Am 20. November 2026 hat Thinking Machines Lab Inkling 2 Mini veröffentlicht, ein Open-Weights-Modell mit 26,4 Mrd. Gesamtparametern und 3,4 Mrd. aktiven Parametern bei einem Speicherbedarf von rund 20 GB — klein genug für einen gewöhnlichen Laptop. Statt mehr Parameter zu stapeln, lässt es seine mittleren 12 Schichten pro Token dreimal durchlaufen und tauscht Rechenleistung gegen Denkqualität.
Drei Durchläufe, keine zusätzlichen Parameter
Inkling 2 Mini hat 24 Schichten: Die beiden mittleren Blöcke aus je sechs Schichten laufen dreimal, der erste und der letzte Block einmal, sodass die Gewichtsaktivierungen bei 5,4 Mrd. pro Token liegen. Die Logik des Labs: Die mittleren Schichten übernehmen das abstrakte Denken, und häufigeres Durchlaufen lässt das Modell länger nachdenken, ohne seine gesamte Gedankenkette aufschreiben zu müssen. Ein am selben Tag veröffentlichtes Forschungsmodell mit variabler Schleifenzahl bestätigt das: Sein Zeithorizont ohne Gedankenkette stieg von 16 Sekunden bei einem Durchlauf auf 37 Sekunden bei drei, und die Leistung bei seriellem Denken verbesserte sich bis zu zehn Durchläufen — über die trainierte Zahl hinaus —, während die Gedankenkette kürzer wurde, aber lesbar blieb.
Führend in seiner Größenklasse, mit einer Wissensgrenze
Unter den Open-Weights-Modellen mit weniger als 100 Mrd. Parametern führt Inkling 2 Mini beim agentischen Programmieren: 48,2 % bei DeepSWE v1.1 und 46,5 % beim Vals Index v2.2. Die Wissenslücke kleiner Modelle schließt es mit Werkzeugen: 79,0 % bei BrowseComp und 85,3 % bei DeepSearchQA, jeweils die besten Werte seiner Größenklasse. Doch längere Dialoge und stark eingeschränkte Anweisungen sind nicht seine Stärke — 50,0 % bei MultiChallenge und 33,4 % bei ComplexConstraints v1.1, jeweils hinter Qwen3.8-27B — und wissensintensive Benchmarks verbessern sich mit mehr Schleifen kaum. In einem unabhängigen Test der Stanford-Forscher zur „Intelligenz pro Joule" erreichte es auf einem NVIDIA DGX Spark 0,703 und lag damit deutlich vor den ebenfalls getesteten Qwen3.6-35B-A3B und Gemma-4-26B-A4B.
Die meisten Gewichte sind nativ in NVFP4 trainiert und bereitgestellt, die letzten vier Schichten in MXFP8, und das Modell ging am Veröffentlichungstag auf der hauseigenen Tinker-Plattform live — für Inferenz und Anpassung. Das Team ließ es sogar offline auf einem MacBook Pro im Flugzeug laufen und binnen weniger Minuten einen spielbaren Flugsimulator bauen. Für lokale Bereitstellung und Agentenentwicklung ist die eigentliche Nachricht, dass sich Looping bewährt: stärkere Schlussfolgerungen ohne mehr Parameter. Als Nächstes gilt es zu beobachten, wie es in Community-Tests auf gewöhnlichen Laptops abschneidet und ob das Schleifendesign auf größere Modelle übertragen wird. Das größere Modell derselben Familie erschien bereits früher — siehe Inkling 2 Small: 594 Mrd. Parameter, nur 17 Mrd. aktiv.