Thinking Machines publica los pesos de Inkling 2 Small
Thinking Machines publica los pesos de Inkling 2 Small
Inkling 2 Small es un modelo MoE de 594.000 millones de parámetros con 17.000 millones activos, entrenado con 12 billones de tokens y publicado con pesos abiertos.
Thinking Machines publica los pesos de Inkling 2 Small
Inkling 2 Small es un modelo MoE (mixture-of-experts) con 594.000 millones de parámetros totales y 17.000 millones de parámetros activos. Según el anuncio, el preentrenamiento se completó en solo 68 horas utilizando 12 billones de tokens. El aprendizaje por refuerzo (RL) requirió 9 días adicionales en un clúster de 2.048 GPUs.
El modelo se describe como competitivo frente a modelos chinos de hace dos o tres meses. Para ejecutarlo se necesitan dos GPUs B300 o cuatro GPUs H200. Se espera una versión mayor.
Por qué es importante
AnálisisLa publicación muestra que los grandes modelos MoE con pesos abiertos pueden llegar al ecosistema muy rápido, pero su despliegue sigue exigiendo infraestructura GPU de gama alta.
Debatir en la comunidad
Comparte tus preguntas e ideas con desarrolladores
Relacionado en el ecosistema
Guías prácticas, terminología y skills de agentes
Mistral AI (Modelos Abiertos y Eficientes de Europa)
Serie de modelos abiertos y comerciales de alto rendimiento del startup francés Mistral AI (Mistral 7B, Mixtral 8x7B, Mistral Large). Conocidos por su compacidad, velocidad y respeto por la privacidad de los datos.
Pesos Abiertos vs API Cerrados
Comparación de dos filosofías fundamentales en la distribución de IA: pesos abiertos (Open Weights — Llama, Mistral, DeepSeek), que se pueden descargar y ejecutar en su propio servidor, frente a API cerrados (Closed API — OpenAI, Anthropic, Google), donde el acceso se proporciona exclusivamente a través de suscripción.
Parte I. Arquitectura de Agentes de IA: Fundamentos
Los once bloques constructivos fundamentales de un agente de IA: taxonomía de modelos, bucle de ejecución, ingeniería de prompts, destilación, skills, memoria, function calling y FinOps.
Parte II. Arquitectura de agentes de IA: del modelo a la memoria y las herramientas
Inmersión profunda de ingeniería: tokenización, KV-cache, determinismo del muestreo, stack de entrenamiento, cuantización, ingeniería de contexto, stack de seguridad, RAG en producción, ReAct y sistemas swarm multiagente.