Im Quellenvergleich

Thinking Machines veröffentlicht Inkling Small

3 Quellen · 3 Meldungen · Stand 31.07.2026

Alle Inhalte werden von KI erstellt. Dieser Überblick fasst zusammen, worin sich mehrere Quellen einig sind und worin sie sich unterscheiden — die Bewertung bleibt dir überlassen.

Im Quellenvergleich

Worin die Quellen übereinstimmen

Das Startup Thinking Machines, geführt von der ehemaligen OpenAI-CTO Mira Murati, hat das quelloffene KI-Modell Inkling-Small veröffentlicht. Es ist etwa ein Viertel so groß wie das erste Modell Inkling und erreicht laut Unternehmen eine vergleichbare Leistung. Inkling-Small ist ein MoE-Transformer mit 276 Milliarden Gesamtparametern und 12 Milliarden aktiven Parametern. Die Gewichte sind unter der Apache-2.0-Lizenz auf Hugging Face verfügbar. Bei mehreren Benchmarks übertrifft es das große Modell, etwa beim Codierungstest SWE-bench Verified mit 80,2 Prozent gegenüber 77,6 Prozent. Bei faktischem Wissen und einigen Agentenaufgaben bleibt das große Modell überlegen. Der Einsatz erfordert wegen des Speicherbedarfs von mindestens 600 Gigabyte GPU-Speicher Enterprise-Server, keine lokalen Rechner. Das Modell verarbeitet Text, Audio und Bilder und bietet ein Kontextfenster von bis zu einer Million Token. Entwickler können das Modell über die Plattform Tinker anpassen.

Aktualisierungen
31.07.2026
18:05Das Modell verarbeitet Text, Audio und Bilder und bietet ein Kontextfenster von bis zu einer Million Token.
Worin sie sich unterscheidenIntelligenz-Index-Wert von Inkling-Small·Benchmark-Ergebnisse bei weiteren Tests·Aussage zum späteren Training+3 weitere
Intelligenz-Index-Wert von Inkling-SmallDer Intelligenz-Index-Wert von Inkling-Small liegt bei 40 Punkten, ein Punkt unter dem großen Modell.12
Benchmark-Ergebnisse bei weiteren Tests
  • Bei Humanity's Last Exam erreicht Inkling-Small 31,6 Prozent, beim Terminal-Bench 2.1 64,7 Prozent.3
  • Bei Humanity's Last Exam erreicht Inkling-Small 32 Prozent gegenüber 30 Prozent beim großen Modell, bei GPQA Diamond 89 Prozent gegenüber 87 Prozent.2
Aussage zum späteren Training
  • Das spätere Training verbesserte die Lernprozesse.3
Kontextfenster-Größe
  • Das Kontextfenster umfasst bis zu einer Million Token.3
  • Das Kontextfenster umfasst 256K Tokens.2
Speicherbedarf der quantisierten Version
  • Die quantisierte NVFP4-Version benötigt über 180 GB GPU-Speicher.3
Effizienz beim Token-Verbrauch
  • In einem Test braucht Inkling-Small durchschnittlich 24K Output-Tokens pro Aufgabe, während DeepSeek V4 Flash 45K und GPT-5.4 mini 78K benötigen.2

Quellen (3)

Vollständige Übersicht mit allen Meldungen öffnen →