Thinking Machines: Inkling (free)

Inkling is het multimodale model met open gewichten van Thinking Machines Lab voor redeneren, programmeren, gesprekken en agenttoepassingen. Het accepteert tekst, afbeeldingen en audio en geeft tekst terug. Het Mixture-of-Experts-ontwerp heeft 975 miljard parameters in totaal en 41 miljard actieve parameters, waardoor dit het grotere model in de familie is. Inkling-Small is een afzonderlijk model met 276 miljard parameters, waarvan 12 miljard actief zijn, geen instelling die de antwoordlengte van Inkling verandert.

Lever voor een omvangrijke programmeertaak het relevante repositorymateriaal, het waargenomen gedrag en het gewenste resultaat aan. Vraag het model het verantwoordelijke pad te volgen, een wijziging voor te stellen en het bewijs te rapporteren van controles die daadwerkelijk in de verbonden omgeving zijn uitgevoerd. Label voor een documentvergelijking de bronsecties en vraag om de relevante verschillen, het ondersteunende bewijs en eventuele onbeantwoorde vragen. De beoogde toepassingen omvatten programmeerassistenten, chatbots, retrieval-augmented generation en agents die tools gebruiken, waarbij het eindresultaat wordt afgestemd op de toepassing die het verwerkt.

Inkling ondersteunt maximaal één miljoen contexttokens. Gebruik die ruimte om omvangrijk bronmateriaal en belangrijke gespreksfeiten bij elkaar te houden en organiseer ze rond een specifieke vraag. Onderscheid bronfeiten van aannames en laat ruimte over voor het volledige schriftelijke eindproduct. De grotere context ondersteunt werken met een uitgebreide collectie; zij maakt het antwoord niet tot een actuele weergave van een systeem waarvan de huidige informatie niet is aangeleverd.

Denkinspanning is een continue instelling vanaf 0.0 inclusief tot onder 1.0. De startpresets van de producent zijn none 0.0, minimal 0.1, low 0.2, medium 0.7, high 0.9 en xhigh 0.99, met high als standaard van de renderer. Inspanning en het generatietokenbudget zijn onafhankelijk. Een hogere inspanning kan meer redeneren stimuleren en meer ruimte vóór het eindantwoord vereisen, terwijl none het model richting niet-redeneren stuurt zonder een harde beperking af te dwingen. Kies een waarde die bij de opdracht past en maak het verwachte eindproduct en de voltooiingsvoorwaarde expliciet.

Visuele invoer ondersteunt afbeeldingsbeschrijving, vragen over zichtbare inhoud, grafieken, diagrammen en visueel wiskundig redeneren. Gebruik voor goede prestaties afbeeldingsafmetingen tussen 40 en 4.096 pixels. Houd de relevante labels en diagramcontext leesbaar. Inkling kan een geconfigureerde Python-tool gebruiken om programmatisch in te zoomen op een afbeelding, die bij te snijden of te onderzoeken en zo visuele observaties met codegebaseerd redeneren te verbinden. Een bruikbaar grafiekantwoord behoudt de waargenomen waarden en toont hoe ze de conclusie ondersteunen, in plaats van aan te nemen dat een uitsnede of berekening is uitgevoerd alleen omdat die werd voorgesteld.

Audio-invoer gebruikt WAV met een samplefrequentie van 16 kHz en de maker beveelt opnamen van maximaal 20 minuten aan voor optimale prestaties. Dit is een voorbereidingsaanbeveling. Inkling kan spraak transcriberen, gesproken instructies volgen, vragen over opnamen beantwoorden en over langere audio redeneren. Lever de relevante opname samen met de schriftelijke vraag en eventueel referentiemateriaal aan dat nodig is voor de interpretatie. Een vergaderresultaat kan gesproken feiten scheiden van een latere samenvatting of interpretatie. Het model produceert tekst, dus audiobegrip staat los van het synthetiseren van een gesproken antwoord.

Beschrijf voor een toolgebaseerde opdracht de beschikbare bewerkingen en hun argumenten en behoud de daadwerkelijke observaties die de toepassing teruggeeft. Een zoekresultaat kan actueel bewijs leveren; een berekening kan numeriek werk leveren; een bestandsbewerking kan de beoordeelde inhoud vaststellen. De voorgestelde actie van het model en het uitgevoerde resultaat zijn afzonderlijke onderdelen van het gesprek. Houd een eindantwoord verbonden met die observaties, vooral wanneer het een codewijziging of een volgende toepassingsstap voorstelt.

Inkling is getraind op kalibratie en instructievolging, waaronder het uitdrukken van onzekerheid wanneer een antwoord niet vaststaat. Vraag bij een op bewijs gebaseerde voorspelling of analyse om de aannames, het bewijs en de onopgeloste voorwaarden in het schriftelijke resultaat. Definieer bij extractie hoe een ontbrekende waarde moet worden weergegeven, in plaats van te eisen dat elk veld een verzonnen feit bevat. Deze instructies maken een resultaat bruikbaar voor beoordeling zonder de geuite zekerheid of een lang redeneerproces als bewijs van juistheid te behandelen.

Open gewichten ondersteunen fine-tuning en integratie in vervolgtoepassingen. Een gespecialiseerd model wordt ontwikkeld uit representatieve voorbeelden en een doelgedrag, terwijl een gewoon inferentieverzoek context voor de huidige taak aanlevert. De producent demonstreert aanpassing als afzonderlijke workflow; een gewoon antwoord schakelt niet stilzwijgend over op nieuwe gewichten. Bewaar het oorspronkelijke bewijs en de gevraagde randvoorwaarden bij het eindproduct, zodat een vervolgvraag één feit kan herzien, de formulering kan verfijnen of een ander codepad kan onderzoeken terwijl dezelfde opdracht samenhangend blijft.