Thinking Machines: Inkling 2 Small (free) API
Inkling 2 Small to model Thinking Machines z wejściem tekstowym i obrazowym oraz wyjściem tekstowym, oparty na rzadkiej architekturze Mixture-of-Experts, przeznaczony do pracy agentowej, asystentów kodowania i chatbotów.
Inkling 2 Small to model Thinking Machines zbudowany na 48-warstwowym transformerze typu decoder-only z rzadkim backbone feed-forward Mixture-of-Experts. Każdy token jest kierowany do 8 z 384 ekspertów. Model ma 594 miliardy parametrów ogółem i 17 miliardów parametrów aktywnych, a także obsługuje formaty numeryczne MXFP8 i NVFP4. Obrazy są kodowane przez transformer wizyjny i przetwarzane wspólnie z tekstem w współdzielonej przestrzeni ukrytej.
Model przyjmuje tekst i obrazy, a generuje tekst. Jest przeznaczony do języka angielskiego i innych języków oraz wielu języków programowania. Sprawdza się w systemach agentowych i wykorzystujących narzędzia, asystentach kodowania, chatbotach oraz systemach generowania wspomaganego wyszukiwaniem. Według dostępnych danych osiąga wyniki m.in. 71,8% w EnterpriseBench-CoreCraft, 80,2 w SWE-bench Verified i 95,5 w MathArena AIME 2026.
W porównaniu z Inkling Small nowa wersja zmniejsza odsetek halucynacji z 61 do 27 procent, podnosi zdawalność zadań automatyzacji z 5 do 46 procent i poprawia wyniki testów kodowania z 5 do 25 procent. Model zużywa jednak znacznie więcej tokenów wyjściowych — około 150 000 na zadanie Intelligence Index, około 4 razy więcej niż około 37 000 w Inkling Small. Jego wiedza ogranicza się do informacji dostępnych na moment odcięcia treningu, a w zastosowaniach medycznych, prawnych lub krytycznych dla bezpieczeństwa wymaga dodatkowego dostrajania, walidacji dziedzinowej i nadzoru człowieka.
Zaktualizowano:
MODEL ID
inkling-2-small:free- Kontekst
- 1.049M
- Maks. wyjście
- 131.072K
- Polecane API
- messages
- Wejście
- text / image
- Wyjście
- video
Najważniejsze informacje
- Rzadki MoE: 8 z 384 ekspertów na token
- 594 mld parametrów, 17 mld aktywnych
- Obsługa MXFP8 i NVFP4
- Wejście tekstowe i obrazowe
- Halucynacje spadły z 61% do 27%
- Wagi Apache 2.0 planowane
Dostawcy
Porównaj ceny API u różnych dostawców. Wybierz dostawcę, aby zobaczyć wszystkie opłaty i warunki.
| Dostępność | |||
|---|---|---|---|
| $0 | $0 |
Dane historyczne nie są kontrolą na żywo. Brak danych nie oznacza awarii.
Benchmarki
- 71.8%
EnterpriseBench-CoreCraft
od Surge AI; zdolności agentowe
- 56%
CritPt v2
w porównaniu z 34% dla Inkling Small i 65% dla Gemini 3.8 Flash high
- 89.5
GPQA Diamond
- 80.2
SWE-bench Verified
- 74
MMMU Pro Standard 10 Options
- 64.7
Terminal Bench 2.1
- 95.5
MathArena AIME 2026
- 31.6
HLE
Wyniki zgodnie z publikacją dostawcy modelu.
Rozumowanie
- Domyślny poziom wysiłku
- high
- Włączone domyślnie
- Tak
- Zawsze włączone
- Tak
- Dostępne poziomy wysiłku
- max / high / medium / low / minimal
Szybki start
Gotowy kod do wywołania tego modelu przez zgodne API Felo API Platform. Zacznij w Playground, gdy chcesz przetestować prompty przed pisaniem kodu.
Pobierz klucz API
Utwórz klucz w swoim koncie Felo API Platform i ustaw go jako zmienną środowiskową.
export FELO_API_KEY="YOUR_API_KEY"Wyślij pierwsze żądanie
Użyj tego identyfikatora modelu z endpointem Felo API Platform. Opcjonalne nagłówki żądania, takie jak X-Request-Id, mogą pomóc w diagnostyce.
inkling-2-small:freeTen model obsługuje rozumowanie. Jeśli wybrany protokół i trasa modelu udostępniają elementy sterujące rozumowaniem, zachowaj zwrócone metadane rozumowania podczas kontynuowania rozmowy.
const response = await fetch("https://openapi.felo.ai/api/v1/messages", {
method: 'POST',
headers: {
Authorization: `Bearer ${process.env.FELO_API_KEY}`,
'Content-Type': 'application/json',
},
body: JSON.stringify({
"model": "inkling-2-small:free",
"max_tokens": 1024,
"messages": [
{
"role": "user",
"content": "Hello"
}
]
}),
});
if (!response.ok) throw new Error(await response.text());
console.log(await response.json());Korzystanie z zewnętrznych SDK
Używaj zgodnych SDK, ustawiając baseURL na https://openapi.felo.ai/api/v1. Użyj bazowego adresu URL zgodnego z Anthropic dla klientów w stylu Claude. https://openapi.felo.ai/api.
Włącz strumieniowanie
Dodaj stream: true, aby otrzymywać odpowiedzi jako server-sent events.
curl -N https://openapi.felo.ai/api/v1/messages \
-H "Authorization: Bearer $FELO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "inkling-2-small:free",
"max_tokens": 1024,
"messages": [
{
"role": "user",
"content": "Hello"
}
],
"stream": true
}'Endpoint
Felo API Platform udostępnia zgodne interfejsy wywoływania modeli. Wybierz ten, który Twoja aplikacja lub klient agenta już obsługuje.
Messages
Komunikaty zgodne z Anthropic dla klientów w stylu Claude.
POST
https://openapi.felo.ai/api/v1/messagesParametry
modelstringinkling-2-small:freePubliczny identyfikator modelu do wywołania.max_tokensinteger—Maksymalna liczba generowanych tokenów.messagesarray—Komunikaty rozmowy dla Chat Completions.seed———stop———toolsarray—Definicje wywoływania narzędzi zgodne z obsługiwanym schematem.top_p———reasoning———temperaturenumber—Steruje różnorodnością odpowiedzi, gdy jest obsługiwane.reasoning_effort———include_reasoning———Często zadawane pytania
Co to jest Thinking Machines: Inkling 2 Small (free)?
Inkling 2 Small to model Thinking Machines zbudowany na 48-warstwowym transformerze typu decoder-only z rzadkim backbone feed-forward Mixture-of-Experts. Każdy token jest kierowany do 8 z 384 ekspertów. Model ma 594 miliardy parametrów ogółem i 17 miliardów parametrów aktywnych, a także obsługuje formaty numeryczne MXFP8 i NVFP4. Obrazy są kodowane przez transformer wizyjny i przetwarzane wspólnie z tekstem w współdzielonej przestrzeni ukrytej. Model przyjmuje tekst i obrazy, a generuje tekst. Jest przeznaczony do języka angielskiego i innych języków oraz wielu języków programowania. Sprawdza się w systemach agentowych i wykorzystujących narzędzia, asystentach kodowania, chatbotach oraz systemach generowania wspomaganego wyszukiwaniem. Według dostępnych danych osiąga wyniki m.in. 71,8% w EnterpriseBench-CoreCraft, 80,2 w SWE-bench Verified i 95,5 w MathArena AIME 2026. W porównaniu z Inkling Small nowa wersja zmniejsza odsetek halucynacji z 61 do 27 procent, podnosi zdawalność zadań automatyzacji z 5 do 46 procent i poprawia wyniki testów kodowania z 5 do 25 procent. Model zużywa jednak znacznie więcej tokenów wyjściowych — około 150 000 na zadanie Intelligence Index, około 4 razy więcej niż około 37 000 w Inkling Small. Jego wiedza ogranicza się do informacji dostępnych na moment odcięcia treningu, a w zastosowaniach medycznych, prawnych lub krytycznych dla bezpieczeństwa wymaga dodatkowego dostrajania, walidacji dziedzinowej i nadzoru człowieka.
Jak rozliczane jest użycie?
Rachunek zależy od wybranego dostawcy, jego cen i faktycznego zużycia. Dłuższe dane wejściowe lub inne warunki mogą mieć inne ceny.
Jakie dane wejściowe i wyjściowe obsługuje Inkling 2 Small?
Model przyjmuje tekst i obrazy, a generuje tekst. Obrazy są kodowane przez transformer wizyjny i przetwarzane razem z tekstem.
Do jakich zadań najlepiej nadaje się Inkling 2 Small?
Model jest projektowany do systemów agentowych i wykorzystujących narzędzia, asystentów kodowania, chatbotów oraz systemów RAG. Sprawdza się też w zadaniach finansowych, tworzeniu treści 3D i generowaniu wideo za pomocą kodu.
Czym Inkling 2 Small różni się od Inkling Small?
Inkling 2 Small zmniejsza odsetek halucynacji z 61 do 27 procent, podnosi zdawalność zadań automatyzacji z 5 do 46 procent i poprawia wyniki testów kodowania z 5 do 25 procent. Zużywa jednak około 150 000 tokenów wyjściowych na zadanie Intelligence Index, około 4 razy więcej niż około 37 000 w Inkling Small.
Jakie ograniczenia ma Inkling 2 Small?
Wiedza modelu ogranicza się do informacji dostępnych na moment odcięcia treningu. Nie należy wdrażać go w decyzjach medycznych, prawnych lub krytycznych dla bezpieczeństwa bez dodatkowego dostrajania, walidacji dziedzinowej i nadzoru człowieka.
Czy Inkling 2 Small jest dostępny jako model open weight?
Model uruchomiono jako model zastrzeżony, dostępny najpierw przez platformę Tinker i Tinker Playground Thinking Machines. Wagi mają zostać udostępnione później, planowane jest wydanie na licencji Apache 2.0, choć data nie jest potwierdzona.