Análise do Inkling Small: 40 vs Inkling 41 em 276B

A contagem de parâmetros costumava ser o espelho de academia favorito da indústria de IA. Maior parecia melhor, mesmo quando o modelo estava basicamente fazendo pose sob a iluminação de um galpão. Então o Inkling Small, da Thinking Machines Lab, entrou em cena com 276B de parâmetros totais, 12B de MoE ativos e uma pontuação 40 no Artificial Analysis Intelligence Index, um ponto atrás dos 41 do Inkling, apesar de o Inkling pesar 975B no total e 41B de parâmetros ativos. Em algum lugar, uma planilha chamada moat está suando discretamente. A versão curta: a Thinking Machines Lab lançou um modelo de raciocínio de pesos abertos menor que chega desconfortavelmente perto de seu irmão principal em um benchmark de terceiros. A versão útil: este é mais um lembrete de que a contagem de parâmetros está se tornando uma péssima aproximação para saber se um modelo é implantável, útil ou se vale a pena alimentar seu orçamento de GPU como se fosse um guaxinim caríssimo.

A Artificial Analysis diz que menor não significou mais fraco A Artificial

Analysis informou em 30 de julho de 2026 que o Inkling Small marca 40 em seu Intelligence Index, ficando a um ponto do Inkling, lançado duas semanas antes com 41. O mesmo relatório da Artificial Analysis diz que o Inkling Small é um modelo de raciocínio de pesos abertos com entrada de texto, imagem e fala, além de uma janela de contexto de 256K tokens. Ele também traz a comparação crucial: o Inkling Small tem 276B de parâmetros totais e 12B de MoE ativos, enquanto o Inkling tem 975B no total e 41B ativos. Isso não é um erro de arredondamento; é um plano de dieta com recibos de benchmark. A Artificial Analysis também informou que o Inkling Small iguala ou supera o Inkling em várias avaliações de codificação e raciocínio de fronteira. Ele pontua mais alto no Humanity's Last Exam, com 32% contra 30%, no GPQA Diamond, com 89% contra 87%, no CritPt, com 8% contra 5%, e no SciCode, com 49% contra 46%. Benchmarks não são experiência de produto, e quem disser o contrário provavelmente também avalia sopa pela viscosidade. Mas quando o modelo menor vence vários subtestes, a história deixa de ser fofinha e começa a ficar arquitetural.

A Thinking Machines está tornando o argumento de implantação mais forte

A Thinking Machines anunciou o Inkling Small em seu próprio site em 30 de julho de 2026, apresentando-o com seções sobre raciocínio e tarefas agênticas, multimodalidade, epistêmica, segurança e benchmarking. A empresa também direciona os leitores para o Tinker, um model card e o Hugging Face a partir da página do anúncio. Esse padrão de distribuição importa porque modelos de pesos abertos vivem ou morrem não apenas por gráficos de benchmark, mas por saber se os desenvolvedores conseguem realmente inspecioná-los, adaptá-los e executá-los sem abrir um chamado de compras no vazio. A VentureBeat relata que o Inkling Small chegou apenas duas semanas depois de a Thinking Machines lançar o Inkling, seu primeiro modelo de linguagem de IA open source. A VentureBeat também diz que o Inkling Small usa uma licença permissiva Apache 2.0 e fica a apenas um ponto do modelo maior no Artificial Analysis Intelligence Index. Para equipes empresariais, esse detalhe de licença não é decorativo. É a diferença entre testar um modelo em um laboratório e ver o jurídico arremessar uma cadeira no roadmap.

A VentureBeat enquadra isso como um concorrente de pesos abertos

A VentureBeat descreveu anteriormente o Inkling original como voltado para empresas que estão movendo cargas de trabalho de IA agêntica para modelos de pesos abertos que podem personalizar, controlar e executar on-premises ou em nuvens privadas virtuais. Esse contexto torna o Inkling Small mais interessante do que um simples lançamento de irmão menor. Se um modelo menor consegue ficar perto do carro-chefe no ranking, a pergunta prática passa a ser menos até que tamanho podemos chegar e mais de quanto modelo realmente precisamos para esta carga de trabalho. É aqui que a infraestrutura de IA deixa de ser fogos de artifício e vira encanamento, o que é menos glamouroso, mas muito mais difícil de fingir. Mixture of Experts é especialmente relevante aqui porque a contagem de parâmetros ativos é a parte que trabalha para um determinado token. MoE soa como uma consultoria que cobra por suspiro, mas a ideia é simples: nem toda sub-rede especialista precisa acordar para toda entrada. A Artificial Analysis informa 12B de MoE ativos para o Inkling Small contra 41B ativos para o Inkling. Essa diferença é exatamente o motivo pelo qual builders vão apertar os olhos para latência, memória, batching e restrições de hospedagem antes de apertar os olhos para o logotipo.

A Artificial Analysis dá aos builders o verdadeiro dever de casa A Artificial

Analysis diz que nenhum modelo de pesos abertos do tamanho do Inkling Small ou menor pontua mais alto em seu Intelligence Index. Ela também observa que o DeepSeek V4 Flash, com 284B no total e 13B ativos, marca 40; o MiniMax-M3 chega a 44 com 23B ativos; e o GLM-5.2 chega a 51 com 40B ativos. Tradução: ainda há espaço acima do Inkling Small, mas a curva de tamanho para pontuação está ficando estranha de um jeito produtivo. O gráfico antigo em que mais parâmetros equivalem a um modelo melhor agora é menos uma lei da natureza e mais um ímã de geladeira. Para leitores que estão construindo com IA, o caminho é simples: avalie modelos pelo ajuste à tarefa, licenciamento, janela de contexto, suporte a modalidades e restrições de serving, não apenas pela contagem total de parâmetros. O Inkling Small ainda vai precisar de testes com cargas de trabalho reais, especialmente para agentes, fluxos de codificação, entradas multimodais e confiabilidade sob o tráfego empresarial entediante, o benchmark mais duro porque inclui reuniões. Mas este lançamento dá às equipes de pesos abertos um motivo concreto para revisitar suposições sobre quanto modelo elas precisam. O placar ainda é um placar, mas a fita métrica acabou de ser rebaixada a decoração de escritório.