Signal解説・分析テクノロジーと道具つくるFUTURE LIFE BRIEF

Inkling 2 Small、家庭の PC で動かせる規模なのか

Thinking Machines の Inkling 2 Small は総 594B。前世代のファイルから試算すると 4 ビット版でも約 370GB で、家庭の PC には載らない。単価は上がらず、1タスクの費用は約 5.9 倍に。

2026年11月7日6分LifeMakers 編集デスク

この記事でわかること

重みは来週 Apache 2.0 で公開予定。今は同社の Tinker でのみ使える
前世代からの試算で 4 ビット版でも約 370GB になり、ふつうの PC には載らない
単価は上がっていないが、1タスクの費用は 0.20 ドルから 1.18 ドルへ約 5.9 倍になった

Thinking Machines は11月5日、第2世代のモデル Inkling 2 Small を発表した。総パラメータは 594B (5,940 億個) で、重みは来週 Apache 2.0 で公開する予定だとしている。

Thinking Machines「Inkling 2 Small」(2026年11月5日・公開予定・弱点・デモ)Thinking Machines Lab

前世代より大きく伸びた一方で、家庭の PC にそのまま載る大きさではなく、Artificial Analysis の計測では1タスクの費用も約 5.9 倍になった。公開モデルと聞いて手元で動かす姿を思い浮かべるなら、先に確かめておきたい数字がある。

今はまだ、借りて使うモデル

発表の時点で使えるのは、同社のサービス Tinker の上だけだ。重みは閉じたままで、外部の安全性試験と、攻撃役を立てて弱点を探すレッドチーミングが終わったあと、来週の公開を目指すという書き方になっている。ほかのプラットフォームへの提供は数週間以内としている。

11月7日に Hugging Face の同社ページを確認した時点で、Inkling 2 Small の項目はまだ並んでいない。前世代の Inkling-Small は Apache 2.0 で公開済みなので、予定どおりなら同じページに載ることになる。

594B はどれくらいの置き場所を取るのか

Inkling 2 Small は Mixture-of-Experts という作りで、384 の専門家のうち、トークン (AI が文章を処理する単位) ごとに 8 つだけを使う。動くのは 17B だが、使う専門家はトークンごとに替わるので、基本的には全体を手元に置いておくことになる。

必要なメモリを同社は発表文に書いていない。手がかりは前世代のファイルだ。総 276B の Inkling-Small は、Hugging Face 上で 4 ビットの NVFP4 版が約 171GB、16 ビット版が約 532GB ある。

同じ比率で 594B に伸ばすと、約 370GB と約 1.1TB になる。音声機能の有無などで単純な比例にはならないので、あくまで編集部の試算だ。それでも、メモリが数十 GB のふつうの PC に載る量からは遠い。

小さいモデルに期待する道は残る。同社は Inkling 2 Small を大きさ違いのモデルの「はしご」の一段と呼び、ほかの段も近く見せるとしている。自宅で動かす話は、その段の大きさを見てからでも遅くない。

単価は上がっていないのに、費用は増えた

Artificial Analysis の総合指数で、Inkling 2 Small は 31 点、前世代の Inkling Small は 13 点だった。同じ試験で数字を並べると、伸びの代わりに増えたものが見える。

1タスクの費用: 0.20 ドル → 1.18 ドル (約 5.9 倍)
1タスクの時間: 4.8 分 → 18.5 分
試験全体の出力トークン: 7,160 万 → 1 億 5,400 万
100 万トークンの単価: 入力 0.30 ドルで同じ、出力は 1.20 ドル → 1.00 ドル

単価表だけを見れば安くなっている。請求を増やしたのは、1つの課題にかける量と時間のほうだ。AI に長い作業を任せるつもりなら、単価でなく1タスクあたりで見積もらないと予算が外れる。

これは重い評価課題の数字で、日常の質問1回の値段ではない。The Decoder が伝える同じ計測では Gemini 3.8 Flash が 7.77 ドル、Claude Sonnet 5.5 が 10.02 ドルなので、他社と比べれば今も安い側にいる。

伸びと引き換えに残った弱点

同社自身が挙げている弱点もある。

音声入力は非対応になった (前世代は対応・画像は対応)
チャットの体験は最適化が足りない。情報の整理や見せ方が劣り、メンタルヘルスなどの質問に過剰に反応することがある
簡潔に伝えるのが得意でなく、作業手順 (スキル) を多く抱えるコードベースでは最適な道具を選ばないことがある
AI を意図どおりに振る舞わせるアライメントの評価で、GPT-6.1 Sol のような閉じたモデルにまだ及ばない

ハルシネーション (事実と違う答え) の率は 61% から 27% に下がったが、The Decoder によれば回答した割合も 77% から 53% に下がっており、下げ幅の多くは答えなくなった分だ。

手元を変えるのは、追加学習の値段かもしれない

Inkling のシリーズは、追加学習の土台として作られている。同社が見せたデモでは、Inkling 2 Small が自分で手順を組み、小さなモデル Qwen3.5-4B に天気や Wikipedia の閲覧数を予測させる学習を 4.5 時間で回した。Tinker での費用は 426 ドルで、予測の点数は 2 倍を超えたという。

GPU を買わずに、自分の用途に寄せたモデルを作れる額ではある。ただし同社自身のデモで、課題と予算も用意された上での結果だ。作業記録には評価の費用が膨らむ場面も残っていて、何で成功を測るかを決める手間は消えていない。

次に見るのは、11月9日の週の Hugging Face の thinkingmachines のページだ。公開が予定どおりか、ファイルの大きさがいくつか。そこで自宅で動かす話の現実味が決まる。

ことば

Mixture-of-Experts — モデルの中に多数の専門家を持ち、処理ごとに一部だけを使う作り。計算量を抑えられるので大きなモデルで採用が進むが、全体を置く場所は要る。
重み — 学習で得られた数値の集まりで、モデルの実体にあたる。公開されれば、自分のサーバーや借りた GPU で動かしたり、追加学習に使ったりできるようになる。
Apache 2.0 — 商用利用や改変を広く認めるライセンス。この条件で公開されれば、追加学習したモデルを自分のサービスに組み込む道が開く。

あなたが自分用に直したい作業は、426 ドルをかける価値があるものだろうか？