Thinking Machines defiende los modelos de razonamiento más pequeños
Thinking Machines, el laboratorio de IA fundado por la ex CTO de OpenAI Mira Murati, ha lanzado Inkling Small, un modelo de razonamiento de pesos abiertos diseñado para competir en capacidad mientras usa una huella activa mucho menor que el anterior modelo Inkling de la compañía. El lanzamiento señala un cambio conocido pero cada vez más importante en el mercado de la IA: la eficiencia se está convirtiendo en una característica del producto por derecho propio, y no solo en una nota técnica al pie.
Según el texto fuente proporcionado, Artificial Analysis otorga a Inkling Small una puntuación de 40 en su Intelligence Index, solo un punto por debajo del 41 de Inkling. Esa diferencia es lo bastante estrecha como para dejar clara la idea principal. El nuevo modelo se posiciona como un sistema más pequeño que se aproxima al nivel general del modelo mayor, al tiempo que lo mejora en ciertos puntos de referencia de programación y razonamiento.
El perfil de tamaño del modelo es central en la propuesta. Inkling Small se describe con 276.000 millones de parámetros totales y 12.000 millones activos, lo que, según la fuente, supone menos de un tercio del tamaño del Inkling original. Artificial Analysis también afirma que ningún modelo abierto de tamaño igual o inferior obtiene una puntuación más alta en su índice.
Los resultados de benchmark sugieren mejoras específicas
La historia de los benchmarks no es simplemente que Inkling Small sea casi tan fuerte en términos generales como su predecesor. El texto fuente dice que supera al Inkling mayor en varias pruebas de programación y razonamiento. Dos ejemplos citados son Humanity’s Last Exam, donde Inkling Small obtiene 32% frente al 30% de Inkling, y GPQA Diamond, donde alcanza 89% frente al 87% de Inkling.
Esos números importan porque sugieren que el modelo no es solo una versión comprimida que conserva la mayor parte de la capacidad. Al menos en algunas tareas, parece capaz de superar al sistema más grande. Ese tipo de resultado es notable en un mercado donde los modelos más grandes a menudo se han considerado la vía por defecto hacia un mejor rendimiento.
Al mismo tiempo, la fuente no presenta Inkling Small como una mejora universal. Según se informa, queda por detrás del Inkling original en tareas basadas en agentes y en conocimiento factual. Esa limitación es importante porque devuelve el lanzamiento a la lógica de los compromisos, en lugar de la exageración. Los usuarios que busquen una ejecución de tareas autónoma más sólida o una memoria más amplia pueden seguir prefiriendo un modelo más grande, aunque el más pequeño resulte más atractivo por eficiencia.
La eficiencia es el mensaje competitivo más profundo
El factor diferenciador más fuerte podría ser la eficiencia en tokens. La fuente indica que Inkling Small promedia 24.000 tokens de salida por tarea, frente a 45.000 de Deepseek V4 Flash y 78.000 de GPT-5.4 mini. A primera vista, eso sugiere un modelo capaz de realizar un trabajo de razonamiento sustancial con menos salida generada que algunos sistemas competidores.
Ese tipo de eficiencia importa tanto para la economía como para el diseño del producto. Un menor uso de tokens de salida puede reducir el coste de inferencia y la latencia, y puede simplificar el despliegue en entornos donde el rendimiento o el presupuesto importan tanto como la fuerza bruta en benchmarks. Para las empresas que integran funciones de IA en productos, un modelo que hace más con menos tokens de salida puede resultar atractivo incluso si no lidera todas las clasificaciones.
Por tanto, el lanzamiento apunta a un cambio más amplio en la forma en que los proveedores de IA presentan el progreso. En lugar de centrarse solo en el rendimiento máximo absoluto, los desarrolladores compiten cada vez más en la ecuación de calidad por token. Inkling Small encaja en ese patrón al ofrecer un modelo que, según las cifras proporcionadas, se mantiene cerca de su hermano mayor en términos generales mientras mejora su perfil de eficiencia.
Los pesos abiertos y la entrada multimodal amplían el atractivo
Thinking Machines también intenta ampliar el alcance práctico del modelo. El texto fuente dice que Inkling Small admite entradas de texto, imagen y voz, y que cuenta con una ventana de contexto de 256.000 tokens. Se lanza bajo la licencia Apache 2.0, con los pesos alojados en Hugging Face.
Esos detalles importan porque determinan quién puede usar el modelo y con qué rapidez puede adaptarse. Un lanzamiento bajo Apache 2.0 reduce la fricción para la experimentación y el uso comercial. La compatibilidad con entradas multimodales hace que el sistema sea relevante para un abanico más amplio de aplicaciones que el razonamiento basado solo en texto. Y una ventana de contexto larga aumenta su atractivo para tareas que requieren manejar documentos extensos, conversaciones largas o memoria de trabajo amplia.
La fuente también afirma que los usuarios pueden ajustar el modelo en el navegador a través de Tinker Playground. Esa función encaja con el posicionamiento de Thinking Machines de sus modelos como una base para personalizar con los propios datos del usuario. En otras palabras, la empresa no solo vende la historia de un modelo base, sino un flujo de trabajo en el que los usuarios adaptan ese modelo base a objetivos más concretos.
Por qué este lanzamiento importa en el mercado actual de modelos
Inkling Small llega en un momento en que los desarrolladores de IA están bajo presión para demostrar valor práctico, no solo escala. Seguir entrenando modelos cada vez más grandes sigue siendo costoso, y los equipos de producto que los despliegan tienen que sopesar coste, velocidad, flexibilidad y licencias junto con la capacidad. Eso crea espacio para modelos que quizá no sean los más grandes ni los más potentes en todos los frentes, pero que sean lo bastante buenos en tareas clave y más eficientes de ejecutar.
La fuente presenta Inkling Small exactamente como ese tipo de oferta: un modelo de razonamiento de pesos abiertos más pequeño que rinde de forma inusualmente buena para su tamaño. Si ese posicionamiento se confirma en un uso más amplio, podría reforzar el argumento de que el desarrollo de modelos está entrando en una fase más disciplinada, en la que la optimización y el valor de despliegue importan tanto como la expansión bruta.
También mantiene la atención sobre un segmento creciente del mercado: los modelos abiertos que pueden ajustarse y embebirse en flujos de trabajo personalizados. Los sistemas propietarios de frontera siguen dominando muchas comparaciones de titulares, pero los lanzamientos de pesos abiertos siguen siendo estratégicamente importantes porque ofrecen a las organizaciones más control directo sobre cómo se adapta, aloja y gobierna un modelo.
Un paso medido, no maximalista
Lo más interesante de Inkling Small puede ser lo que no intenta afirmar. Según el texto proporcionado, Thinking Machines no lo presenta como el mejor modelo de todas las categorías. En su lugar, el lanzamiento defiende una propuesta más estrecha y pragmática: rendimiento cercano al nivel superior para su tamaño, victorias en ciertos benchmarks frente a su hermano mayor, capacidad multimodal, largo contexto y un perfil de consumo de tokens notablemente más austero.
Eso hace que el lanzamiento tenga menos que ver con el espectáculo y más con las prioridades de ingeniería. Los modelos pequeños con menos parámetros activos que razonan bien, siguen abiertos y reducen el gasto en tokens probablemente seguirán siendo atractivos a medida que madure el despliegue de IA. Inkling Small parece una apuesta directa por ese futuro.
Que llegue a ser un modelo base ampliamente adoptado dependerá de pruebas reales más allá de las cifras resumidas aquí. Pero, con la información disponible, el mensaje estratégico ya es claro. Thinking Machines intenta demostrar que, en IA, la eficiencia ya no es una categoría de compromiso. Se está convirtiendo en una vía competitiva seria por sí misma.
Este artículo se basa en la cobertura de The Decoder. Leer el artículo original.
Originally published on the-decoder.com