Thinking Machines 发布 Inkling 2 Mini,采用循环 Transformer 架构:仅存储 24 层,中间 12 层以共享权重重复运行 3 次,单 token 实际经过 48 层计算,约 20GB 检查点即可在 32GB Mac 上本地运行。模型总参数 26.4B、激活 3.4B,支持 1M 上下文,以 Apache 2.0 开源,SWE-bench Verified 达 79.2%,DeepSWE 1.1 以 48.2% 超过 Qwen3.8-27B 的 42.2%,但知识召回明显偏弱。
循环 Transformer
Looped Transformer
复用同一组层多次迭代计算的 Transformer 变体,以较少参数换取更深推理
收录情报动态
Thinking Machines 发布开源模型 Inkling 2 Mini,采用循环 Transformer 架构,24 层中有 12 层对每个 token 重复执行三次,从而在不增加输出 token 的前提下延长内部推理。该模型为 26.4B 参数的混合专家模型,每 token 激活 5.4B,支持文本与图像输入、100 万 token 上下文,采用 Apache 2.0 许可,可在笔记本上运行。在 100B 以下开源模型中,其智能体编程测试成绩领先,DeepSWE v1.1 得分 48.2%,Vals Index v2.2 得分 46.5%。
Thinking Machines Lab 以 Apache 2.0 许可开源了 Inkling 2 Mini,这是一个总参数 26B 的多模态循环 Transformer,支持文本与图像输入,上下文窗口达 100 万 token,并可通过 Tinker 进行推理与微调。官方演示在 48GB 内存的 M5 Pro MacBook Pro 上断网本地运行,数分钟内生成可玩的飞行模拟器,AA Index 得分 20.1,主打个人设备上的智能体能力。
Thinking Machines 发布 Inkling 2 Mini,一款总参数 26B、激活参数 5.4B 的混合专家模型,采用循环层(looped transformer)架构,以 Apache 2.0 协议开源,支持文本与图像输入及 100 万 token 上下文。它在 Artificial Analysis 智能指数上取得 20 分,与 Qwen3.8 27B、Nanbeige4.3-33B 持平,但激活参数分别少约 5 倍和 6 倍,处于智能与参数规模的帕累托前沿,且小到可在 MacBook 或 DGX Spark 上本地运行。
Thinking Machines 推出 Inkling 2 Mini,一款仅 26B 参数的循环 Transformer 模型,可在笔记本本地运行,AA Index 得分 20.1,主打智能体任务能力。该模型已同步上线 Arena.ai 的 Agent Arena、Code Arena 与 Text Arena,官方称其性能足以支撑长程智能体工作流,排行榜成绩即将公布。
Thinking Machines 发布 Inkling 2 Mini,这是一款总参数 26B、激活参数 5.4B 的循环 Transformer 混合专家模型,在 Artificial Analysis 智能指数上得分 20,处于智能与激活参数权衡的帕累托前沿。模型采用 Apache 2.0 许可,支持文本与图像输入及 1M token 上下文,体积小到可在 MacBook 或 DGX Spark 上本地运行。
Inkling 发布开源权重模型 Inkling 2 Mini,采用循环 Transformer 架构,对每个 token 重复运行中间层三次,以更少 token 完成推理。该模型为 MoE 结构,总参数 26.4B、激活 3.4B,在 DeepSWE v1.1 取得 48.2%、Vals Index v2.2 取得 46.5%,称领先所有 100B 以下开源权重模型,并可在笔记本本地运行。
Thinking Machines Lab 与 Hugging Face 联合发布 Inkling 2 Mini,这是一款面向本地部署的多模态混合专家模型,物理参数约 26B、每 token 激活 3B。其核心创新在于部分层循环三次以放大有效容量,支持 100 万 token 上下文与图文输入,并以 NVFP4/MXFP8 混合精度权重加 DSpark 草稿模型实现加速。
商汤科技开源 SenseNova Loop-9B-Preview,采用 Looped Transformer 架构通过参数共享扩展有效计算深度。该模型在代码生成及智能体任务中表现优于同级模型,初步验证了小参数量通过增加迭代次数逼近大模型性能的潜力。
开发者在树莓派 Pico 2 W 微控制器上部署了基于循环 Transformer 的微型世界模型,实现了游戏帧预测与强化学习智能体的实时交互。该方案通过权重复用显著降低内存占用,验证了边缘设备运行生成式 AI 模型的可行性。