Thinking Machines: Inkling Small (free)

Inkling-Small は、推論、コーディング、会話、ツールを使うアプリケーション向けの Thinking Machines Lab の小型の重み公開型マルチモーダルモデルです。テキスト、画像、音声を受け取り、テキストを生成します。Mixture-of-Experts 設計は、総パラメータ数 276B、アクティブパラメータ数 12Bです。Inkling は総数 975B、アクティブ数 41Bです。Small は効率と能力のバランスが異なる、独立して公開されたモデルであり、Inkling の短文出力モードではありません。

コード調査では、影響を受けるファイル、観察した挙動、必要な変更を渡し、原因となる経路と対象を絞った修正を求めます。有用な最終成果物は、編集案と、連携アプリケーションが実際に実行した確認の根拠を含みます。サポート支援では、関連する方針と会話の事実を渡し、次の返答や不足している質問を求めてください。想定用途には、コーディング支援、チャットボット、検索拡張型の応答、アプリケーションのツールを使うエージェントシステムがあります。

コンテキストウィンドウは最大 100 万トークンです。長いリポジトリや文書群には、ファイル名、節のラベル、明確な質問を付けて整理し、後の段階で使う事実を残してください。大きなウィンドウは離れた情報の比較に役立ちますが、求める結果は、コード変更、出典に基づく説明、項目の抽出など具体的に保つ必要があります。新しい情報や非公開情報は、学習済み知識に含まれると仮定せず、提供する根拠や返された検索結果に含めてください。

思考量を制御できます。開発元のファミリー共通ガイドは、0.0 以上 1.0 未満の連続値を用い、初期プリセット none、minimal、low、medium、high、xhigh は、それぞれ 0.0、0.1、0.2、0.7、0.9、0.99 に対応します。開発元のレンダラーのデフォルトは high です。思考量を高めると推論を促し、より大きい生成予算が必要になる場合がありますが、回答が長くなることや正確さが高まることは保証されません。ゼロは、推論を一切禁止するのではなく、推論しない方向に条件付けます。作業に合わせて思考量を選び、最終出力の要件を明確にしてください。

画像は、視覚的な質問、グラフや図の解釈、目に見える情報に基づく数学的推論に使えます。良好な性能を得るには、各辺の寸法が 40〜4,096 ピクセルの画像を使ってください。ラベルを読める状態に保ち、重要な細部を説明します。Python ツールが設定されていれば、視覚的な推論と、文書やグラフの切り抜き、拡大、プログラムによる調査を組み合わせられます。これらの操作は接続したツール環境で実行する必要があり、文章の回答ではそこから返された観察結果を使うべきです。

音声入力は 16 kHz でサンプリングした WAV で、最適な性能のためには 2 分未満の録音が望ましいとされています。これは準備に関する推奨であり、長さについての厳密な保証ではありません。関連する音声の質問や短いクリップを使い、文章の結果で発話を文字起こしするのか、録音について質問に答えるのか、その内容を他の提供資料と関連付けるのかを明示してください。ネイティブの応答はテキストであり、生成音声ではありません。長い音声に関する Inkling 独自の推奨を、Small 版に当てはめないでください。

ツールを使うワークフローには、意味のあるツール説明、引数定義、アプリケーションが実行した操作の結果が必要です。検索結果、計算、ファイルの観察は、モデルの操作提案とは区別してください。グラフに食い違いがある場合は、関連ラベルを特定し、計算ツールで提供された値を調べ、それらの値を挙げる説明を求めます。モデルはさまざまなコーディング環境やエージェント実行基盤向けに学習されているため、周囲の作業とツールを暗黙にせず説明する必要があります。

公開された重みは、モデル研究、ファインチューニング、下流製品への連携に使えます。Inkling-Small のリリースは、以前のプレビューチェックポイントに続くもので、エージェントによるコーディングの追加学習を含みます。最終モデルとそのプレビューは、別々の識別情報を保つ必要があります。専門的な抽出や応答スタイルのカスタマイズでは、代表的な例と明示的な目標挙動を使います。一方、通常のプロンプトは現在のリクエストにコンテキストを提供するものであり、新たに学習したモデルを作成したり切り替えたりしません。

有用な結果確認では、コード変更案、文字起こし、抽出した事実、文章の応答が、提供した根拠と一致するかを調べます。特に、出典が不完全な予測や事実の回答では、不確かさと不足情報をどう表すかを指定してください。開発元は、実際の問いに対する適正スコアリング規則を使った強化学習で、Inkling-Small の予測の確信度を校正し、利用できる根拠に合う確信を表すことを目指しました。成果物とともに資料とツールの観察結果を保持し、追加のやり取りで元の作業を失わずに 1 つの問題を修正できるようにします。Inkling-Small の一般的な多言語・マルチモーダル能力は、専用の音声生成器や、外部操作を保証するサービスとは別です。