Foto: geralt / Pixabay
Thinking Machines Labs merilis model generasi kedua, Inkling 2 Small, pada November 5, 2026, dengan arsitektur self-training yang menandai pergeseran efisiensi komputasi pada Large Language Model. Model ini dilatih menggunakan sampel trajektori dari model Kimi K3 buatan Moonshot AI, menunjukkan integrasi lintas batas antar-organisasi AI. Prediksi dari Artificial Analysis menyatakan bahwa setelah pelepasan bobot penuh, sistem ini akan menjadi model open-weight dengan skor tertinggi di luar Tiongkok, menurut TechFlowPost. Perilisan ini berlangsung saat startup tersebut dalam proses penggalangan dana sebesar $5 miliar dengan valuasi pre-money $40 miliar.
Apakah Inkling 2 Small Benar-Benar Menghapus Kebutuhan Supervisi Manusia?
Inovasi Inkling 2 Small tidak sepenuhnya menghapus peran manusia, melainkan menggeser fokus dari pelatihan manual ke validasi dan penyempurnaan trajektori. Meskipun model ini dirancang untuk melatih dirinya sendiri melalui sampel dari Kimi K3, arsitektur self-training ini tetap memerlukan basis data awal yang valid. Data yang diberikan menunjukkan bahwa proses ini bergantung pada sampel trajektori dari model AI lain, yang berarti kualitas model pertama tetap memengaruhi hasil akhir. Dengan demikian, inovasi ini lebih tepat disebut sebagai otonomi semi-terbatas di mana manusia beralih dari peran pengajar langsung menjadi kurator data dan evaluasi kinerja sistem.
Bagaimana Arsitektur Self-Training Inkling 2 Small Bekerja?
Arsitektur Inkling 2 Small memanfaatkan sampel trajektori dari model Kimi K3 milik Moonshot AI untuk melatih bobot parameternya. Pendekatan ini berbeda dengan pelatihan dari nol (scratch) atau fine-tuning sederhana karena menggunakan interaksi langsung dengan model yang lebih besar atau setara sebagai sumber sinyal pembelajaran. Data dari TechFlowPost mencatat bahwa proses ini terjadi pada November 5, 2026, bertepatan dengan rilis resmi model generasi kedua tersebut. Strategi ini menunjukkan pergeseran tren di industri AI dari pembangunan model tunggal raksasa menjadi ekosistem model yang saling berinteraksi untuk meningkatkan efisiensi. Dengan meminjam trajektori dari Kimi K3, Thinking Machines Labs berhasil mengurangi kebutuhan komputasi untuk menemukan pola baru dari nol.
Berapa Besar Penghematan Komputasi Dibanding Model Inkling Sebelumnya?
Efisiensi komputasi pada inkling 2 Small dapat dipahami melalui perbandingan dengan model Inkling-Small generasi sebelumnya. Inkling-Small, yang dirilis pada Juli 2026, menggunakan 12 miliar parameter aktif per token, jauh lebih sedikit dibandingkan 41 miliar parameter aktif pada model Inkling asli, sebagaimana dicatat oleh VentureBeat. Model Inkling generasi pertama memiliki total parameter 975 miliar dan melatihnya menggunakan 45 triliun token teks, gambar, audio, dan video, menurut TechCrunch. Arsitektur mixture-of-experts ini memungkinkan model untuk hanya mengaktifkan sebagian kecil dari parameter totalnya pada saat pemrosesan, sehingga mengurangi beban komputasi secara signifikan. Inkling 2 Small melanjutkan tren ini dengan mengurangi ketergantungan pada pelatihan intensif di awal siklus.
Mengapa Valuasi $40 Miliar Didukung Inovasi Inkling 2 Small?
Proses penggalangan dana Thinking Machines Labs senilai $5 miliar pada valuasi pre-money $40 miliar menunjukkan kepercayaan investor pada efisiensi model Inkling 2 Small. Valuasi tinggi ini dicapai tepat di sekitar rilis model November 2026, mengindikasikan bahwa kemampuan model untuk bersaing secara global adalah pendorong utama penghitungan aset. Prediksi bahwa model ini akan menjadi yang terbaik di luar Tiongkok meningkatkan daya saing perusahaan di pasar teknologi Barat. Data yang dikutip oleh TechFlowPost mengonfirmasi bahwa startup ini berhasil menarik perhatian investor besar berkat kemampuan teknis yang terverifikasi. Inovasi arsitektur menjadi justifikasi utama untuk valuasi yang sangat tinggi tersebut.
Data Komparasi Arsitektur Model Inkling Generasi
Untuk memahami efisiensi secara kuantitatif, berikut adalah perbandingan data teknis model inkling yang tersedia dalam dokumen sumber:
| Model | Total Parameter | Parameter Aktif | Token Pelatihan | Rilis |
|---|---|---|---|---|
| Inkling | 975 miliar | 41 miliar | 45 triliun | Juli 2026 |
| Inkling-Small | 276 miliar | 12 miliar | - | Juli 2026 |
| Inkling 2 Small | - | - | - | November 2026 |
Perbedaan rasio parameter total dan aktif dari model inkling asli menunjukkan keunggulan mixture-of-experts. Pengurangan parameter aktif dari 41 miliar menjadi 12 miliar pada versi Small mengindikasikan rasio efisiensi yang lebih tinggi untuk beban komputasi harian. VentureBeat mencatat rasio 276 miliar total parameter terhadap model inkling-Small, yang mendekati performa pendahulunya.
Bagaimana Prediksi Artificial Analysis Mengubah Lanskap Open-Weight?
Prediksi yang dibuat oleh Artificial Analysis tentang Inkling 2 Small memiliki dampak langsung pada persepsi model open-weight global. Model ini diprediksi akan menjadi model open-weight dengan skor tertinggi di luar Tiongkok setelah bobotnya sepenuhnya dirilis. Status ini mengartikan adanya perubahan keseimbangan dalam ekologi AI antara model tertutup dan model yang dapat diakses publik. Data yang dirilis oleh TechFlowPost menekankan bahwa predik ini memberikan dasar yang kuat bagi pengembang untuk mengintegrasikan model inkling 2 Small ke dalam pipeline mereka. Keberhasilan ini mengaburkan batas antara inovasi dari Amerika Serikat dan model open-source Tiongkok yang mendominasi pasar beberapa tahun terakhir.
Langkah Praktis untuk Mengintegrasikan Inkling 2 Small dalam Pipeline Data
Pengembang data science dan machine learning harus mempersiapkan infrastruktur untuk menerima sampel trajektori dari model inkling 2 Small. Langkah pertama adalah menghitung kapasitas komputasi untuk menangani parameter aktif yang direduksi. Kedua, tim engineering harus menyiapkan protokol evaluasi trajektori yang berasal dari Kimi K3 untuk memastikan kualitas data sebelum training dimulai. Karena arsitektur ini bergantung pada model lain, pipeline CI/CD harus memiliki mekanisme validasi silang dengan Kimi K3. Pengujian performa dengan set data 45 triliun token atau subsetnya diperlukan untuk memvalidasi keandalan arsitektur mixture-of-experts dalam kondisi operasional.