Le aziende scelgono sempre più spesso di personalizzare i modelli open-weight sui propri dati e sul proprio contesto, per avere il controllo completo su comportamento e risultati.
Oggi siamo entusiasti di annunciare che Inkling 2 Small, l’ultimo modello open-weight di Thinking Machines Lab, è ora disponibile in Snowflake Cortex Training (public preview). I team possono iniziare già oggi a eseguire benchmark, post-training, valutazione e serving di Inkling 2 Small sui propri workload aziendali, direttamente dove risiedono i dati e sotto gli stessi controlli su cui fanno già affidamento.

Che cos’è Inkling 2 Small?
Inkling 2 Small è la seconda generazione di modelli di Thinking Machines Lab. È un modello Mixture-of-experts (MoE) con 594 miliardi di parametri totali e 17 miliardi di parametri attivi, e supporta input immagine e reasoning effort variabile.
Inkling 2 Small è progettato per attività agentiche a lungo orizzonte. Thinking Machines Lab lo ha addestrato con reinforcement learning (RL) su centinaia di migliaia di task di coding a lungo orizzonte in diversi agent harness e riferisce che il modello segue le istruzioni in modo più fedele, valuta le modifiche con attenzione e verifica il proprio lavoro senza che glielo si chieda. Questo lo rende più facile da usare all’interno di loop agentici reali, e si vede nei risultati di coding, tra cui 86,3% su SWE-Bench Pro v2 (Hard) e 72,1% su DeepSWE v1.1.
Il modello è anche multimodale. Gli input immagine gli permettono di incorporare feedback visivi, ad esempio per costruire e perfezionare interfacce e design in modo iterativo. E poiché solo 17 miliardi dei suoi parametri sono attivi per token, l’architettura MoE offre capacità elevate a un costo di inferenza inferiore rispetto a un modello dense di dimensioni comparabili. Con i pesi rilasciati oggi sotto licenza Apache 2.0, le aziende mantengono la piena proprietà dei modelli che personalizzano.
Cosa puoi fare con Inkling 2 Small su Snowflake?
Cortex Training, l’offerta serverless Snowflake per personalizzare e distribuire LLM open-weight, è progettata per rendere la personalizzazione dei modelli open-weight semplice, flessibile ed efficiente in termini di costi. Siamo entusiasti di accogliere la famiglia di modelli Inkling nel ricco catalogo di modelli open-weight già disponibili in Cortex Training, che include famiglie come Qwen, GLM, Nemotron, Gemma e DeepSeek. Inkling 2 Small è disponibile da oggi sia per il post-training sia per l’inferenza.

Figura 1: Cortex Training supporta un’ampia gamma di modelli e metodi di training, tra cui supervised fine tuning, reinforcement learning, direct preference optimization e distillation, integrandosi con i principali framework di post-training e consentendo funzioni di loss e architetture personalizzate.
Inizia subito
Mentre i modelli open-weight diventano sempre più competitivi con i modelli frontier, le aziende hanno l’opportunità di personalizzare l’AI per ottenere maggiore accuratezza e costi inferiori. Con Cortex Training le aziende possono eseguire il post-training e il deployment dei modelli open-weight in modo flessibile e conveniente, sui propri dati e contesto aziendali governati. Per scoprire di più sulle ultime innovazioni di Cortex Training, consulta il blog di lancio, il repo github e la pagina web.




