Inkling Small: mniejszy model AI bije większych rywali

Laboratorium AI Thinking Machines, założone przez byłą dyrektorkę technologiczną OpenAI Mirę Murati, zaprezentowało światu swój drugi model o nazwie Inkling Small. To posunięcie wyraźnie pokazuje kierunek, w jakim zmierza firma – zamiast ścigać się na liczbę parametrów, stawia na inteligentną optymalizację i efektywność. Debiutujący model udowadnia, że mniejszy nie zawsze znaczy gorszy, a wręcz przeciwnie – potrafi być bardziej praktyczny.

Dane opublikowane przez Artificial Analysis pokazują, że Inkling Small osiąga wynik 40 punktów w Indeksie Inteligencji, tylko jeden punkt mniej niż jego większy odpowiednik Inkling. Co jednak kluczowe – robi to przy mniej niż jednej trzeciej parametrów (276 miliardów całkowitych, z czego tylko 12 miliardów aktywnych). Według analityków żaden otwarty model o podobnej lub mniejszej wielkości nie osiąga lepszych rezultatów.

Mniejszy model, lepsze wyniki w kluczowych testach

Najbardziej zaskakujące jest to, że Inkling Small w kilku prestiżowych testach pokonuje swojego większego brata. W wyzwaniu Humanity’s Last Exam uzyskał 32% skuteczności wobec 30% dla Inkling, a w teście GPQA Diamond (sprawdzającym wiedzę z fizyki, biologii i chemii) osiągnął 89% przy 87% większego modelu. Te różnice pokazują, że architektura modelu i sposób trenowania mają większe znaczenie niż sama liczba parametrów.

Oczywiście nie wszystko jest idealne – Inkling Small ustępuje większemu modelowi w zadaniach opartych na pracy z narzędziami (agent-based tasks) oraz w testach wiedzy faktograficznej. To naturalna konsekwencja mniejszej pojemności pamięciowej. Jednak w praktycznych zastosowaniach, gdzie liczy się szybkość i precyzja rozumowania, mniejszy model radzi sobie znakomicie.

Efektywność tokenowa jako przewaga konkurencyjna

Prawdziwą rewolucją jest jednak efektywność tokenowa. Inkling Small zużywa średnio tylko 24 tysiące tokenów wyjściowych na zadanie. Dla porównania, Deepseek V4 Flash potrzebuje do tego 45 tysięcy tokenów, a GPT-5.4 mini aż 78 tysięcy. To oznacza, że model Thinking Machines wykonuje tę samą pracę przy trzykrotnie mniejszym zużyciu zasobów obliczeniowych.

Dla firm i developerów przekłada się to bezpośrednio na niższe koszty operacyjne. Mniejsza liczba tokenów to nie tylko szybsze odpowiedzi, ale też mniejsze zużycie energii i mniejsze obciążenie infrastruktury. W czasach, gdy koszty obliczeniowe stają się główną barierą w skalowaniu rozwiązań AI, taka efektywność to ogromna zaleta.

Otwarta architektura i możliwość fine-tuningu

Inkling Small obsługuje tekst, obrazy i mowę, a jego okno kontekstowe obejmuje 256 tysięcy tokenów. Model został udostępniony na licencji Apache 2.0, co oznacza pełną swobodę w zakresie modyfikacji i komercyjnego wykorzystania. Wagi modelu są dostępne na Hugging Face, a użytkownicy mogą go dostrajać (fine-tuning) bezpośrednio w przeglądarce dzięki narzędziu Tinker Playground.

Thinking Machines pozycjonuje swoje modele jako fundament pod personalizację – firmy mogą dostosować je do własnych danych i specyficznych potrzeb. To podejście wpisuje się w szerszy trend, w którym uniwersalne modele coraz częściej ustępują miejsca wyspecjalizowanym rozwiązaniom szytym na miarę. Wielu specjalistów uważa, że właśnie ten kierunek – łączenie otwartych modeli z indywidualnym dostrajaniem – będzie kolejnym wielkim krokiem w rozwoju sztucznej inteligencji.

Debiut Inkling Small to ważny sygnał dla całej branży. Pokazuje, że wyścig na coraz większe modele nie jest jedyną drogą rozwoju. Optymalizacja pod kątem konkretnych zadań, efektywność kosztowa i otwartość architektury mogą okazać się kluczem do praktycznego wykorzystania AI na szeroką skalę. Czy inni gracze pójdą tą samą ścieżką? Czas pokaże, ale pierwszy krok został już wykonany.

Źródło

Może Cię zainteresować