Thinking Machines Lab
PulseAugur coverage of Thinking Machines Lab — every cluster mentioning Thinking Machines Lab across labs, papers, and developer communities, ranked by signal.
- founded by Mira Murati 100%
- instance of Inkling 95%
- founded Inkling 95%
- developed Inkling 2 Small 95%
- developed Inkling-Small 95%
- developed Inkling 95%
- instance of Inkling 2 Mini 95%
- developed Inkling 2 Mini 95%
- developed Inkling Small 95%
- developed by Inkling-Small 95%
- developed by Inkling 90%
- founded Mira Murati 90%
- 2026-09-17 hiring Yao Xingcheng, former head of pre-training for Tencent's Hunyuan model, has joined Thinking Machines Lab. 来源
- 2026-06-05 product_launch Mira Murati previewed "interaction models" from Thinking Machines Lab, designed for continuous real-time processing of audio, text, and video. 来源
- 2026-05-17 product_launch Thinking Machines Lab launched its first AI model. 来源
- 2026-05-17 product_launch Thinking Machines Lab launched its first AI model focused on human-AI collaboration. 来源
- 2026-05-15 product_launch Thinking Machines Lab previewed new "interaction models" designed for continuous human communication.
- 2026-05-12 research_milestone Thinking Machines Lab unveiled its vision for full-duplex conversational AI, which closely resembles prior work from 面壁智能. 来源
- 2026-05-12 product_launch Thinking Machines Lab introduced interaction models, a new architecture for real-time human-AI collaboration. 来源
- 2026-05-12 product_launch Thinking Machines Lab introduced interaction models, a new type of AI for real-time collaboration. 来源
- 2026-05-12 product_launch Thinking Machines Lab announced its new interaction models, featuring full-duplex AI capabilities.
- 2026-05-12 product_launch Thinking Machines Lab announced its new interaction models enabling simultaneous input processing and response generation.
- 2026-05-12 product_launch Thinking Machines Lab announced a research preview of its new "interaction models" designed for real-time, simultaneous AI-human collaboration. 来源
- 2026-05-12 product_launch Thinking Machines Lab announced its first AI model, focusing on real-time interaction. 来源
12 天有情绪数据
Inkling 2 Small multimodal capabilities include 1M context window and image input
The release of Inkling 2 Small highlights its multimodal nature, supporting both text and image inputs. Furthermore, it offers an exceptionally large context window of 1 million tokens, positioning it as a powerful tool for complex tasks requiring extensive information processing.
Thinking Machines Lab releases Inkling 2 Small weights under Apache 2.0 license within 7 days
Multiple sources indicate that Thinking Machines Lab intends to release the weights for Inkling 2 Small under the Apache 2.0 license next week, pending safety testing. This suggests a high likelihood of public availability of the model weights in the near future.
Inkling 2 Small shows strong performance in coding and enterprise benchmarks
Inkling 2 Small has demonstrated notable performance across several benchmarks, including SWE-Bench Pro v2 (86.3% on Hard) and EnterpriseBench-CoreCraft (71.8%, ranking third). This indicates a strong capability for agentic tasks, particularly in code generation and enterprise applications.
Inkling's 1M token context window is a key differentiator for long-context reasoning.
The Inkling model boasts an exceptionally large 1 million token context window, trained on 45 trillion tokens. This is a significant feature that enables advanced reasoning over extended inputs across text, image, and audio. This capability is likely to be a major draw for applications requiring deep understanding of lengthy documents or complex multimodal sequences.
Inkling's 41B active parameters suggest a Mixture-of-Experts (MoE) architecture.
The recent release of Inkling highlights a 975B total parameter count with only 41B active parameters. This significant difference strongly suggests an MoE architecture, where only a subset of parameters are utilized for any given input, enabling efficient scaling. This pattern is consistent with other large models designed for efficiency.
-
Hugging Face Transformers v5.24.0 增加了 Inkling 2、Apertus 1.5、Dory 等模型
Hugging Face Transformers 库已发布 5.24.0 版本,引入了多个新模型。其中包括 Thinking Machines Lab 的 Inkling 2 Mini,一个具有独特循环机制以提高质量的多模态模型;以及 Swiss AI Initiative 的 Apertus 1.5,一个处理文本、图像和音频的模型。此次发布还包括用于音频编码和解码的 WavTokenizer;NVIDIA 的循环语言模型 Dory…
-
Thinking Machines Lab 发布了具有 1M 上下文的 Inkling 2 Mini
Thinking Machines Lab 发布了 Inkling 2 Mini,这是一个 264 亿参数的多模态 Looped Mixture-of-Experts 模型,专为在消费级硬件上本地部署而设计。该模型支持 100 万 token 的上下文窗口,并提供各种量化格式,包括用于 CPU 和 Apple Silicon 推理的 GGUF。部署说明强调了针对 NVIDIA Blackwell B200 GPU 的特定优化以及与 v…
-
Thinking Machines Lab 发布 Inkling 2 Mini,一款可在笔记本电脑上运行的开源模型
Thinking Machines Lab 发布了 Inkling 2 Mini,这是一款拥有 43 亿参数的开源模型,可以在笔记本电脑上运行。该模型采用独特的循环 Transformer 架构,可在 100 万 token 的上下文窗口内实现高效推理。它采用 Apache 2.0 许可,并为推理服务提供有竞争力的定价,适合需要本地处理敏感数据或无需外部 API 费用即可定制模型的企业。
-
Inkling 2 Mini:新型 26B 循环 MoE 模型可在本地运行
Thinking Machines Lab 发布了 Inkling 2 Mini,这是一款专为本地设置设计的新型开放权重、多模态专家混合(Mixture-of-Experts)模型。该模型采用独特的循环 Transformer 架构,其中间层重复三次,使其能够以较少的参数量(总计 26.4B,激活 3.4B)实现显著性能。Inkling 2 Mini 支持 100 万 token 的上下文长度,在智能体编码任务方面表现出色,在 Dee…
-
Hugging Face Transformers v5.23.0 增加了 Inkling2、LFM3 和 JEV 模型
Hugging Face Transformers 库已发布 5.23.0 版本,引入了几个新模型。其中包括 Inkling2,一个来自 Thinking Machines Lab 的多模态模型,具有大量的参数;JEV,一个用于对单标记标签进行评分的实验性决策头;以及 LFM3,Liquid AI 的最新一代混合基础模型。此次更新还增加了对 Dots 3 Note Preview 的支持,这是一个处理文本、图像、视频和音频输入的混合专…
-
Inkling 2 Small 模型权重已根据 Apache 2.0 许可证发布
Thinking Machines Lab 已根据宽松的 Apache 2.0 许可证发布了其 Inkling 2 Small 模型的全部权重。这使得用户可以下载、检查、微调和自托管该模型以用于商业用途。尽管该模型拥有 100 万个 token 的上下文窗口,并在 Artificial Analysis Intelligence Index 上获得 31 分,与 Gemini 3.8 Flash 相当,但自托管这个拥有 5940 亿参…
-
AI市场波动:大模型价格起伏,GPU租赁上涨,融资消息频现 · 追踪1个来源
探数科技(TANDIU)2026年11月2日至9日周报指出,AI定价和基础设施出现显著变化。某模型的大语言模型(LLM)API标价在一周内翻倍后又腰斩,凸显了市场的波动性。探数科技大语言模型价格指数略有上涨,受到Mistral AI近期降价的影响。在AI融资方面,Thinking Machines Lab宣布了新一轮融资,而Hopper和Blackwell等高端显卡的GPU租赁价格上涨,与消费级显卡价格下跌形成对比。探数科技还报告了F…
-
Thinking Machines Lab 发布 Inkling 2 Small,拥有 1M 上下文窗口
Thinking Machines Lab 发布了 Inkling 2 Small,这是一个拥有 594B 参数的混合专家模型,支持图像输入和 1M token 的上下文窗口。虽然其每个 token 的定价具有竞争力,但其任务输出 token 的大量使用导致每项任务的成本更高。该模型目前可在 Tinker 平台上使用,权重不公开,但该实验室计划在未来几周内进行额外的安全测试后,以 Apache 2.0 许可证发布。
-
Inkling 2 Small:开发人员在承诺使用新模型之前的检查清单
Thinking Machines Lab 发布了 Inkling 2 Small,这是一个拥有 594B 参数、每个 token 拥有 17B 活跃参数的模型,在 Artificial Analysis Intelligence Index 上得分 31。目前,访问仅限于 Tinker 平台进行推理和微调,可下载的权重和 Apache 2.0 许可预计将在安全测试后于下周发布。建议开发人员在将模型集成到生产管道之前,在实际任务上进行…
-
Thinking Machines Lab推出Inkling 2 Small,面向企业代理
由前OpenAI首席技术官Mira Murati创立的Thinking Machines Lab发布了Inkling 2 Small,这是一个拥有5940亿参数、专为企业代理设计的模型。该模型专注于代码生成和金融文件分析等任务。在基准测试中,Inkling 2 Small在EnterpriseBench-CoreCraft上获得了71.8%的分数,位列Anthropic两个模型之后,排名第三。
-
Inkling 2 Small 多模态 MoE 模型在 Tinker 上发布,预计将发布 Apache 权重
Thinking Machines Lab 发布了 Inkling 2 Small,这是一款多模态混合专家(MoE)模型,可在 Tinker 平台上使用。该模型拥有 594B 的总参数量和 17B 的激活参数,并支持 256K 的上下文窗口。虽然目前权重是闭源的,但该实验室计划在安全测试后于下周根据 Apache 2.0 许可证发布。
-
Thinking Machines Lab 发布 Inkling 2 Small,支持 1M 上下文和图像输入
Thinking Machines Lab 推出了 Inkling 2 Small,这是一款新的混合专家模型。该模型拥有 5940 亿总参数和 170 亿激活参数,并支持 100 万 token 的上下文窗口以及图像输入。Inkling 2 Small 展示了显著的性能提升,在人工智能分析智能指数上获得 31 分,比其前代产品的 13 分有显著提高。它在特定基准测试中也表现出色,在 SWE-Bench Pro v2 Hard 上获得 …
-
Thinking Machines Lab 发布 Inkling 2 Small MoE 模型
Thinking Machines Lab 推出了 Inkling 2 Small,一个拥有 5940 亿参数、170 亿活跃参数的混合专家(MoE)模型。这个多模态模型接受文本和图像输入,并支持 100 万个 token 的上下文窗口。它在 SWE-Bench Pro V2 和 PerceptionBench 等各种基准测试中表现出色,可通过 Tinker API 获取。
-
Thinking Machines 发布 Inkling 2 Small,具备强大的代理能力 · 已追踪 2 个来源
Thinking Machines Lab 发布了 Inkling 2 Small,这是一款新的混合专家模型,总参数为 5940 亿,激活参数为 170 亿。该模型在其前代产品的基础上取得了显著改进,尤其是在代理编码、视觉和知识工作方面,在人工智能分析指数上获得了 31 分。虽然最初通过 Tinker 平台提供,但完整权重计划下周在完成外部安全测试后以 Apache 2.0 许可证发布。
-
OpenRouter 提供免费的 LLM 访问,采用请求限制而非 Token 限制
OpenRouter 将在 2026 年提供对部分大型语言模型的免费访问,但采用请求限制而非 Token 限制。开发者可以免费访问这些模型,但每日请求限制因用户是否购买过积分而异。例如,总积分购买金额低于 10 美元的账户每天限制 50 次请求,而消费满 10 美元或以上的用户每天最多可进行 1000 次请求。免费模型会轮换,目前提供的模型包括 Inkling 和 Nvidia 的 Nemotron 系列等。
-
Cognition 推出更便宜、更快的 SWE-2 Flash 编码模型
Cognition 发布了 SWE-2 Flash,这是其 Devin 编码模型的更高效版本,旨在更快、更经济地执行常见的编码任务。这款新模型基于 Inkling-Small 架构,采用混合专家模型方法,在保持足够能力(如代码审查和文档编写)的同时,将推理成本保持在较低水平。虽然它的性能优于其基础模型并提供了显著的成本节省,但 Cognition 承认其旗舰 SWE-2 模型在更复杂、耗时较长的编码挑战方面仍然更胜一筹。
-
研究发现:LLM评估因微小权重变化和截断而存在缺陷
一项近期分析显示,即使是模型权重上微小的变化,如0.005%,也可能导致LLM评估中的分数产生高达1.4%的显著差异。研究发现,重复进行相同的评估多次可能产生高达0.17%的分数范围,而使用略有不同但相似的模型文件可能导致约1.2%的更大范围。这凸显了依赖重复运行的平均分数存在一个关键缺陷,因为它可能掩盖模型之间真实的变异性。此外,研究表明输出截断会严重影响排名,生成响应更长的模型会受到不公平的惩罚。作者建议,对于密切相关的模型,应使…
-
LLM 温度 0 不是确定性的;研究解释了原因
即使将温度参数设置为 0,LLM 开发人员和用户在实现确定性输出时也面临挑战。Thinking Machines Lab 的研究表明,即使在温度 0 时,LLM 响应的差异也不是由于浮点不准确,而是由于服务器端的批处理策略。对于 API 用户来说,控制批处理大小不是一个选项,这使得实现真正的确定性变得困难。处理这种随机性的策略包括接受方差、谨慎使用固定种子或采用记录-重放方法以确保一致性。
-
论文认为确定性LLM推理会扼杀认知和安全
一篇新论文反对在大型语言模型中使用确定性推理,认为它会阻碍模型对不确定性的建模能力,抑制涌现能力,并削弱安全对齐。作者提出了“Stochastic CHAOS”,将分布变异性视为一种可控信号。他们证明了确定性推理会低估模型的能力和脆弱性,掩盖涌现能力,降低推理能力,并隐藏尾部风险。
-
前腾讯AI负责人姚星成加入Thinking Machines Lab
腾讯混元大模型前预训练负责人姚星成已加入北美初创公司Thinking Machines Lab。姚星成于7月离开腾讯,据报道,他获得的薪资远高于其此前每年数千万人民币的收入。此前有传言称他将加入Meta,但姚星成最终选择了由前OpenAI首席技术官Mira Murati创立的公司Thinking Machines Lab。