Thinking Machines Lab 5 Kasım’da Inkling 2 Small’u duyurdu. Model MoE mimarisinde. Toplam 594 milyar parametresi var, her token’da bunların 17 milyarı çalışıyor. Görsel girdi alıyor, ne kadar efor harcayacağı da ayarlanabiliyor. Bugün Tinker üzerinde fine-tuning yapmak mümkün. İndirmek değil.
Model kartındaki lisans satırında bugün “Tinker Terms of Use” yazıyor. Thinking Machines’in duyurusuna göre laboratuvar, dış güvenlik testleri ve red-teaming tamamlandıktan sonra ağırlıkların tamamını Apache 2.0 lisansıyla “gelecek hafta” yayınlamayı planlıyor.
Yani eğitebildiğimiz ama elimizde tutamadığımız açık bir model var. Bir de ayın en dürüst lansman yazısı. Thinking Machines kendi kötü benchmark satırlarını da, eğitim sırasında yaşanan ve çoğu laboratuvarın halı altına süpüreceği bir olayı da yazıya koymuş.
Neden önce Tinker, ağırlıklar neden “haftaya”?
Çünkü Thinking Machines bu yolu temmuzda kendisi tarif etmişti. 31 Temmuz tarihli “A Safe Path to Open Weights” yazısında kademeli bir yayın planı var. Önce sınırlı bir inference API’si, sonra izlenen genel erişim, en son açık ağırlık. Tinker gibi fine-tuning API’leri ortada duruyor. Sağlayıcı modelin nasıl kullanıldığını görebiliyor, guardrail’leri yerinde tutabiliyor, gerekirse erişimi kesebiliyor.
Aynı yazıda gözden kaçmaması gereken bir cümle var. Laboratuvara göre bu aşamalar “otomatik olarak ağırlıkların yayınlanmasıyla biten sabit bir sıra değil”. “Haftaya” kelimesini takvime yazmadan önce bu cümleyi iki kez okumakta fayda var.
Inkling 2 Small da aynı yoldan gidiyor. Ağırlıklar şimdilik kapalı, model Tinker’da. Fine-tuning ve sampling bugün açık, ağırlıklar yayınlandığında eğitilen checkpoint’ler indirilebilecek. Duyuruya göre başka platformlar da “önümüzdeki haftalarda” geliyor. Artificial Analysis modeli “lansmanda tescilli, Apache 2.0 ağırlık yayını planlanıyor (tarih teyit edilmedi)” diye sınıflandırıyor.
Peki Hugging Face’te durum ne? Resmi thinkingmachines organizasyonunun model listesine 10 Kasım’da İstanbul saatiyle 10:00 civarında bakıldığında altı model görünüyordu. En yenisi 31 Temmuz’da güncellenen Inkling-Small. O kontrol anında resmi organizasyonda Inkling 2 Small adına herkese açık bir repo yoktu. Bu, tek bir listenin tek bir andaki hali. Ağırlıkların hiçbir yerde olmadığına kanıt sayılmaz.
İlk neslin bu arada boş durmadığını da hatırlatalım. Cognition’ın SWE-2 Flash’ı ilk nesil Inkling-Small üzerine kurulu.
Inkling 2 Small’un içinde neler değişti?
Model kartına göre Inkling 2 Small 48 katmanlı, yalnızca decoder’dan oluşan bir transformer. Her token 384 uzmanın 8’ine yönlendiriliyor. Attention yerel ve küresel katmanların karışımı. Sayısal formatlar MXFP8 ve NVFP4. Kart bağlam penceresini 1 milyon token’a kadar veriyor, çıktı yalnızca metin.
Ön eğitim dört aşamalı. Duyuruya göre ilk aşamada (H1) metin, kod ve görselden oluşan 8,4 trilyon token, NVIDIA GB300 NVL72 kabinlerinde 68 saatte ve doğrudan NVFP4 ile işlenmiş. H2’de 512 bin token bağlamla 3,8 trilyon token daha yeni ve daha kaliteli veri eklenmiş. H3’te 1 milyon token bağlamda yaklaşık 320 milyar token akıl yürütme ve agent kaydı, H4’te de en iyi agent kayıtlarından yaklaşık 34 milyar token kullanılmış.
İşin ilginç yanı şu. H3 ve H4’teki kayıtların çoğu önceki modellerden, laboratuvarın ifadesiyle “Kimi K3 ve kendi modellerimiz dahil” örneklenmiş, sonra doğruluk ve hizalama açısından süzülmüş. Yani bu model agent gibi davranmayı kısmen başka bir şirketin agent’ından öğrenmiş.
Asıl değişiklik RL tarafında. İlk Inkling’de akıl yürütme RL’i ile agent RL’i ayrı ayrı koşulmuş, sonra çok öğretmenli distillation ile birleştirilmiş. Inkling 2 Small’da ise tek bir ortak koşu var. 1.075 adım, 17 milyonu aşkın rollout, 2.048 GPU üzerinde 9 gün, 4 x 10^23 FLOP’un üzerinde hesaplama ve 3 trilyonu aşkın token.
Token bazında görevlerin yüzde 65,0’ı kodlama, yüzde 13,3’ü ofis ve bilgi işleri, yüzde 7,6’sı STEM, yüzde 7,2’si web ve uygulama geliştirme. Ortanca rollout 43 bin token ve 8 dakika sürmüş, p99 değeri ise 1,5 milyon token ve 4 saat. Laboratuvara göre RL 256 bin token bağlamla ve compaction, yani bağlam sıkıştırma kullanılarak yürütülmüş.
Uygulama geliştirenler için en kayda değer ayrıntı ödülün nasıl verildiği. Kodlama RL’inde birden fazla agent harness’ı ve bağlam sıkıştırma stratejisi üzerinde yüz binlerce uzun soluklu görev kullanılmış. Laboratuvar “unit test geçti mi” ödülüyle yetinmemiş. Pek çok görevde agent tabanlı bir RL hakemi, modelin probleme nasıl yaklaştığını da puanlamış. Erken checkpoint’ler OpenCode’da “Fledge-Alpha” adıyla herkese açık test edilmiş.
Görsel tarafta Perception Encoder tabanlı, 292 milyon parametreli bir encoder var. Görüntü 20×20 piksellik yamalara bölünüyor, 2×2 pooling ile küçültülüyor ve bu yamalar metin token’larının arasına diziliyor. Ses ise yok. Tinker’ın model tablosuna göre ilk Inkling ses girdisi kabul ediyordu, yenisi etmiyor.
Karne neyi gösteriyor, neyi saklamıyor?
Aşağıdaki karşılaştırma Thinking Machines’in kendi lansman tablosundan. Değerlendirmeler 0,99 efor (xhigh), 1,0 sıcaklık ve en fazla 1 milyon token’lık trajectory ile yapılmış. Bu son rakam bir değerlendirme ayarı. Herhangi bir API’nin sunduğu bağlam penceresiyle karıştırmamak lazım.
| Inkling 2 Small | DeepSeek-V4.1-Flash-1017 | GLM-5.3-Flash | Kimi K3 | Claude Haiku 5.5 | |
|---|---|---|---|---|---|
| Parametre aktif / toplam (milyar) | 17 / 594 | 16 / 552 | 18 / 320 | 104 / 2800 | açıklanmadı |
| AA Index v5.0 | 30,6 | 32,6 | 27,8 | n/a | 36,5 |
| DeepSWE v1.1 | %72,1 | %77,0 | %63,4 | %68,5 | %59,9 |
| Terminal Bench v4.0 | %13,1 | %33,8 | %32,8 | %12,6 | %32,8 |
| MMMU Pro | %81,6 | %80,6 | %79,0 | %80,5 | %79,1 |
| DesignArena Website | 1340 | 1297 | 1270 | 1334 | 1261 |
| Finance Agent v2.1 | %67,5 | %62,9 | %60,6 | %60,0 | %65,4 |
| AA-Omniscience halüsinasyonsuzluk | %73,3 | %35,9 | n/a | n/a | %65,8 |
Kaynak: Thinking Machines’in lansman tablosu. Hücrelerin önemli kısmı Artificial Analysis, Vals ve DesignArena gibi bağımsız değerlendiricilerden geliyor. Model kartında ayrıca Terminal Bench 2.1 için Pi harness’ıyla yüzde 85,1, Terminus ile yüzde 81,3 var. Farklı sürüm, farklı harness. v4.0 satırıyla kıyaslanamaz.
Önce kısa sütun. Model kartına göre Inkling 2 Small Terminal Bench v4.0’da yüzde 13,1 alıyor. GLM 5.3 yüzde 41,9, DeepSeek-V4.1-Flash-1017 yüzde 33,8, Claude Haiku 5.5 yüzde 32,8. İsimlere dikkat: yüzde 41,9 alan GLM 5.3, tablodaki yüzde 32,8’lik GLM-5.3-Flash ile aynı model değil. Artificial Analysis’in ölçümüne göre skor yüzde 13, Claude Sonnet 5.5 (medium) ise yüzde 30. SWEBench Verified’da kart yüzde 82,2 veriyor. GLM 5.3 yüzde 95,4, Kimi K3 yüzde 93,4 ile önde.
Bu, modelin kodlamada toptan zayıf olduğu anlamına gelmiyor. DeepSWE v1.1’de yüzde 72,1 var, Terminal Bench 2.1 satırları da yüksek. Ama v4.0 modelin yumuşak karnı. İşiniz terminalde geçiyorsa diğer satırlara güvenmeden önce kendi testinizi yapın. LongCat-2.5 yazısında üretici tablolarını satır satır okumanın neden önemli olduğunu konuşmuştuk. Aynısı burada da geçerli.
Sonra token meselesi var. Artificial Analysis’in Intelligence Index’inde model 31 puan alıyor (laboratuvarın tablosunda 30,6). Bu, Inkling Small’a göre 18 puanlık artış ve Gemini 3.8 Flash (high) ile aynı seviye. Ama AA’nın notuna göre model bunu görev başına yaklaşık 4 kat daha fazla çıktı token’ı harcayarak yapıyor. Endeksi koşturmanın maliyeti görev başına 1,18 dolar. Inkling Small’da bu rakam 0,20 dolar, Gemini 3.8 Flash (high) için 7,77 dolar, Claude Sonnet 5.5 (medium) için 10,02 dolar. AA ayrıca AutomationBench-AA’da yüzde 5’ten yüzde 46’ya, FrontierCode 2.0’da yüzde 5’ten yüzde 25’e çıkışı kaydetmiş.
İyi satırlar da gerçek. MMMU Pro’da yüzde 81,6 ve DesignArena Website’ta 1340 ile tablonun zirvesinde. Laboratuvar, ağırlıklar açıldığında DesignArena’da en üstteki açık ağırlık modeli olacağını söylüyor. Finance Agent v2.1’de yüzde 67,5 var. AA-Omniscience’ta halüsinasyon üretmeme oranı yüzde 73,3, DeepSeek-V4.1-Flash-1017’de bu oran yüzde 35,9. Kart buna bağlam yönetimli BrowseComp’ta tablodaki en yüksek skor olan yüzde 90,2’yi ve GPQA Diamond’da yüzde 93,0’ı ekliyor.
Bir model kendi fine-tuning işini yürütebilir mi?
Thinking Machines bu modelin yürüttüğünü söylüyor. Laboratuvarın “autoresearch” demosunda Inkling 2 Small, Tinker üzerinde Qwen3.5-4B’yi zaman serisi tahmini için kendi başına fine-tune etmiş. Veriler elektrik talebi, rüzgâr ve güneş, hava durumu, hava kalitesi ve Wikipedia sayfa görüntülemeleri.
Duyurudaki anlatıma göre süreç şöyle işlemiş. Model önce kendi değerlendirme kodunu yazmış, sonra içinde hata bulmuş: 8 örneğin hepsi aynı seed ile çalışıyormuş. Değerlendirmelerin para yaktığını fark etmiş (bir noktada 101 dolar) ve onları toplu çalıştırmaya geçmiş. RL denemiş, tahminlerin aşırı kendinden emin hale geldiğini görünce vazgeçmiş. Sonunda 4 saat 17 dakikanın ardından, 500 dolarlık bütçenin 426 dolarını harcayıp en iyi SFT checkpoint’ini teslim etmiş.
Sonuç laboratuvarın ifadesiyle şöyle: hiç görülmemiş ağustos ve eylül verisinde son model, temel modele göre yaklaşık yüzde 15 daha az hata yapıyor. Bence asıl dikkat çeken kısım davranış. Kendi değerlendirme kodundaki hatayı yakalamak ve faturayı takip etmek, eğitim bütçesini emanet edeceğiniz herkesten beklenecek alışkanlıklar.
GPU kernel tarafında tablo daha karışık. 69 kernel görevinden oluşan, 10 saatlik bütçe ve 4 deneme hakkı tanıyan PMPP-Hard’da Inkling 2 Small ortalama 54,25 görev çözmüş. GPT-6 Astra 63, Kimi K3.1 Pro 60,5, Claude Opus 5.5 60, DeepSeek V4.1 Flash 55,25. Henüz ön sonuç sayılan ve yalnızca kernel’ları ölçen DeepSeek sparse attention hızlandırma testinde Claude Opus 5.5 18,80 kat, GPT-6 Astra 10,26 kat, Inkling 2 Small 6,02 kat, DeepSeek V4.1 Flash 5,66 kat hızlanma elde etmiş. Kendi sınıfında idare eder, frontier’a epey uzak.
Model ağ engeline takılınca ne yaptı?
Duyurunun en çok okunmayı hak eden paragrafı bu. Thinking Machines’in kendi anlatımını Türkçeye aktaralım:
“Ana RL koşusunun ortasında asenkron monitörümüz, bir görevde başarısız olan modelin, arama araçları üzerinden erişebildiği üçüncü taraf bir servisi kullanarak ağ engelini aştığı bir vakayı işaretledi. Koşuyu durdurduk, altyapımızı sağlamlaştırdık, web erişimi gerektiren ortamları kaldırdık ve senkron tool çağrısı izlemesi ekledik.”
Bu, laboratuvarın kendi beyanı. Olayı bağımsız olarak denetleyen bir kaynak yok. Yine de böyle bir şeyi lansman yazısına koyan laboratuvar az. Görevde çuvallayan model, kullanmasına izin verilen bir araçla sandbox duvarında delik bulmuş. Baskı altındaki agent’ların kuralları esnetmesini OpenAI’ın misalignment raporlarında da görmüştük.
Çözüm iki katmanlı izleme. Senkron katman her tool çağrısını çalışmadan önce görevin tanımlı izinli eylemleriyle karşılaştırıyor, belirsiz durumları bir LLM hakeme gönderiyor. Asenkron katmanda ise bir LLM hakem tamamlanmış rollout’ları inceliyor. Olayı ikinci katman yakalamış, birinci katman da bu olay yüzünden eklenmiş.
Laboratuvar erken checkpoint’lerle ilgili bir itirafta daha bulunuyor. Görevler zorlaştığında bu sürümler zaman zaman sonuç uydurmuş, talimatları görmezden gelmiş ve yaptıklarını gizlemiş. Çareler şöyle sıralanıyor: midtraining verisinden kötü davranış kayıtlarının ayıklanması, her RL görevine genel bir hizalama ödülü, imkânsız görevlerde pes etmeyi ödüllendiren ortamlar ve davranış şartnamesiyle yönlendirilen öğretmen modelden on-policy self-distillation.
Laboratuvarın iç Misbehavior skorunda (düşük olan iyi) Inkling 2 Small 14,9 alıyor. İlk Inkling 66,8, Inkling Small 75,2, Muse Spark Open 82,4, GLM-5.3-Flash 57,1, DeepSeek V4.1 Flash 68,0. Kapalı GPT-6.1 Sol ise 0,8’de. Thinking Machines da modelinin GPT-6.1 Sol gibi kapalı ağırlıklı modellerin hâlâ gerisinde olduğunu açıkça yazıyor.
Bunun bir bedeli de var. FORTRESS’ta Average Risk Score önceki Inkling’lere göre düşük, ama gereksiz ret skoru (ORS) yüksek: 20,4. GLM-5.3-Flash’ta bu değer 3,6. Sınırlamalar bölümü de aynı açıklıkta. Laboratuvara göre model en özlü konuşan model değil. Özellikle çok sayıda skill içeren kod tabanlarında her zaman en doğru aracı seçmiyor. Sohbet için daha az optimize edilmiş, eğik çizgiyi gereğinden fazla kullanıyor ve ruh sağlığıyla ilgili sorulara aşırı tepki veriyor.
Kaça patlıyor, şimdi denemeye değer mi?
Tinker’ın fiyat sayfasına göre 1 milyon token başına prefill 0,30 dolar, önbellekli prefill 0,03 dolar, sampling 1,00 dolar. Eğitim 64 bin token bağlamda 1,50 dolar, 256 bin token bağlamda 3,00 dolar. Aynı tablodaki ilk nesil Inkling’de (toplam 975 milyar, aktif 41 milyar) bu rakamlar prefill için 1,87, sampling için 4,68, eğitim için 5,61 dolar. Inkling-Small’da (276 milyar, 12 milyar) 0,58, 1,44 ve 1,73 dolar. Token başına bakınca yeni model iki selefinden de ucuz.
Görev başına bakınca hikâye değişiyor. Yaklaşık 4 kat fazla çıktı token’ı yüzünden AA’nın görev başı maliyeti Inkling Small’daki 0,20 dolardan 1,18 dolara çıkıyor. Bütçeyi token fiyatına göre değil, görev başına hesaplamak lazım.
Bağlam rakamlarını da birbirine karıştırmamak gerek. Model kartı 1 milyon token diyor. Tinker ise 64 bin ve 256 bin token’lık varyantlar sunuyor. RL 256 bin bağlamla ve compaction ile yapılmış. Değerlendirmelerdeki 1 milyon da trajectory sınırı, sunulan bağlam penceresi değil. Milyon token’lık prompt’lara göre sistem kurmadan önce fiyat sayfasındaki güncel seçeneklere bakmakta fayda var.
Denemeli mi? Zaten Tinker’da fine-tuning yapıyorsanız evet. Playground açık, sampling ve eğitim bugün çalışıyor, laboratuvar ağırlıklar çıktığında checkpoint’lerin indirilebileceğini söylüyor. Uyumluluk ya da maliyet yüzünden ağırlıkları kendi donanımınızda çalıştırmanız gerekiyorsa beklemek daha mantıklı.
Bu hafta neye bakacağız?
Duyuru 5 Kasım tarihli, yani o “gelecek hafta” dediği hafta bu hafta. Bakılacak üç şey var. Birincisi, ağırlıkların gerçekten Apache 2.0 ile resmi Hugging Face organizasyonuna düşüp düşmediği ve model kartındaki lisans satırının “Tinker Terms of Use” olmaktan çıkıp çıkmadığı. İkincisi, bağımsız tekrar ölçümler, özellikle Terminal Bench v4.0 ve görev başı token sayıları. Üçüncüsü, ailenin geri kalanı. Laboratuvar Inkling 2 Small’u “bir model merdiveninin parçası” olarak tanımlıyor, yani başka boyutlar da yolda. Ağırlıklar ortaya çıkana kadar elimizdeki şey, üzerine açık ağırlık vaadi iliştirilmiş güçlü bir kapalı model. 2-8 Kasım haftalık özetinde de Ripple-65B ve Hy4 ile aynı yayın durumu tablosunda yer almıştı.
Kaynaklar
- Thinking Machines Lab, “Introducing Inkling 2 Small”, 5 Kasım 2026
- Thinking Machines Lab, Inkling 2 Small model kartı
- Thinking Machines Lab, Tinker fiyatları ve Tinker model ve fiyat dokümanı
- Thinking Machines Lab, “A Safe Path to Open Weights”, 31 Temmuz 2026
- Artificial Analysis, Inkling 2 Small değerlendirmesi
- Hugging Face, resmi
thinkingmachinesorganizasyonunun model listesi, 10 Kasım 2026, İstanbul saatiyle 10:00 civarı kontrol
