Inkling Small
Red Neuronal
Inkling Small es un modelo MoE multimodal abierto de Thinking Machines Lab con 12B de parámetros activos de 276B y acceso vía API.
Características
- Entrada
- texto, imágenes, documentos
- Salida
- texto
- Tamaño del contexto
- 524 288 tokens
- Longitud máxima de respuesta
- 262 144 tokens
- Niveles de razonamiento
- ninguno, mínimo, bajo, medio, alto, max
- Funciones
- razonamiento, llamada a funciones
Costo del prompt
(por 1M tokens)
Costo de la respuesta
(por 1M tokens)
Cómo funciona Inkling Small?
Inkling Small es un modelo multimodal de pesos abiertos de Thinking Machines Lab con arquitectura mixture-of-experts: de 276 mil millones de parámetros, unos 12 mil millones funcionan por solicitud, lo que reduce el consumo de cómputo por token. Es una opción más compacta y económica en su línea, ideal cuando se necesita una velocidad de procesamiento razonable sin renunciar a la multimodalidad. A través de BotHub, el modelo está disponible sin VPN ni tarjetas extranjeras, con pago en rublos por uso de tokens: sin suscripciones y los tokens no caducan. Acceda a más de 250 redes neuronales en una sola ventana para comparar respuestas y cambiar de modelo fácilmente, con una API compatible con OpenAI que evita reescribir integraciones. Los diálogos se cifran con AES-GCM y no se guardan; las empresas disponen de contratos, facturas, EDI, panel de administración y límites para empleados. Útil para crear asistentes multimodales, analizar texto e imágenes en una misma solicitud, resumir materiales extensos, procesar solicitudes en lote o probar modelos abiertos antes de elegir.Preguntas frecuentes sobre Inkling Small
Puede usar los resultados generados con fines comerciales. Todos los derechos sobre el contenido creado le pertenecen. La única restricción: asegúrese de que la solicitud no incluya material de terceros protegido por derechos de autor. El usuario es responsable de respetar los derechos sobre los datos de entrada.
inkling-small es un modelo de texto de Thinking Machines con razonamiento previo a la respuesta y llamada a herramientas. Acepta texto, documentos e imágenes, por lo que es adecuado para analizar materiales extensos, trabajar con código, análisis y escenarios que requieren razonamiento paso a paso en lugar de una respuesta rápida y genérica.
En una sola respuesta, el modelo genera hasta 262,144 tokens, lo que equivale a un texto muy largo: un informe extenso, documentación o un archivo de código completo. La ventana de contexto es de 524,288 tokens, por lo que el código fuente y la respuesta caben en una sola solicitud sin necesidad de fragmentación.
Sí, el razonamiento previo a la respuesta es una capacidad del modelo: antes de dar el resultado, desglosa la tarea paso a paso. Esto es notable en lógica, matemáticas, análisis de código e instrucciones de varios pasos, donde es importante llegar a la respuesta de forma secuencial en lugar de adivinarla.
Sí, el modelo admite llamadas a funciones y salida estructurada en JSON. Usted describe las herramientas, el modelo decide cuándo aplicarlas y devuelve la respuesta en el esquema definido, lo cual es útil para agentes, análisis de documentos e integraciones donde el resultado se integra directamente en el código sin procesamiento manual.
Imágenes y documentos, sí: envíe una captura de pantalla, esquema, escaneo o PDF, y el modelo los analizará junto con su pregunta. El audio y el video no están marcados como formatos de entrada en nuestros datos. El modelo responde con texto; no se ha anunciado la generación de otros formatos.
No tenemos datos sobre la calidad del trabajo con idiomas específicos, por lo que no podemos prometer nada de antemano. La forma más fácil de comprobarlo es en la práctica: envíe su tarea a BotHub, compare la respuesta con otros modelos en la misma ventana y elija la adecuada. Acceso desde Rusia sin VPN, pago en rublos.