Inkling Small
Rede Neural
Inkling Small é um modelo MoE multimodal aberto da Thinking Machines Lab com 12B de parâmetros ativos de 276B e acesso via API.
Especificações
- Entrada
- texto, imagens, documentos
- Saída
- texto
- Tamanho do contexto
- 524 288 tokens
- Comprimento máximo de resposta
- 262 144 tokens
- Níveis de raciocínio
- nenhum, mínimo, baixo, médio, alto, max
- Recursos
- raciocínio, chamada de funções
Custo do prompt
(por 1M tokens)
Custo da resposta
(por 1M tokens)
Como funciona Inkling Small?
Inkling Small é um modelo multimodal de pesos abertos da Thinking Machines Lab com arquitetura mixture-of-experts: dos 276 bilhões de parâmetros, cerca de 12 bilhões são usados por solicitação, reduzindo o custo computacional por token. É uma opção mais compacta e econômica em sua linha, ideal quando se precisa de velocidade de processamento razoável sem abrir mão da multimodalidade. Através do BotHub, o modelo está acessível na Rússia sem VPN ou cartão estrangeiro, com pagamento em rublos por uso de tokens: sem assinaturas, e os tokens não utilizados não expiram. Com mais de 250 redes neurais em uma única janela, você pode comparar respostas e alternar modelos com poucos cliques, enquanto uma API única compatível com OpenAI evita a reescrita de integrações. Os diálogos são criptografados via AES-GCM e não são salvos. Empresas têm acesso a contratos, faturas, EDI, painel administrativo e limites para funcionários. Útil para criar assistentes multimodais, analisar texto com imagens, resumir materiais longos, processar solicitações em lote ou testar modelos abertos.Perguntas frequentes sobre Inkling Small
Você pode usar os resultados da geração para fins comerciais. Todos os direitos sobre o conteúdo criado pertencem a você. A única restrição: certifique-se de que a solicitação não inclua materiais de terceiros protegidos por direitos autorais. A responsabilidade pelo cumprimento dos direitos sobre os dados de entrada é do usuário.
O inkling-small é um modelo de texto da Thinking Machines com raciocínio antes da resposta e chamada de ferramentas. Ele aceita texto, documentos e imagens, sendo adequado para analisar materiais longos, trabalhar com código, análises e cenários que exigem raciocínio passo a passo, em vez de uma resposta rápida e genérica.
Em uma única resposta, o modelo gera até 262.144 tokens — um texto muito longo: um grande relatório, documentação ou um arquivo de código completo. A janela de contexto é de 524.288 tokens, permitindo que o código-fonte e a resposta caibam em uma única solicitação sem necessidade de divisão.
Sim, o raciocínio antes da resposta é um recurso do modelo: antes de fornecer o resultado, ele analisa a tarefa passo a passo. Isso é perceptível em lógica, matemática, análise de código e instruções de várias etapas, onde é importante chegar ao resultado de forma consistente, não apenas adivinhar.
Sim, o modelo suporta chamada de funções e saída estruturada em JSON. Você descreve as ferramentas, ele decide quando aplicá-las e retorna a resposta no esquema definido — útil para agentes, análise de documentos e integrações onde o resultado vai direto para o código sem análise manual.
Imagens e documentos, sim: envie uma captura de tela, diagrama, digitalização ou PDF, e o modelo os analisará junto com sua pergunta. Áudio e vídeo não estão listados como formatos de entrada em nossos dados. O modelo responde com texto; a geração de outros formatos não é suportada.
Não temos dados sobre a qualidade do desempenho em idiomas específicos, por isso não faremos promessas antecipadas. A maneira mais fácil de verificar é na prática: envie sua tarefa ao BotHub, compare a resposta com outros modelos na mesma janela e escolha o adequado. Acesso da Rússia sem VPN, pagamento em rublos.