d’une réponse parlée.

Pour une mission utilisant des outils, décrivez les opérations disponibles et leurs arguments et conservez les observations réelles renvoyées par l’application. Un résultat de recherche peut fournir des éléments actuels ; un calcul, un travail numérique ; une opération sur fichier, le contenu examiné. L’action proposée par le modèle et le résultat exécuté sont deux parties distinctes de la conversation. Gardez la réponse finale reliée à ces observations, notamment lorsqu’elle suggère une modification de code ou une prochaine étape dans l’application.

Inkling a été entraîné pour la calibration et le suivi des consignes, notamment pour exprimer l’incertitude lorsqu’une réponse n’est pas établie. Pour une prévision ou une analyse fondée sur des éléments probants, demandez que les hypothèses, les éléments disponibles et les conditions non résolues apparaissent dans le résultat écrit. Pour l’extraction, définissez la représentation d’une valeur absente au lieu d’exiger que chaque champ contienne un fait inventé. Ces consignes rendent le résultat utile à la vérification sans traiter la confiance ou un long raisonnement comme une preuve d’exactitude.

Les poids ouverts permettent l’ajustement fin et l’intégration en aval. Un modèle spécialisé est développé à partir d’exemples représentatifs et d’un comportement cible, tandis qu’une requête d’inférence ordinaire fournit le contexte de la tâche présente. Le fournisseur illustre la personnalisation comme un workflow distinct ; une réponse normale ne bascule pas implicitement vers de nouveaux poids. Conservez les éléments d’origine et les contraintes demandées avec le livrable final pour qu’une relance puisse réviser un fait, affiner la formulation ou examiner un autre chemin de code tout en gardant la mission cohérente.