К содержимому
Компьютерное зрение

Inkling 2 Small (MXFP8)

мультимодальная MoE-модель на 594B параметров с контекстом 1M

2 мин чтенияобновлено

Inkling 2 Small — мультимодальная модель от Thinking Machines, которая принимает текст и изображения (от 40px до 4096px) и генерирует текстовые ответы. В её основе лежит 48-слойный трансформер с архитектурой MoE (Mixture-of-Experts — разреженная смесь экспертов, где на каждый токен активируются 8 из 384 модулей, что ускоряет инференс): из 594 млрд общих параметров одновременно работают только 17 млрд. Модель поддерживает окно контекста до 1 млн токенов и гибридное внимание из локальных и глобальных слоёв. Этот вариант весов сохранён в формате MXFP8 и пригодится разработчикам ИИ-агентов, систем поиска с генерацией (RAG) и помощников для написания кода.

Ключевые особенности

  • Архитектура MoE 594B / 17B: 48 слоёв декодера с выбором 8 из 384 экспертов на токен и встроенным vision-энкодером для совместной обработки текста и картинок.
  • Контекст до 1M токенов: модель способна удерживать в памяти огромные объёмы текста и визуальных данных за один запрос.
  • Формат MXFP8: версия в 8-битной точности с плавающей запятой, которая показывает прирост на 1–2 процентных пункта в бенчмарках по сравнению с основной версией NVFP4.
  • Широкая поддержка фреймворков: из коробки поддерживается локальный запуск через SGLang, vLLM, TokenSpeed и Unsloth, а также дообучение через Tinker, Miles и SkyRL.

Что можно сделать

  • Создать автономного ИИ-агента: использовать модель в системах с вызовом внешних инструментов (tool-use) и сложным следованием инструкциям.
  • Запустить ассистента для программирования: применять для генерации, анализа и отладки кода на разных языках программирования с учётом большой кодовой базы.
  • Построить мультимодальный RAG-сервис: анализировать длинные документы, схемы и изображения в рамках контекстного окна до 1 млн токенов.

Пример

Загрузить и протестировать модель можно в интерактивной песочнице Tinker Playground, через API провайдеров (NVIDIA, Fireworks, Together, Baseten, Nebius, Modal, Cloudflare) или развернуть локально с помощью рецептов для vLLM, SGLang, TokenSpeed и Unsloth, подавая на вход текст в UTF-8 и изображения с разрешением от 40×40 до 4096×4096 пикселей.

ПодробнееБенчмарки: AA Index (v5.0) — 30.6, Vals Index (v2.2) — 56.1%, FrontierCode v2.0 — 25.4%.
Требования к железу: для версии MXFP8 требуется кластер GPU с общим объёмом не менее 800 ГБ VRAM (например, 4× NVIDIA B300 или 8× NVIDIA H200).
Примечание авторов: базовой точностью при обучении была NVFP4 (требует от 500 ГБ VRAM), а выигрыш MXFP8 в 1–2 п.п. на тестах авторы считают незначительным для большинства практических задач.
Обсудить Telegram 0 24

Запустится ли?

Не запустится

Не хватает памяти даже для 4-bit. Ниже — где арендовать подходящую видеокарту.

  • F8_E4M3рекомендуемвеса 560 GB · готовые файлы616 GB
  • 4-bitвеса 311 GB343 GB

Совет: берите 8-bit.F8_E4M3 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Ни один инстанс не вместит модель целиком — нужна выгрузка в ОЗУ или кластер.

Своя видеокарта: В домашние видеокарты не поместится — выгоднее арендовать.

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # omegazug/Inkling-2-Small-MXFP8
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download omegazug/Inkling-2-Small-MXFP8 --local-dir ~/models/Inkling-2-Small-MXFP8
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Inkling-2-Small-MXFP8
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии Inkling-2-Small-MXFP8 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

omegazug/Inkling-2-Small-MXFP8
Автор
omegazug
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

240

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Inkling 2 Small

Inkling 2 Small