Um modelo de 26 bilhões de parâmetros que roda no seu MacBook. Parece bom demais? A Mira Murati aposta que não.
Quando a Mira Murati saiu da OpenAI em setembro de 2024, todo mundo apostou que ela ia fundar mais uma startup de IA genérica. Oito meses depois ela apareceu com a Thinking Machines Lab, levantou US$ 2 bilhões na maior seed round da história e contratou meia dúzia de pesquisadores de peso. Ninguém sabia direito o que a empresa estava construindo. Agora a gente sabe.
O Inkling 2 Mini foi lançado em 20 de novembro de 2026 com pesos abertos sob licença Apache 2.0. São 26,4 bilhões de parâmetros no total, mas apenas 5,4 bilhões ficam ativos por token. Ele roda no seu laptop com 32 GB de RAM. E a parte mais interessante: ele pensa em loops.
O que é “pensar em loop”?
A maioria dos transformers processa cada token passando por todas as camadas uma única vez, de baixo para cima. O Inkling 2 Mini faz diferente. Ele tem 24 camadas organizadas em quatro blocos de seis. Os dois blocos do meio rodam três vezes com pesos compartilhados para cada token. Na prática, o modelo aplica 48 camadas de processamento usando apenas 24 camadas de pesos.
Imagina assim: em vez de construir um prédio mais alto (mais parâmetros), a Thinking Machines fez o elevador subir e descer três vezes no mesmo prédio. O resultado é que o modelo consegue “pensar mais” internamente sem gerar texto extra na saída. Enquanto modelos como o o1 da OpenAI produzem cadeias longas de raciocínio visível (chain-of-thought), o Inkling raciocina dentro da própria arquitetura.
Isso resolve um problema real: modelos que pensam em voz alta gastam tokens de saída, que custam mais caro e deixam a resposta mais lenta. O looping permite raciocínio estendido sem esse overhead.
Arquitetura por dentro
| Especificação | Valor | |
|---|---|---|
| Parâmetros totais | 26,4B | |
| Parâmetros ativos por token | 5,4B | |
| Arquitetura | Decoder-only Transformer com MoE | |
| Camadas | 24 (4 blocos de 6) | |
| Loops | Blocos centrais rodam 3x | |
| Aplicações de camada por token | 48 | |
| Janela de contexto | 1M tokens | |
| Entrada | Texto e imagens | |
| Saída | Texto | |
| Formato de pesos | NVFP4 nativo (últimas 4 camadas em MXFP8) | |
| Tamanho do arquivo de pesos | ~20 GB | |
| Licença | Apache 2.0 |
O modelo usa Mixture of Experts (MoE) nas camadas feed-forward. Isso significa que nem todos os parâmetros são ativados para cada token. De 26,4B totais, só 3,4B de pesos ficam ativos, e com os loops isso resulta em 5,4B de ativações efetivas por token.
Pra quem trabalha com inferência local, isso é ouro. Um modelo com a inteligência efetiva de quase 50 camadas, mas que cabe em 20 GB de disco e roda com 32 GB de RAM.
Benchmarks: onde ele se destaca (e onde não)
A Thinking Machines posicionou o Inkling 2 Mini como modelo para tarefas agênticas, especialmente coding. E os números confirmam:
| Benchmark | Inkling 2 Mini | Comparação | |
|---|---|---|---|
| SWEBench Verified | 79,2% | Líder entre open-source < 100B | |
| DeepSWE v1.1 | 48,2% | Acima da maioria dos modelos abertos | |
| Terminal Bench v2.1 | 71,6% | Top tier para agentes de terminal | |
| MCP Atlas | 82,7% | Excelente em uso de ferramentas | |
| Vals Index v2.2 | 46,5% | Competitivo |
No Artificial Analysis Intelligence Index, o Inkling 2 Mini marcou 20 pontos. Pra contextualizar: a mediana de modelos open-source de tamanho similar é 10. Ele empata com o Qwen 3.8 27B, mas custa seis vezes menos e roda quatro vezes mais rápido que esse concorrente.
Agora, é bom calibrar as expectativas. O Inkling 2 Small (o irmão maior, com 594B de parâmetros totais) marca 72,1% no DeepSWE contra 48,2% do Mini. E modelos proprietários de ponta como Claude Opus 4.6 e GPT-5 ainda estão em outro patamar para tarefas complexas de raciocínio. O Mini brilha na relação custo/desempenho, não em números absolutos.
Como rodar no seu laptop
Essa é a parte que mais animou a comunidade. Você não precisa de uma H100 nem de uma conta na AWS. Precisa de um Mac com 32 GB de RAM (ou uma GPU NVIDIA com 32 GB+ de VRAM). E o setup é ridiculamente simples.
Com Ollama (a forma mais fácil)
ollama pull inkling2-mini
ollama run inkling2-mini
Duas linhas. Se você já usa Ollama pra rodar modelos locais, o Inkling 2 Mini funciona como qualquer outro. A diferença é que, quando você manda um prompt complexo de código, a qualidade da resposta é visivelmente superior a modelos de tamanho similar. Aquele momento de “ué, isso não parece um modelo de 26B” acontece rápido.
Com llama.cpp (mais controle)
# Baixar os pesos quantizados
huggingface-cli download thinkingmachines/Inkling-2-Mini --local-dir ./inkling-2-mini
# Rodar com llama.cpp
./llama-cli -m ./inkling-2-mini/model.gguf -p "Explique como funciona um B+ tree" -n 512
O llama.cpp dá mais controle sobre quantização e parâmetros de inferência. Pra quem quer espremer cada gota de performance do hardware, é a melhor opção. Os pesos nativos vêm em NVFP4, mas existem quantizações da comunidade em Q4_K_M e Q5_K_M que equilibram qualidade e velocidade.
Com vLLM (para servir como API local)
pip install vllm
vllm serve thinkingmachines/Inkling-2-Mini --max-model-len 32768
Essa é a opção pra quem quer rodar o modelo como um servidor de API local. Você sobe o vLLM e qualquer ferramenta que fala OpenAI API (Cursor, Continue.dev, Aider) se conecta direto. Zero dependência de cloud.
A Thinking Machines também oferece o Tinker Playground, onde você pode testar o modelo via API com preços de US$ 0,15/M tokens de entrada e US$ 0,50/M tokens de saída. Pra comparação, o Claude Sonnet 4.6 cobra US$ 3/M de entrada e US$ 15/M de saída. A diferença de preço é brutal.
NVIDIA DGX Spark
A NVIDIA recentemente lançou o DGX Spark, um “supercomputador de mesa” com 128 GB de memória unificada. O Inkling 2 Mini roda nele com folga, e você ainda consegue usar contextos longos sem problemas. Se a sua empresa precisa de inferência local com performance, essa combinação faz sentido.
MoE + Loops: por que essa combinação importa
Mixture of Experts não é novidade. O Mixtral já usava, o Grok também, e até o GPT-4 original era rumored como MoE. A diferença aqui é combinar MoE com o mecanismo de looping.
Em um MoE tradicional, cada token ativa um subconjunto dos experts em cada camada. Mas cada camada ainda é visitada uma única vez. No Inkling, os experts das camadas centrais são consultados três vezes. Isso permite que o modelo refine progressivamente sua representação interna sem aumentar o número de parâmetros.
É como revisar um texto três vezes antes de entregar. Na primeira passada você pega o sentido geral. Na segunda, corrige inconsistências. Na terceira, refina os detalhes. Cada passada usa os mesmos neurônios, mas a representação do token evolui a cada iteração.
Trabalhos acadêmicos sobre “universal transformers” e “looped transformers” já existiam desde 2018, mas nenhum modelo comercial tinha implementado isso em escala. A Thinking Machines é a primeira a mostrar que funciona em produção.
O contexto de 1 milhão de tokens
Sim, o Inkling 2 Mini suporta até 1 milhão de tokens de contexto. Isso equivale a aproximadamente 1.536 páginas A4 ou, colocando em termos práticos, o repositório inteiro de um projeto de médio porte.
Para tarefas agênticas de código, isso muda o jogo. Em vez de precisar de um sistema de RAG elaborado para alimentar contexto ao modelo, você pode simplesmente jogar o codebase inteiro na janela de contexto. O modelo vê tudo de uma vez e consegue fazer refatorações que cruzam múltiplos arquivos sem perder o fio da meada.
Claro que rodar 1M tokens localmente vai exigir mais do que 32 GB de RAM. Na prática, para contextos muito longos, você provavelmente vai querer usar a API do Tinker ou servir o modelo em uma máquina com mais memória.
Quem é a Thinking Machines Lab?
A empresa foi fundada por Mira Murati em fevereiro de 2025, poucos meses depois de ela deixar o cargo de CTO da OpenAI. A seed round de US$ 2 bilhões a uma avaliação de US$ 12 bilhões foi a maior da história do venture capital.
Em outubro de 2025, a empresa lançou o Tinker, uma API para fine-tuning de modelos de linguagem. Era o primeiro sinal do que estavam construindo. Agora, em novembro de 2026, a empresa levantou mais US$ 5 bilhões a uma avaliação de US$ 40 bilhões e lançou dois modelos: o Inkling 2 Small (594B, o carro-chefe) e o Inkling 2 Mini (26,4B, o modelo que roda localmente).
A estratégia é clara: open-source agressivo para ganhar adoção, com monetização via API e fine-tuning. Exatamente o playbook que a Meta usou com o Llama, mas com uma equipe que sabe construir modelos frontier.
Open Source de verdade?
Apache 2.0. Sem asteriscos, sem cláusulas de “uso aceitável” como algumas licenças da Meta. Você pode usar o Inkling 2 Mini comercialmente, modificar os pesos, fazer fine-tuning e distribuir derivados. Ponto.
Isso é relevante porque o mercado de modelos open-source virou uma bagunça de licenças. O Llama tem restrições para empresas com mais de 700 milhões de usuários mensais. O Mistral tem algumas limitações em versões enterprise. O Inkling 2 Mini é Apache 2.0 puro, e isso sozinho já o torna atraente pra startups e empresas que querem rodar IA internamente sem risco jurídico.
Pra quem esse modelo faz sentido?
Eu vejo três cenários principais:
1. Agentes de código locais
Se você usa ferramentas como Claude Code, Cursor ou Continue.dev, o Inkling 2 Mini é uma alternativa local que não manda seu código pra nenhum servidor. Com 79,2% no SWEBench e suporte a ferramentas via MCP, ele é capaz de resolver issues reais em repositórios.
2. Empresas com dados sensíveis
Hospitais, escritórios de advocacia, bancos: qualquer lugar onde mandar dados pra uma API externa é um problema regulatório. O Inkling roda on-premise em hardware acessível.
3. Desenvolvedores experimentando com IA
Se você quer brincar com um modelo de ponta sem pagar por tokens, agora dá pra fazer isso no seu MacBook. Baixa o Ollama, puxa o modelo e começa a experimentar.
Onde ele não faz sentido: se você precisa do melhor modelo possível para tarefas complexas de raciocínio e não se importa com custo, os modelos proprietários de ponta (Claude Opus, GPT-5) ainda são superiores. O Mini é sobre acessibilidade, não sobre ser o melhor do mundo.
O que isso significa pro mercado
A corrida dos modelos pequenos e eficientes está esquentando. O Qwen 3.8, o Phi-4 da Microsoft, o Gemma 3 do Google, e agora o Inkling 2 Mini da Thinking Machines. Cada um desses modelos prova que você não precisa de clusters de milhares de GPUs para ter IA útil.
A tendência é clara: em 2027, rodar um modelo com capacidade equivalente ao GPT-4 original vai ser tão trivial quanto instalar o Node.js. E isso vai mudar fundamentalmente como a gente constrói software.
A pergunta que fica é: quando um modelo que roda no seu laptop já resolve 80% dos seus problemas de código, qual é o incentivo pra pagar US$ 20/mês por uma assinatura de IA?
Comparação prática: Inkling 2 Mini vs. concorrentes open-source
Pra quem está decidindo qual modelo rodar localmente, aqui vai uma comparação direta:
| Modelo | Parâmetros | Ativos/token | RAM mínima | SWEBench | Licença | |
|---|---|---|---|---|---|---|
| Inkling 2 Mini | 26,4B | 5,4B | 32 GB | 79,2% | Apache 2.0 | |
| Qwen 3.8 27B | 27B | 27B | 32 GB | ~65% | Qwen License | |
| Llama 3.3 70B | 70B | 70B | 64 GB | ~72% | Llama License | |
| Phi-4 14B | 14B | 14B | 16 GB | ~55% | MIT | |
| Gemma 3 27B | 27B | 27B | 32 GB | ~60% | Gemma License |
O Inkling 2 Mini ganha no SWEBench com menos parâmetros ativos que qualquer concorrente do mesmo tamanho. O MoE + loops faz diferença real aqui. E a licença Apache 2.0 é a mais permissiva da lista.
O Llama 3.3 70B ainda compete em números brutos, mas precisa do dobro de RAM e é significativamente mais lento na inferência. Pra quem tem hardware limitado, o trade-off é claro.
Um detalhe que pouca gente percebeu
O Inkling 2 Mini gera muitos tokens. Nos testes do Artificial Analysis, ele produziu 161 milhões de tokens de saída, quase o dobro da mediana de 85,7 milhões. Isso é consequência direta do design: como o raciocínio acontece dentro dos loops internos, o modelo tende a ser mais verboso na saída. Ele pensa mais dentro da arquitetura, mas também fala mais.
Na prática, isso significa que o custo por tarefa via API (US$ 0,59 por tarefa) é mais alto do que a mediana, mesmo com preços por token mais baixos. Se você está rodando localmente, a verbosidade não custa dinheiro, só tempo de inferência. Mas via API, fique de olho no consumo de tokens de saída.
A velocidade de saída compensa parcialmente: 280 tokens por segundo é rápido o suficiente pra uso interativo. O tempo até o primeiro token (9,72 segundos) é mais alto que modelos menores, provavelmente por causa dos loops internos que precisam completar antes da primeira geração.
A OpenAI, o Google e a Anthropic precisam responder a isso. Rápido.













