Inkling团队今日正式发布第二代混合专家（MoE）模型Inkling 2 Small。该模型拥有5940亿总参数和170亿活跃参数，支持图像输入及可变计算资源消耗。在Artificial Analysis智能指数中，Inkling 2 Small取得31分，显著超越前代产品，反映出其在代理式编程、视觉理解、知识工作及推理能力上的全面提升。
目前，Inkling 2 Small已通过Tinker平台以闭源权重形式提供服务。团队表示，在完成外部安全测试和红队演练后，计划于下周遵循Apache 2.0许可证正式开放完整权重。用户现可在Tinker Playground中体验该模型，并进行微调与采样；待权重开放后，检查点文件也将同步供下载。
核心能力：代理编程与自动研究
Inkling 2 Small在长周期自主工作方面表现突出，能够利用视觉反馈迭代构建并完善包含交互元素的网站、游戏及3D设计。在代理式编程领域，该模型接受了数十万次跨多框架的长周期任务强化学习训练。通过优化合成数据管道并引入代理式RL评分器，模型不仅评估代码通过率，更关注解题思路。此前在OpenCode中以Fledge-Alpha名义进行的早期测试显示，新模型对用户指令遵循度更高，能审慎考虑变更并主动验证成果。
在自动研究方面，Inkling 2 Small展现了端到端的执行能力。在一项内部基准测试中，该模型自主训练Qwen3.5-4B以预测天气和维基百科页面浏览量等时间序列数据。经过4.5小时运行及426美元算力消耗，训练后的模型预测得分翻倍。
视觉理解与创作
该模型采用基于Perception Encoder的2.92亿参数视觉编码器，通过20x20像素图块及2x2空间池化技术，将图像与文本令牌交错处理。其在OCR、定位、信息图解读及视觉推理等类别中表现强劲。在GDP.pdf、MMMU Pro等基准测试中，Inkling 2 Small多项指标领先或持平于GLM-5.3-Flash、DeepSeek-V4.1-Flash等竞品。此外，模型具备“视觉闭环”机制，有望在权重发布后成为DesignArena排名第一的开放权重模型。在盲测实验中，该模型仅凭图片在20次试验中19次正确识别葡萄酒，视觉分辨力甚至超越人类研究人员。
知识工作与金融垂直领域
Inkling 2 Small能熟练调用工具并生成高质量交付物，在AA-Briefcase基准测试中获得1527分ELO得分。在金融领域，该模型针对电子表格、备案文件及文档的量化推理表现优异，在AA-AnalystAgent和Dayjob:Finance榜单上位列开放权重模型第一，在Vals Finance Index和DiligenceBench上排名第二。
可定制性与推理能力
作为基础模型，Inkling 2 Small在后训练场景中展现出更快的学习速度。在财务文档摘要任务中，仅需75个训练步骤即可达到前代模型的最终性能并实现超越。在推理与知识层面，通过引入不确定性敏感奖励机制，模型能更好地评估置信度。在HLE-Diamond、LongBench v2等长上下文推理及事实性基准测试中，其表现优于或持平于主流竞品。
安全与对齐
安全评估显示，Inkling 2 Small在化学、生物、放射性和核（CBRN）领域的风险得分低于开放权重前沿水平。在Scale AI的FORTRESS基准测试中，其平均风险得分低于前代产品，且表现出更高的过度拒绝率。在网络攻防方面，虽然较前代有巨大飞跃，但仍落后于开放权重前沿水平；在Vals CyberBench v1.1和PatchEval等漏洞发现与修补能力测试中，其与前沿水平持平。权重的最终发布将取决于后续与合作伙伴的安全评估结果。