
Inkling 2 Mini Çıktı: Dizüstü Bilgisayarlarda Çalışan Açık Yapay Zeka Modeli
Thinking Machines Lab, dizüstü bilgisayarlarda yerel olarak çalışabilen açık ağırlıklı Inkling 2 Mini modelini duyurdu. Kodlama testlerinde öne çıkan model detayları haberimizde.
Inkling 2 Mini açık yapay zeka modeli, Thinking Machines Lab tarafından dizüstü bilgisayarlarda yerel olarak çalıştırılabilecek şekilde açık ağırlıklarla kullanıma sunuldu. Özellikle kodlama ve akıl yürütme testlerinde kendi boyutundaki açık rakiplerini geride bırakmayı başaran model, kişisel bilgisayarında güçlü bir yapay zeka çalıştırmak isteyen kullanıcılara yeni bir alternatif sunuyor. Şirket, 20 Kasım tarihli duyurusuyla birlikte Inkling 2 Mini'nin tam ağırlıklarını Hugging Face ve Tinker platformu üzerinden erişime açtı.
Inkling 2 Mini Yenilikçi Mimarisiyle Dikkat Çekiyor
Model, "döngülü transformer" (looped transformer) adı verilen özel bir mimari üzerine inşa edildi. Toplam 24 katmandan oluşan ve altışarlı dört bloğa ayrılan modelde, ilk ve son bloklar birer kez çalışırken ortadaki iki blok her token için üç kez tetikleniyor. Bu çalışma prensibi, yapay zekanın daha az token üreterek doğru sonuca ulaşmasını kolaylaştırıyor. Uzman karışımı (Mixture-of-Experts) yapısındaki modelin toplam 26,4 milyar parametresi bulunuyor ve her token için 3,4 milyarlık kısım etkinleşiyor. Döngü hesaba katıldığında ise token başına 5,4 milyar ağırlık devreye giriyor. Şirket verilerine göre döngüsüz bir modelin eğitimi %7,5 daha az işlem gücü gerektirse de aynı sonucu almak için çalışırken %140 daha fazla işlem gücü tüketiyor.
Kodlama Testlerinde Rakiplerinin Önünde
Thinking Machines'in paylaştığı verilere göre Inkling 2 Mini, 100 milyarın altındaki açık ağırlıklı modeller arasında DeepSWE v1.1 (%48,2) ve Vals Index v2.2 (%46,5) testlerinde birinci sırada yer alıyor. SWE-bench Verified testinde %79,2 puan alan model, %77,8 alan Qwen3.8-27B modelini geride bıraktı. Ayrıca Stanford araştırmacılarının NVIDIA DGX Spark üzerinde yaptığı enerji verimliliği ölçümünde 0,703 puan alarak Qwen3.6-35B-A3B (0,430), Gemma-4-26B-A4B (0,159) ve Qwen3.5-27B (0,036) karşısında belirgin bir üstünlük sağladı.
Modelin zayıf olduğu yönler de açıklandı. Çok turlu sohbetlerde ve karmaşık talimatlarda en güçlü seçenek olmayan Inkling 2 Mini; MultiChallenge testinde %50,0 ve ComplexConstraints v1.1 testinde %33,4 alarak Qwen3.8-27B'nin gerisinde kaldı.
Donanım Gereksinimleri ve Araştırmacı Modeli
Yaklaşık 20 GB bellek alanına ihtiyaç duyan modelin ağırlıkları 4 bit NVFP4 ve 8 bit MXFP8 hassasiyetinde eğitildiği için dönüştürme kaybı yaşamadan dağıtılıyor. En az 32 GB belleğe sahip Mac cihazlarında Ollama ile çalışabilen Inkling 2 Mini, NVIDIA DGX Spark sistemlerinde de kullanılabiliyor. Unsloth ve llama.cpp için GGUF sürümleri de hazırlanan model haricinde şirket, döngü sayısının etkilerini incelemek isteyen araştırmacılar için TML-d24-varloop-research adında ikinci bir değişken döngülü modeli daha Hugging Face üzerinde yayınladı.
Kaynak: ShiftDelete.Net







