Inkling Small
Réseau Neuronal
Inkling Small est un réseau neuronal multimodal ouvert de Thinking Machines Lab basé sur l'architecture MoE : 12B paramètres actifs sur 276B.
Caractéristiques
- Entrée
- texte, images, documents
- Sortie
- texte
- Taille du contexte
- 1 048 576 tokens
- Longueur maximale de la réponse
- 262 144 tokens
- Niveaux de raisonnement
- aucun, minimal, faible, moyen, élevé, max
- Fonctionnalités
- raisonnement, appel de fonctions
Comment ça marche Inkling Small?
Inkling Small est un modèle multimodal open-weights de Thinking Machines Lab basé sur l'architecture mixture-of-experts : sur 276 milliards de paramètres, environ 12 milliards sont activés par requête, ce qui réduit les calculs par rapport à un modèle dense de taille comparable. Dans la gamme Inkling, c'est la version la plus petite et économique, conçue pour les tâches en flux où la vitesse de réponse et le coût prévisible sont cruciaux. Sur BotHub, le modèle est accessible sans VPN ni carte étrangère : payez en roubles avec une carte russe à l'usage, sans expiration du solde. Accédez à plus de 250 modèles dans une interface unique pour comparer les réponses, et utilisez une API compatible OpenAI pour remplacer facilement les modèles sans réécrire l'intégration. Le trafic est chiffré via AES-GCM et les dialogues ne sont pas conservés. Idéal pour le traitement de texte massif, les requêtes multimodales, le code, l'extraction de faits et le prototypage d'assistants. BotHub propose aux entreprises des contrats, factures, gestion électronique de documents et un panneau d'administration avec limites.Questions fréquentes sur Inkling Small
Vous pouvez utiliser les résultats générés à des fins commerciales. Tous les droits sur le contenu créé vous appartiennent. Seule restriction : vérifiez que la requête ne contient pas de contenus protégés par le droit d'auteur appartenant à des tiers. Le respect des droits sur les données d'entrée relève de votre responsabilité.
C'est un modèle textuel avec un mode de raisonnement : il décompose les tâches étape par étape, écrit et corrige du code, explique les erreurs, et accepte des documents et images. La fenêtre contextuelle de 262 144 jetons permet de charger des fichiers volumineux et de longues conversations. Adapté à l'analyse, aux tâches STEM et aux scénarios d'agents avec appel d'outils.
La limite de sortie est de 262 144 jetons, soit la taille de la fenêtre contextuelle. Cela suffit pour un document important, une analyse détaillée ou beaucoup de code. Notez que la requête et la réponse partagent le budget de contexte, donc le volume disponible dépend de la taille du prompt et des pièces jointes.
Oui, le mode de raisonnement est confirmé : avant la réponse finale, il construit une chaîne d'étapes. Cela aide en mathématiques, logique, débogage de code et tâches complexes où le processus de résolution est crucial. Notez que le raisonnement consomme des jetons de sortie, rendant les réponses plus longues.
Oui, l'appel de fonctions et la sortie JSON structurée sont pris en charge. Le modèle peut être connecté à des outils externes, bases de données et services pour créer des agents et pipelines. Sur BotHub, cela est disponible via une API compatible OpenAI, évitant de réécrire l'intégration lors du changement de modèle.
Selon nos données, le modèle accepte texte, images et documents : envoyez une capture d'écran, un schéma, un PDF ou un tableau pour obtenir une analyse textuelle. L'audio et la vidéo ne sont pas listés comme formats d'entrée. La génération autre que textuelle n'est pas indiquée — il répond par texte.
Nos données ne précisent pas la qualité linguistique, nous ne pouvons donc pas garantir le niveau de russe — testez le modèle sur votre tâche via le chat ou l'API. Il n'y a aucune restriction de service : accès depuis la Russie sans VPN ni carte étrangère, paiement en roubles.