Inkling 2 Mini é um modelo aberto de 26,4 bilhões de parâmetros totais — 3,4 bilhões ativos por token — que a Thinking Machines Lab lançou em 20 de novembro de 2026 com uma proposta incomum: repetir internamente parte de suas camadas para obter mais etapas de raciocínio sem transformar cada resposta em uma cadeia de pensamento maior. A empresa afirma que o modelo cabe em cerca de 20 GB de memória, pode rodar localmente em Macs com pelo menos 32 GB de RAM e foi otimizado especialmente para tarefas de programação com agentes e uso de ferramentas.
O lançamento importa menos pelo número de parâmetros do que pela arquitetura. Em vez de empilhar mais blocos independentes, o Inkling 2 Mini reutiliza os blocos centrais três vezes a cada token gerado. A técnica, chamada de looping, aumenta a profundidade de computação por token; na prática, é uma tentativa de ganhar capacidade de raciocínio e planejamento sem exigir um modelo muito maior na memória.
Em resumo
- O Inkling 2 Mini é um Mixture-of-Experts (MoE) com 26,4 bilhões de parâmetros totais e 3,4 bilhões ativados por token.
- Segundo a Thinking Machines Lab, a implantação usa NVFP4 na maior parte dos pesos e MXFP8 nas quatro últimas camadas, com pegada aproximada de 20 GB.
- Os pesos foram abertos e o modelo está disponível no Hugging Face; a empresa também cita suporte de inferência em Ollama, vLLM, SGLang, llama.cpp, Unsloth, NVIDIA Dynamo e TokenSpeed.
- O foco declarado é programação agentiva, pesquisa com ferramentas e execução local, não ser o melhor chatbot pequeno para diálogos longos com muitas restrições.
O que muda com um transformer em loop
Um transformer convencional faz cada token atravessar sua sequência de camadas uma única vez. No Inkling 2 Mini, as 24 camadas são divididas em quatro blocos de seis: o primeiro bloco roda uma vez, os dois blocos centrais rodam três vezes compartilhando os mesmos pesos e o último bloco roda uma vez. Assim, o modelo armazena 24 camadas, mas executa 48 aplicações de camada por token.
Essa diferença é relevante porque tarefas como depurar código, seguir uma cadeia de dependências ou planejar chamadas de ferramentas exigem várias transformações sequenciais. A arquitetura oferece mais processamento interno antes de o modelo precisar emitir outro token. A empresa argumenta que isso pode reduzir a necessidade de “pensar em voz alta” por muitos tokens, embora o ganho não transforme automaticamente o modelo em uma fonte melhor de fatos: memória factual continua limitada, em grande parte, pelo número total de parâmetros e pelos dados de treinamento.
| Característica | Inkling 2 Mini | Consequência prática |
|---|---|---|
| Arquitetura | MoE com blocos centrais em loop | Mais computação sequencial sem triplicar os pesos armazenados |
| Parâmetros | 26,4B totais; 3,4B ativos por token | Ativação esparsa reduz o trabalho por token em relação a um modelo denso equivalente |
| Precisão de implantação | NVFP4 na maior parte; MXFP8 nas quatro últimas camadas | Menor consumo de memória, com risco de dependência de suporte adequado de runtime e hardware |
| Memória declarada | ~20 GB | Possibilita execução local em máquinas com memória suficiente, mas não garante boa velocidade em qualquer notebook |
| Distribuição | Pesos abertos | Permite execução, estudo e adaptação por terceiros conforme a licença e os termos do projeto |
Desempenho: onde os números ajudam — e onde exigem cautela
A Thinking Machines Lab reporta 48,2% no DeepSWE v1.1 e 46,5% no Vals Index v2.2, comparando o modelo com outros pesos abertos abaixo de 100 bilhões de parâmetros. Nos testes publicados pela empresa, ele também aparece forte em tarefas que combinam busca, ferramentas e software, como BrowseComp, DeepSearchQA e MCP Atlas.
Esses resultados são úteis para entender o posicionamento do modelo, mas não equivalem a uma garantia de desempenho em um repositório brasileiro, em uma base privada ou no ambiente de produção de uma empresa. Benchmarks usam agentes, prompts, ferramentas, orçamentos de tokens e critérios próprios; a própria página reconhece que as configurações de avaliação variam entre modelos. Antes de uma adoção, vale reproduzir tarefas reais: uma correção de bug, a leitura de uma API interna, um fluxo de CI e uma política de aprovação humana.
Quantização nativa e execução local
Uma característica técnica importante é que a empresa treinou a maior parte do modelo em NVFP4 e o distribui nessa precisão, mantendo MXFP8 nas quatro camadas finais. Em termos simples, trata-se de uma representação de baixa precisão que reduz a memória necessária para os pesos. A vantagem declarada é evitar uma conversão posterior de quantização, que pode introduzir perdas em modelos treinados originalmente em uma precisão maior.
O requisito de memória não deve ser confundido com uma promessa de experiência idêntica em todo hardware. A empresa diz suportar, no lançamento, sistemas Mac com ao menos 32 GB de RAM via Ollama e cita o NVIDIA DGX Spark para execução eficiente em NVFP4. Em outras máquinas, versões GGUF e runtimes como llama.cpp ou Unsloth podem viabilizar o uso local, mas a velocidade, o contexto disponível e o consumo de memória dependem da quantização escolhida, da RAM, da memória de GPU e do backend.
Como usar sem confundir disponibilidade com simplicidade
O caminho mais seguro para experimentar é começar pelos canais indicados pela própria organização: o repositório/model card no Hugging Face, a plataforma Tinker para inferência e personalização e os runtimes que já anunciam suporte. Para uma equipe, a sequência recomendada é validar primeiro o modelo em um ambiente isolado, registrar versões de runtime e pesos, limitar chamadas de ferramentas e comparar a qualidade com um conjunto fixo de tarefas.
Projetos que usam agentes precisam tratar permissões como parte da arquitetura. Um modelo capaz de chamar shell, editar arquivos, navegar ou acessar repositórios não deve receber credenciais amplas apenas porque foi executado localmente. Use ambientes descartáveis, chaves de escopo mínimo, listas de comandos permitidos, revisão humana antes de operações destrutivas e logs que registrem prompt, ferramenta chamada e resultado.
Limitações declaradas
A própria Thinking Machines Lab afirma que o Inkling 2 Mini não é seu modelo pequeno mais forte para conversas de múltiplos turnos nem para instruções com muitas restrições. A página cita 50,0% no MultiChallenge e 33,4% no ComplexConstraints v1.1, atrás do Qwen3.8-27B em ambos. Ele também fica atrás de modelos maiores em avaliações intensivas de raciocínio, como CritPt v2 e HLE-Diamond.
Há ainda uma limitação conceitual: mais computação interna pode tornar uma resposta mais eficiente, mas torna mais importante investigar como auditar o raciocínio. A empresa publicou uma variante de pesquisa com número variável de loops e relata que, nos seus testes, cadeias de pensamento ficaram menores, porém ainda legíveis, sem tendência clara de aumento em sabotagem agentiva. É uma conclusão preliminar e dependente de suas avaliações, não uma prova geral de segurança para qualquer modelo em loop.
Por que a monitorabilidade é parte da notícia
Modelos de raciocínio costumam expor parte do processo em texto, o que permite algum monitoramento externo. Se um modelo faz mais trabalho entre um token e outro, parte maior do processo pode ocorrer sem aparecer na cadeia de pensamento. A Thinking Machines Lab mediu essa tensão em uma variante de pesquisa e disponibilizou os artefatos para que outros grupos estudem interpretabilidade e monitoramento.
O ponto prático para desenvolvedores é não confundir uma cadeia de pensamento legível com uma auditoria suficiente. Para agentes, o controle mais confiável continua fora do modelo: permissões, validação de entradas, isolamento de ferramentas, testes de regressão e aprovação humana em ações que alteram código, infraestrutura ou dados.
Análise do NoticIA
O Inkling 2 Mini é um lançamento relevante porque desloca a discussão de “quantos parâmetros cabem no laptop” para “quanta computação útil cada token consegue fazer”. O looping não elimina o custo de inferência — repetir blocos também consome computação —, mas sugere uma rota interessante para modelos locais voltados a agentes: manter pesos e memória em uma faixa administrável enquanto aumenta a profundidade de raciocínio.
Para o público brasileiro, o valor imediato está em poder testar um modelo aberto, compacto e orientado a ferramentas sem depender exclusivamente de uma API proprietária. A decisão de uso, porém, deve ser guiada por avaliação própria e requisitos de privacidade, hardware e governança. O cenário mais promissor não é substituir automaticamente modelos maiores, mas usar o Inkling 2 Mini onde execução local, latência, custo previsível ou controle de dados compensarem suas limitações declaradas.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
