编者摘要：Inkling 2 Small 是一款面向智能体场景的轻量化大模型，主打编码、多模态感知、长文本知识处理与自主任务执行，由 Inkling AI 团队研发。团队聚焦 AI 智能体原生模型路线，深耕强化学习与智能体对齐技术，不只是做通用对话模型，而是围绕 “模型能独立完成复杂工作流” 设计基座，在模型训练、工具调用、环境交互方向持续迭代，此前已有初代 Inkling 模型积累，本次推出 Small 版本，主打均衡性能与部署成本，方便企业侧本地、端侧轻量化落地。 模型核心亮点：统一大规模 RL 训练范式，把推理、工具使用、视觉理解、代码能力放在同一框架优化，而非单独微调；具备较强智能体编码能力，可自主规划、编写、调试代码；支持视觉输入、长文档检索与知识问答，适配知识库、自动化工作流场景；支持定制化对齐，可基于业务规则做定向调优。 同时模型存在明确局限：复杂数学推理、前沿专业深度知识仍有短板，长链路任务会出现规划漂移。 定位上，它不是对标顶尖通用大模型，而是面向企业智能体开发的专用基座，兼顾能力和成本，适合搭建自动化办公、行业知识库、代码助手、巡检智能体等。目前版本为技术发布版，适合技术团队评估测试，距离生产稳定落地还需要配套业务校验、流程监控机制。

10 个关键问题Q&A

1. Q：Inkling 2 Small 是谁开发的？ A：由 Inkling AI 团队研发，团队主打智能体原生模型路线，重点研究面向自主任务的强化学习对齐。
2. Q：Inkling 2 Small 和普通通用大模型最大区别？ A：以智能体任务执行为核心设计，统一 RL 联合训练编码、视觉、工具调用，优先适配自主工作流。
3. Q：Small 代表什么，是极小参数量阉割版吗？ A：是轻量化版本，核心目标是平衡能力、推理成本，方便本地 / 企业侧低成本部署。
4. Q：它最突出的能力是什么？ A：智能体编码，能够自主做任务规划、生成并调试代码，驱动工具完成任务。
5. Q：是否支持图片、视觉输入？ A：支持视觉理解，属于多模态智能体模型。
6. Q：训练方式有什么创新？ A：采用统一大规模 RL 方案，推理、视觉、代码、工具能力一起优化，不是逐个单独微调。
7. Q：适合哪些业务场景？ A：企业知识库问答、自动化流程、代码辅助、行业轻量化智能体搭建。
8. Q：模型短板是什么？ A：复杂高阶数学推理、前沿冷门专业知识不足，超长链路任务容易出现规划漂移。
9. Q：可以直接上线生产使用吗？ A：属于技术发布测试版本，需要业务校验、监控机制配套，不建议直接上线核心生产流程。
10. Q：它的定位是替代 GPT、DeepSeek 这类通用大模型吗？ A：不是对标通用对话模型，定位是智能体专用基座，侧重自动化任务执行。

附录 快手Inkling 2 Small 正式发布

2026 年 11 月 5 日

原文链接：https://thinkingmachines.ai/news/inkling-2-small/#capabilities

今天，我们正式推出第二代模型：Inkling 2 Small。它是一款混合专家（MoE）模型，总参数量 5940 亿，激活参数量 170 亿，支持图像输入，并且可调节推理算力投入强度（variable effort）。

在人工智能分析指数（Artificial Analysis Intelligence Index）上，Inkling 2 Small 取得 31 分，大幅超越我们上一代模型，在智能体编码、视觉能力、知识工作与推理上实现全面提升。性能增长来自训练全链路的优化：包括效率更高的预训练，以及一次大规模统一强化学习（RL）训练。

Inkling 2 Small 初期仅在 Tinker 平台开放使用，权重闭源，遵循我们此前文章《开放权重的安全路径》提出的方案。我们计划在外部安全测试与红队测评完成后，于下周以 Apache 2.0 协议开放完整权重。

你现在就可以在 Tinker 在线体验平台试用 Inkling 2 Small。该模型同时支持在 Tinker 上进行微调与采样；权重正式发布后，大家即可下载模型检查点。

---

模型能力

Inkling 2 Small 相比第一代模型综合能力更强，尤其擅长长周期自主任务。 依托视觉与智能体能力，它可以接收视觉反馈，迭代开发、优化网站、游戏以及带交互元素的 3D 设计。

示例项目：城市模拟器、Linux PC、折纸、图生视频

城市模拟器：模型基于 Three.js 从零搭建完整城市模拟器，不依赖预制素材，程序化生成所有建筑、纹理、车辆。用户只需画出一条道路，就能让一座城市逐步生长，同时管理电力、预算与各类突发事件。

智能体编码与自动研究

我们使用强化学习，在大量多智能体框架、上下文压缩策略下，用数十万条长周期编码任务训练 Inkling 2 Small。我们升级了合成编码数据流水线，不再只依靠单元测试作为奖励信号；很多任务引入智能体强化学习打分器，不仅评判代码是否跑通，还评估模型解决问题的思路。 我们还曾以 Fledge-Alpha 为名，在 OpenCode.ai 上用早期检查点做实测，检验模型在真实编码场景里的表现。

最终成品编码能力更强，更适合嵌入真实智能体循环。相比初代 Inkling，它易用性更好：指令遵循更稳定、修改方案考虑更周全、无需额外提示就能主动核验自己的工作。

编码 & 自动研究基准（节选）

• FrontierCode v2.0：Inkling 2 Small 25.4%（第二高）
• DeepSWE v1.1：Inkling 2 Small 72.1%（第二高）
• SWEBench Pro v2（困难集）：Inkling 2 Small 86.3%（第二高）
• Vibe Code Bench v1.1：Inkling 2 Small 81.6%
• PostTrainBench v1.2：Inkling 2 Small 31.9%（第二高）
• Terminal Bench Science v0.1：Inkling 2 Small 5.7%

内核优化基准 PMPP-Hard共 69 项任务，每个模型独立尝试 4 次，总预算 10 小时。10 小时完成任务均值： GPT-6 Astra 63、Kimi K3.1 Pro 60.5、Claude Opus 5.5 60、Kimi K3 55.75、DeepSeek V4.1 Flash 55.25、Inkling 2 Small 54.25、GLM 5.3 52.5、Mistral Large 4 50.25、GLM 5.2 42

PMPP-Hard 是第三方 GPU 内核优化基准，本次适配统一规则用于跨模型对比。曲线代表四次独立测试平均值，图例数值为 10 小时完成任务均值。

除常规软件开发任务外，Inkling 2 Small 还经过长周期自动研究任务训练，包含 GPU 内核优化、模型后训练等机器学习任务，并且在多种 GPU 架构上验证。

稀疏注意力内核自动研究初步结果（DeepSeek-V3.2 稀疏注意力，前向 + 反向）任务目标：基于公开 TileLang 内核，在误差约束贴近原版的前提下，提升训练内核速度，不限时长。基准覆盖多种模型规模，包含打包预训练序列、长上下文训练场景。公开 TileLang 基线并未针对 B300 调优，留有充足优化空间，用来衡量模型的优化能力与持续攻坚能力。加速比仅针对内核本身，不代表端到端训练加速。 10 小时最终加速倍数： Claude Opus 5.5：18.80 倍 GPT-6 Astra：10.26 倍 Inkling 2 Small：6.02 倍 DeepSeek V4.1 Flash：5.66 倍 GLM 5.3：5.03 倍 Mistral Large 4：3.43 倍

为展示端到端自动研究能力，我们在内部基准 Proximal.so 上做了测试：Inkling 2 Small 在 Tinker 平台上自主训练 Qwen3.5-4B，完成气象、维基页面访问量等时序预测任务。 它自主完成任务分析、编写评估器、筛选数据集、尝试有监督微调（SFT）与强化学习（RL）方案，并且边做边排错。历时 4.5 小时，消耗 Tinker 算力 426 美元，训练后的模型预测误差降低一半以上。

任务说明：基于 Qwen/Qwen3.5-4B 做时序预测 LoRA。输入一段历史时序文本窗口，预测后续数值；对每个窗口多次采样，预测中位数贴近真实值，预测分布匹配不确定性。在 Tinker 上训练 LoRA，总时限 12 小时，预算 500 美元。

任务流程：

1. 启动：读取任务与原始多年时序数据（电力负荷、风光发电、气象、空气质量、维基访问量）
2. 搭建评估体系
3. 数据治理
4. 有监督微调
5. 首轮结果
6. 全量历史数据 SFT
7. 强化学习
8. 更多轮 SFT
9. 提交结果

实测效果：美国西南电网用电需求误差降低 67%、纽约风电光伏误差降低 23%、维基词条 “Valhalla” 访问量预测误差降低 20%；温尼伯 PM2.5 空气质量预测误差小幅上升 3%。

数据来源：美国能源信息署 EIA-930；Open-Meteo 气象空气质量数据（CC BY 4.0，包含哥白尼气候与大气监测服务 2026 年数据）；维基访问量数据（CC0）。

视觉理解与生成

Inkling 2 Small 使用基于感知编码器（Perception Encoder）、参数量 2.92 亿的视觉编码器处理图像输入。采用 20×20 像素图块，搭配 2×2 空间池化，图像图块与文本 token 交错输入。 它在 OCR、目标定位、信息图表解读、视觉推理等多个方向表现突出。

视觉推理与生成基准（节选） GDP.pdf：Inkling 2 Small 25.2%（第一） MMMU Pro (Standard 10)：Inkling 2 Small 81.6%（第一） PerceptionBench：Inkling 2 Small 64.7%（第一） Humanity’s Sixth Sense：Inkling 2 Small 33.3%（第一） ScreenSpot Pro：Inkling 2 Small 83.8/91.5%（第一） BabyVision：Inkling 2 Small 68.6/93.7%（第一） Charxiv RQ：Inkling 2 Small 85.6/87.7%（第一） Chartography：Inkling 2 Small 36.7/80.4%（第一） Code Arena (WebDev)：Inkling 2 Small 1653 AA-3D：Inkling 2 Small 1021（第一） Code2Video-AA：Inkling 2 Small 1020（第二）

模型可以在任务循环中使用视觉能力，解读并校验自己生成的可视化代码产物。权重开放后，它将成为 DesignArena 榜单上性能最强的开源权重模型之一。

DesignArena 网站赛道分数（11 月 5 日快照）Muse Wonder（上限）1366 Muse Spark 1.3（xhigh）1351 Inkling 2 Small 1340 GPT-6 Astra（上限）1333 Kimi K3 1328 Claude Opus 5.5 1321 Kimi K3.1 Pro 1320 GPT-5.6 Sol（xhigh）1314 Gemini 4 Argon 1312 Claude Sonnet 5.5 1309 DeepSeek-V4.1-Flash-1017 1303 MiMo-V2.6-Pro 1303 Muse Spark Open（xhigh）1296

我们还做了趣味盲测：让模型和研究人员一起参加葡萄酒盲品，仅依靠图片视觉信息识别酒款。20 次测试中，Inkling 2 Small 猜对 19 次，表现优于研究员。

提示词：盲品竞赛，酒杯从左到右编号 1–3；品种：99 赤霞珠、19 赤霞珠、23 内比奥罗。 模型输出：先说明局限：手机在暖光餐厅拍摄，颜色参考有限，仅为合理推测，不是定论。 推测：1 号 = 2019 赤霞珠；2 号 = 1999 赤霞珠；3 号 = 2023 内比奥罗。

智能体知识工作

Inkling 2 Small 可以在真实专业场景中加速知识工作：自主检索信息、通过 MCP 调用工具、产出高质量交付物。在端到端知识工作基准 AA-Briefcase v1.1 上，ELO 得分 1527。

知识工作 & 企业业务基准（节选） AA-Briefcase v1.1：Inkling 2 Small 1527（第二） GDPVal-AA v2.1：Inkling 2 Small 1630 JobBench：Inkling 2 Small 70.5%（第一） Vals Legal Index：Inkling 2 Small 73.9%（第一） EnterpriseBench-CoreCraft：Inkling 2 Small 71.8%（第一）

它在金融、表格、财报文档的定量推理上优势明显，在多个金融基准上是开源权重模型里的最优梯队。

金融任务基准（节选） Vals Finance Index：Inkling 2 Small 61.5%（第一） Diligence Bench：Inkling 2 Small 58.1%（第二） DAYJOB（金融）：Inkling 2 Small 14.3%（第一） Apex-Accounting v1.1 pass@1：Inkling 2 Small 14.5%（第一） 

可定制微调能力

有些模型原生能力一般，但微调潜力很强。我们希望 Inkling 2 Small 成为优质底座模型，方便二次定制。 在相同数据集、相同算法、多种后训练场景下，Inkling 2 Small 学习速度更快、最终效果优于上一代模型。 举例：在一份公开金融文档摘要任务上，初始分数和老模型接近；Inkling 2 Small 仅用 75 轮训练就达到初代 Inkling Small 的最终水平，并且后续上限更高。

微调可学性对比：同样任务，Inkling 2 Small 收敛更快、最终奖励更高，在强化学习微调场景下和同类开源模型有竞争力。 测试任务：基于公开财报电话会议数据构建投资分析任务，复刻专家判断逻辑。为公平对比，每个模型都做学习率扫描；全部模型在 Tinker 上基于 Tinker Cookbook 抽象、StableReinforce 损失函数训练 200 步。Inkling 系列取 3 个随机种子平均；其他模型为单次运行。成本由采样与训练 token 乘以当前定价估算；采样时假设同组 rollout 内前缀缓存命中。

推理、知识与认知校准

Inkling 2 Small 训练数据包含高难度 STEM 问题、指令遵循、联网 / 离线信息检索、预测类任务。强化学习阶段，对预测任务使用恰当打分规则，对问答任务加入对不确定性敏感的奖励。 这让模型学会评估自身不确定性、给出匹配置信度的回答、输出校准合理的预测结果。

长上下文推理与事实性基准（节选） HLE-Diamond：Inkling 2 Small 28.7%（第一） CritPt v2 全量 / 困难集：Inkling 2 Small 55.7%/35.0%（第一） AA-LCR v1.1：Inkling 2 Small 83.3%（第二） LongBench v2：Inkling 2 Small 70.6%（第一） AA-Omniscience v1.1 分数 / 非幻觉率：Inkling 2 Small 16.1/73.3（第二）

安全与对齐

我们对 Inkling 2 Small 的安全工作围绕两大问题：面向普通用户的表现，以及抵御恶意攻击者绕过安全防护的能力。权重开放前，我们和合作方会继续完成安全评估。

为评估滥用风险，我们训练了一个只追求 “有用” 的变体版本。我们把这个版本和发布用检查点一起送入比以往所有版本覆盖更广的评测集，外部测评人员规模也更大。

在生化放射核（CBRN）风险方向，Inkling 2 Small 的知识与能力得分低于开源模型第一梯队。 在 Scale AI 私有基准 FORTRESS（包含 CBRN、恐怖主义、非暴力犯罪类对抗提示，衡量模型提供有害协助程度）上，Inkling 2 Small 的平均风险得分低于初代 Inkling 和 Inkling Small，同时过度拒绝得分更高（见局限性章节）。 这个 “优先有用” 版本相比发布版，CBRN 知识仅有小幅提升，在我们所有测试维度上都没有突破前沿。

在攻击性、双用途智能体网络安全基准上，Inkling 2 Small 相比 Inkling Small 进步很大，但仍落后开源第一梯队；在 Vals CyberBench v1.1 和 PatchEval（漏洞发现与修复）上达到开源第一梯队水平。

安全基准（节选） FORTRESS（平均风险得分，越低越好）：Inkling 2 Small 16.2（第二优） FORTRESS（过度拒绝得分，越低越好）：Inkling 2 Small 20.4 DistressBench：Inkling 2 Small 82.0（第二优） StrongREJECT：Inkling 2 Small 97.1 PatchEval：Inkling 2 Small 79.6（第二优） Vals CyberBench：Inkling 2 Small 72.7（第一）

注：模型在心理危机场景处理效果良好，但在普通情感支持对话中有时会过度输出免责声明，详见局限性。

随着模型可以自主执行无监督、长周期任务，模型失序带来的潜在危害也随之上升。如果对齐设计不足，只追求能力的强化学习会驱使模型不计代价完成任务。 在早期检查点测试中，遇到高难度任务时，模型会执着于达成目标：有时编造结果、无视指令、隐瞒自己的操作。

我们在全栈层面优化对齐能力：

• 训练中期过滤掉包含失序行为的轨迹，补充诚实、对齐行为样本；
• 强化学习中加入通用对齐奖励，对所有任务里的不当行为做惩罚；
• 专门搭建针对已发现失效模式的环境，例如奖励模型在不可能任务上主动放弃；
• 使用基于行为规范提示的教师模型做在线自蒸馏，让模型内化行为准则，而不是只在收到提示时才遵守。

经过内部与外部评测，Inkling 2 Small 在对齐指标上显著优于前代 Inkling 系列，在我们内部评测中优于同梯队开源模型。但对齐能力仍然弱于闭源模型（例如 GPT-6.1 Sol），缩小这个差距是后续版本的重点。

对齐内部评测（越低越好） 内部失序行为：Inkling 2 Small 14.9（第二优） 隐蔽失序行为：Inkling 2 Small 11.8（第二优） 破坏性操作：Inkling 2 Small 4.7（最优） HoneyBench v0.2-alpha（奖励黑客）：Inkling 2 Small 44（最优） Apollo Research 无目标隐蔽行动：Inkling 2 Small 8（最优） Apollo Research 带目标隐蔽行动：Inkling 2 Small 0（最优）

我们用两层监控保障训练与评测安全：

1. 同步监控：工具调用执行前先检查，每个任务声明允许执行的动作；确定性规则校验调用是否符合任务策略、是否存在绕过模式，不确定案例交给 LLM 裁判复核；
2. 异步监控：LLM 裁判复盘训练、评测完成的完整轨迹，识别失序行为和越界操作，触发告警并进入事件处置流程。

这套纵深防御方案，是我们打造安全模型工厂的核心保障。

Inkling 2 Small 的训练过程

预训练阶段 H1：8.4 万亿 token，混合自然语言、代码、图像数据；在 NVIDIA GB300 NVL72 机架上训练 68 小时，支持高专家并行；原生使用 NVIDIA Blackwell 架构的 NVFP4 4 位浮点格式。后续我们会单独发文详细介绍 NVFP4 训练方案。

内部代码损失（字节每比特，越低越好）： Inkling 2 Small 预训练：0.2030 Inkling 2 Small 后训练：0.2080 Kimi K3.1 Pro（base 恢复）：0.2068 DeepSeek V4.1 Flash 1017（base 恢复）：0.2209 GLM-5.3 Flash（base 恢复）：0.2327 DeepSeek V4 Pro Base：0.2335 GLM-5.3 base 恢复：0.2358

说明：Inkling 2 Small 在这份 held-out 核心评测上显著优于其他开源模型；部分模型标注 “base-recovered”：仅拿到后训练检查点时，我们用预训练格式的代码文档微调，还原基础模型损失，该方法在有原始底座的模型上验证有效。

H2 阶段：3.8 万亿 token，更高质量、未见过的新数据，上下文 512K； H3、H4 阶段切换为部署格式数据混合： H3：约 3200 亿 token 推理与智能体轨迹，上下文 1M，搭配回放预训练数据； H4：仅保留最高质量数据，约 340 亿 token 智能体轨迹。 H3、H4 样本主要来自早期模型（含 Kimi K3、自家前代模型），经过正确性与对齐过滤。

随后是一轮统一联合强化学习：一共 1075 步，9 天完成，超过 1700 万条 rollout。

主强化学习规模 总算力：>4×10²³ FLOPs GPU 数量：2048 时长：9 天 Rollout 样本：1700 万 + Token 总量：3 万亿 +

任务池和配套打分器：

• 编码任务：隐藏单元测试 + 程序自动校验
• 文档、工具调用：基于评分标准的 LLM 裁判
• STEM、视觉问答：参考答案
• Web 应用开发：对渲染网页截图做成对奖励模型对比

任务占比（rollout 数量 /token 占比） 编码：38.5% / 65.0% 办公知识工作：9.1% /13.3% STEM 与推理：7.0% /7.6% 网页与应用开发：4.7% /7.2% 视觉：13.9% /3.0% 工具调用与通用智能体：17.1% /2.3% 搜索：2.0% /1.4% 对话、安全、认知校准：7.8% /0.2%

我们随机采样、设定算力投入档位，并在奖励函数加入长度惩罚，训练模型在速度和完备性之间做权衡。 异步强化学习使用分数中心化变体，也就是 Tinker 里的 StableReinforce 目标，对延迟容忍度高。训练混合短、长周期任务：rollout token 中位数 43K，p99 为 150 万；单次任务时长中位数 8 分钟，p99 为 4 小时。上下文窗口 256K，长周期任务开启压缩训练。训练奖励、评测性能随算力呈对数线性增长。

稳定训练指标 策略延迟中位数：17 次更新 Rollout 批次大小：16K 单次 rollout token：中位数 43K，p99 150 万 Rollout 时长：中位数 8 分钟，p99 4 小时 上下文：256K，长轨迹开启压缩

这套规模化训练落地依赖系统栈全链路优化：

• 强化学习基础设施支持 NVFP4 MoE 训练与采样；Prefill、草稿、验证流程全部 CUDA Graph 加速；
• 训练端复用预训练栈，专家并行、EPLB、CUDA Graph 提升 GPU 利用率；
• 长周期智能体负载：固定路由 + DRAM KV 缓存卸载，前缀缓存命中率稳定 93% 以上；即便长上下文训练，采样器与训练器比例维持 5:3；
• 权重传输使用 GPUDirectRDMA，带宽利用率 93%+，搭配校验和验证；
• 部署推理侧提供 NVFP4 KV 缓存变体，评测损失极小，降低推理成本。

长周期任务允许模型自主运行数小时，对齐失序风险随之升高。在主强化学习中途，异步监控系统捕捉到一例异常：模型任务失败后，尝试通过搜索工具调用第三方服务绕过网络限制。 我们随即暂停训练，加固基础设施，移除需要公网访问的环境，新增同步工具调用监控，之后恢复训练，并追加专门针对对齐的训练阶段。

这套流程优化后，我们可以用统一配方训练不同尺寸模型，性能与算力缩放规律可预测。Inkling 2 Small 是模型阶梯中的一员，后续我们会发布更多尺寸版本。

基准测试说明

和上一代 Inkling 一致，我们在广泛评测集上做基准测试。所有评测在 effort=0.99（xhigh 高算力档位）、温度 1.0 下运行；单条轨迹最大 token 上限 1M（初代 Inkling Small 是 256K）。

说明：为保证一致性，尽可能采用各模型官方公布的第三方评测分数；评测来源包括 Artificial Analysis、Datacurve、DesignArena、Scale、SurgeHQ、Mercor、Thoughtfullab、Vals.ai 等平台。表格中横线代表无公开结果。 标注规则：每行最高分、次高分分别标记。

局限性

相比初代 Inkling，Inkling 2 Small 易用性有所提升，但它并不擅长简洁表达；在包含大量技能的复杂代码库中，不一定总能选出最优工具。 和前代 Inkling 一样，原生支持图像输入，但不支持音频。 它没有针对闲聊对话场景深度优化：内容排版、结构化展示存在短板，斜杠符号使用偏多；在心理健康类、安全相关提问上容易过度反应、过度拒绝。

即刻体验 Inkling 2 Small

现在你就可以在 Tinker 平台上调用 Inkling 2 Small 进行推理和微调。安全测评完成后，未来几周内模型会登陆更多平台。

Inkling 2 Small 的研发，服务于我们的理念：打造延伸人类意志与判断力的 AI，《值得我们去创造的未来，是以人为本的未来》。期待它能激发你的创意，也期待看到大家用它创造出的作品。