Thinking Machines lança Inkling Small com aposta em um menor tamanho

A Thinking Machines está defendendo modelos de raciocínio menores

A Thinking Machines, o laboratório de IA fundado pela ex-CTO da OpenAI Mira Murati, lançou o Inkling Small, um modelo de raciocínio com pesos abertos projetado para competir em capacidade enquanto usa uma pegada ativa muito menor do que o modelo Inkling anterior da empresa. O lançamento sinaliza uma mudança familiar, mas cada vez mais importante, no mercado de IA: a eficiência está se tornando um recurso de produto em si, e não apenas uma nota técnica de rodapé.

De acordo com o texto de origem fornecido, a Artificial Analysis atribui ao Inkling Small uma pontuação de 40 no seu Intelligence Index, apenas um ponto abaixo dos 41 do Inkling. Essa diferença é pequena o suficiente para deixar a mensagem clara. O novo modelo é posicionado como um sistema menor que se aproxima do desempenho geral do modelo maior, ao mesmo tempo em que o supera em alguns benchmarks de programação e raciocínio.

O perfil de tamanho do modelo é central na proposta. O Inkling Small é descrito como tendo 276 bilhões de parâmetros totais e 12 bilhões ativos, o que a fonte diz ser menos de um terço do tamanho do Inkling original. A Artificial Analysis também diz que nenhum modelo aberto de tamanho igual ou menor obtém pontuação mais alta em seu índice.

Os resultados de benchmark sugerem ganhos específicos

A história dos benchmarks não é apenas que o Inkling Small é quase tão forte no geral quanto seu predecessor. O texto fonte diz que ele supera o Inkling maior em vários testes de programação e raciocínio. Dois exemplos citados são Humanity’s Last Exam, em que o Inkling Small marca 32% contra 30% do Inkling, e GPQA Diamond, em que chega a 89% contra 87% do Inkling.

Esses números importam porque sugerem que o modelo não é apenas uma versão comprimida que preserva a maior parte da capacidade. Em pelo menos algumas tarefas, ele parece ser capaz de superar o sistema maior. Esse tipo de resultado é notável em um mercado em que modelos maiores muitas vezes foram tratados como o caminho padrão para maior desempenho.

Ao mesmo tempo, a fonte não apresenta o Inkling Small como uma atualização universal. Ele reportedly fica atrás do Inkling original em tarefas baseadas em agentes e em conhecimento factual. Essa limitação é importante porque mantém o lançamento ancorado em trade-offs, e não em hype. Usuários que buscam execução autônoma de tarefas mais forte ou memória mais ampla ainda podem preferir um modelo maior, mesmo que o menor seja mais atraente em eficiência.

Eficiência é a mensagem competitiva mais profunda

O diferencial mais forte pode ser a eficiência de tokens. A fonte diz que o Inkling Small gera, em média, 24.000 tokens de saída por tarefa, contra 45.000 do Deepseek V4 Flash e 78.000 do GPT-5.4 mini. À primeira vista, isso sugere um modelo capaz de fazer um trabalho substancial de raciocínio com menos saída gerada do que alguns sistemas concorrentes.

Esse tipo de eficiência importa tanto para a economia quanto para o design de produto. Menor uso de tokens de saída pode reduzir custo de inferência e latência, e pode simplificar a implantação em ambientes em que throughput ou orçamento importam tanto quanto a força bruta nos benchmarks. Para empresas que incorporam recursos de IA em produtos, um modelo que faz mais com menos tokens de saída pode se tornar atraente mesmo que não lidere todos os rankings.

O lançamento, portanto, aponta para uma mudança mais ampla na forma como os fornecedores de IA enquadram o progresso. Em vez de enfatizar apenas o desempenho máximo absoluto, os desenvolvedores estão cada vez mais competindo na equação de qualidade por token. O Inkling Small se encaixa nesse padrão ao oferecer um modelo que, com base nos números fornecidos, permanece próximo do seu irmão maior no geral enquanto melhora seu perfil de eficiência.

Peso aberto e entrada multimodal ampliam o apelo

A Thinking Machines também tenta ampliar o alcance prático do modelo. O texto fonte diz que o Inkling Small suporta entradas de texto, imagem e voz e vem com uma janela de contexto de 256.000 tokens. Ele é lançado sob a licença Apache 2.0, com os pesos hospedados no Hugging Face.

Esses detalhes importam porque moldam quem pode usar o modelo e com que rapidez ele pode ser adaptado. Um lançamento em Apache 2.0 reduz a fricção para experimentação e uso comercial. O suporte a entrada multimodal torna o sistema relevante para uma gama mais ampla de aplicações do que o raciocínio apenas textual. E uma janela de contexto longa aumenta seu apelo para tarefas que exigem lidar com documentos grandes, conversas longas ou memória de trabalho extensa.

A fonte também diz que os usuários podem fazer fine-tuning do modelo no navegador por meio do Tinker Playground. Esse recurso se alinha ao posicionamento da Thinking Machines de seus modelos como uma base para customização com os dados próprios dos usuários. Em outras palavras, a empresa não está vendendo apenas uma história de modelo base. Está vendendo um fluxo de trabalho em que os usuários adaptam esse modelo base a objetivos mais específicos.

Por que o lançamento importa no mercado atual de modelos

O Inkling Small chega em um momento em que os desenvolvedores de IA estão sob pressão para mostrar valor prático, e não apenas escala. Treinar modelos cada vez maiores continua caro, e as equipes de produto que os implantam precisam ponderar custo, velocidade, flexibilidade e licenciamento junto com capacidade. Isso abre espaço para modelos que talvez não sejam os maiores nem os mais poderosos em todos os aspectos, mas que sejam bons o suficiente em tarefas-chave e mais eficientes de executar.

A fonte apresenta o Inkling Small exatamente como esse tipo de oferta: um modelo de raciocínio com pesos abertos menor que tem desempenho incomumente bom para seu tamanho. Se esse posicionamento se sustentar em uso mais amplo, ele pode fortalecer o argumento de que o desenvolvimento de modelos está entrando em uma fase mais disciplinada, em que otimização e valor de implantação importam tanto quanto expansão bruta.

Isso também mantém a atenção sobre um segmento crescente do mercado: modelos abertos que podem ser ajustados e incorporados a fluxos de trabalho personalizados. Sistemas proprietários de fronteira ainda dominam muitas comparações de manchete, mas os lançamentos de pesos abertos continuam estrategicamente importantes porque dão às organizações mais controle direto sobre como um modelo é adaptado, hospedado e governado.

Um passo medido, não maximalista

A parte mais interessante do Inkling Small talvez seja o que ele não tenta reivindicar. Com base no texto fornecido, a Thinking Machines não o apresenta como o melhor modelo em todas as categorias. Em vez disso, o lançamento defende uma proposta mais estreita e pragmática: desempenho próximo ao topo para seu tamanho, vitórias em benchmarks selecionados sobre um irmão maior, capacidade multimodal, contexto longo e um perfil de consumo de tokens visivelmente mais enxuto.

Isso torna o lançamento menos sobre espetáculo e mais sobre prioridades de engenharia. Modelos menores, com menos parâmetros ativos, que raciocinam bem, permanecem abertos e reduzem o gasto de tokens provavelmente continuarão atraentes à medida que a implantação de IA amadurece. O Inkling Small parece ser uma aposta direta nesse futuro.

Se ele se tornará um modelo de base amplamente adotado dependerá de testes do mundo real além dos números resumidos aqui. Mas, com as informações disponíveis, a mensagem estratégica já está clara. A Thinking Machines está tentando provar que, em IA, eficiência não é mais uma categoria de compromisso. Ela está se tornando uma faixa competitiva séria por si só.

Este artigo é baseado na cobertura do The Decoder. Leia o artigo original.