Skip to main content
Todas as notícias
AI RADARModelos
0•21/11/2026, 15:41•3 min de leitura

Thinking Machines lança o transformer em loop Inkling 2 Mini

Thinking Machines lança o transformer em loop Inkling 2 Mini - 1
Thinking Machines lança o transformer em loop Inkling 2 Mini - 2
Thinking Machines lança o transformer em loop Inkling 2 Mini - 3
Thinking Machines lança o transformer em loop Inkling 2 Mini - 4
+1

A Thinking Machines, startup fundada por Mira Murati, lançou o Inkling 2 Mini, um modelo baseado na arquitetura looped transformer. Esse é o mesmo tipo de abordagem que, segundo especulações, poderia estar por trás do GPT-6 Astra.

A ideia central é simples: em vez de executar uma pilha fixa de camadas diferentes exatamente uma vez, o modelo passa o estado oculto pelo mesmo bloco de camadas várias vezes antes de gerar o próximo token. Isso adiciona profundidade ao raciocínio sem aumentar o número de parâmetros nem gastar tokens extras para raciocinar.

Muitos supõem que essa arquitetura também poderia ter influenciado o Fable 5.2 e o GPT Sol. O uso de loops de camadas pode ajudar a explicar a recente redução de custos dos modelos e a maior eficiência no consumo de tokens observada nos últimos meses.

A Thinking Machines publicou uma versão compacta de looped transformer pensada para execução local:

  • 26,4B de parâmetros totais;
  • aproximadamente 3,4B de parâmetros ativos;
  • cerca de 5,4B de ativações de pesos por token graças às passagens repetidas de camadas.

O modelo tem 24 camadas, organizadas em quatro blocos de seis. O primeiro e o último bloco são executados uma vez, enquanto os dois blocos intermediários são executados três vezes cada. Assim, cada token requer 48 aplicações de camadas. Apenas as camadas intermediárias são repetidas porque, segundo os autores, realizam um raciocínio mais abstrato. Nos testes, isso produziu resultados significativamente melhores do que colocar em loop as últimas 12 camadas.

Nos benchmarks, o modelo apresenta desempenho comparável ao Qwen3.8-27B e, em algumas métricas, até superior, apesar de ter menos parâmetros. Para implantação local, é uma opção realmente interessante.

Pesos | Post no blog

Por que isso importa

Análise

O Inkling 2 Mini mostra que transformers em loop podem aumentar a profundidade do raciocínio sem crescer proporcionalmente em tamanho. Isso é importante para IA local e edge, onde memória e capacidade computacional são limitadas.

Debater na comunidade

Compartilhe suas dúvidas e insights com desenvolvedores

Entrar no Telegram
+5 Points
← Voltar ao feed de notícias

Relacionado no ecossistema

Guias práticos, terminologia essencial e skills de agentes