Inkling 2 Smallとは？Thinking Machines Lab製594Bモデルのスペックと使い方

Inkling 2 Smallとは、Thinking Machines Labが開発した5,940億パラメータのマルチモーダルAIモデルです。巨大な知能をパソコンや専用サーバーで扱いやすい形に落とし込んだ点が特徴となっています。手元の環境で賢いAIを安全に運用したい開発者にとって、有力な候補が登場しました。

---

Inkling 2 Smallとは？元OpenAI CTOミラ・ムラティ氏率いる新研究所の初モデル

Inkling 2 Smallは、元OpenAIのCTOであるミラ・ムラティ氏が立ち上げたThinking Machines Labから2026年11月5日に登場した最新の基幹モデルです。

AI業界を長年牽引してきた技術陣が独立し、最初の成果物として世に送り出しました。名前には「Small」と付いていますが、全体規模は5,940億パラメータに達します。スマートフォンで動くような超軽量モデルとは異なり、サーバーで高度な推論を担う本格派のシステムです。

設計の根底にあるのは、巨大な知識ベースを持ちながら計算の無駄を極限まで削る思想です。これまでの大規模モデルは、動かすたびに数千億個の計算回路すべてに電気を通す必要がありました。Inkling 2 Smallはその常識を覆し、必要な部分だけを瞬時に呼び出す仕組みに特化しています。

自社独自のデータセンターで動かしたいエンジニアにとって、このモデルの公開は大きな転換点となります。商用クラウドの利用規約や通信遅延に縛られず、自由なカスタマイズができるからです。先行して使いたい場合は、開発者向けプラットフォームのTinker上で検証作業を進められます。

---

Inkling 2 Smallの基本スペック一覧表

Inkling 2 Smallの主要な諸元を整理すると、巨大さと軽快さが同居した特異な構成がはっきり見えてきます。

まずは公開されている基本数値をまとめました。導入前の設計判断にお使いください。

つまり、知識の引き出しは5,940億規模と広大でありながら、処理にかかる計算負荷は170億規模のモデルと同等に抑えられています。

この設計のおかげで、推論にかかる電気代と待ち時間を大幅に削れます。社内資料の検索やプログラミング補助など、連続して動かす用途で重宝するスペックです。

---

総594Bで実働17Bを動かすMoEの仕組みとは？

Inkling 2 Smallが採用しているMoE（Mixture-of-Experts）は、巨大なAIの中に多数の「専門家集団」を並べておく仕組みです。

AIへの指示文が入ってくると、まず振り分け役の回路が内容を瞬時に判定します。法律の質問なら法律に強い回路、数式の計算なら数学に強い回路へと、必要な部分だけを叩き起こして処理を任せる流れです。

5,940億個あるすべての知識回路を一度に動かすと、膨大な電力を消費します。Inkling 2 Smallは、推論の瞬間に動く計算回路を全体のわずか3%弱にあたる170億個に絞り込みました。

[ユーザーの入力文]
       │
       ▼
 [ルーティング回路（振り分け役）]
       │
 ┌─────┼─────┬─────┐
 ▼     ▼     ▼     ▼
[専門1] [専門2] [専門3] [専門4] ... [専門N]
 稼働   休止   稼働   休止          休止
 └─────┬─────┘
       ▼
 [17B分のみ計算して回答出力]

この制御により、巨大モデル並みの知識を持ちながら、回答の出力スピードは中型モデル並みの速さを保ちます。

質問のジャンルが変わっても、振り分け役が滑らかに担当者を交代させます。専門家同士の連携がうまく整っているため、回答の途中で文脈が破綻する心配もありません。

---

292Mビジョンエンコーダーが担う画像認識の実力

Inkling 2 Smallは文字だけでなく、画像の内容を読み取るマルチモーダル機能を最初から内部に備えています。

その視覚認識を支えているのが、2億9,200万パラメータの軽量ビジョンエンコーダーです。視覚部分をあえて3億未満の小さなサイズに抑えた点に、設計陣の明確な意図が現れています。

画像認識部分が重すぎると、全体の動作テンポが著しく落ちてしまいます。Inkling 2 Smallは軽量な認識器で画像の要点だけを素早く抜き出し、後ろに控える5,940億の頭脳本体へと素早く受け渡します。

画面キャプチャから表の数値を抜き出したり、手書きのメモをテキスト化したりする作業は極めてスムーズです。複雑な回路図やUIのワイヤーフレームを読み込ませても、文字情報の文脈としっかり結びつけて理解します。

画面注釈をもとにコードを書かせるなら、Cursor Annotateの画面注釈機能と組み合わせるような指示出しで真価を発揮します。画像生成AIに指示文を渡す前処理としても重宝する設計です。

---

ベンチマークスコア比較｜主要軽量モデルとの実力差は？

客観的な性能順位を把握するために、最新のAI知能指数ランキングであるArtificial Analysis Intelligence Indexの数値を突き合わせます。

各社の現行モデルとInkling 2 Smallの立ち位置を以下の表にまとめました。

つまり、Inkling 2 Smallの性能はGoogleの現行主力であるGemini 3.8 Flashと肩を並べる水準に達しています。

オープンライセンスで自社サーバーに置けるモデルとしては、破格の実力です。巨大なクラウド事業者にデータを送ることなく、手元の環境で同等クラスの回答精度を引き出せるからです。

日々の文章作成や要約作業であれば、このスコア帯で不満が出る場面はほとんどありません。高度な哲学的議論や複雑な長編推論を除けば、実務の8割以上をそつなくこなす能力を持っています。

---

Inkling 2 Smallの使い方は？Tinker環境での実行手順

Inkling 2 Smallを実際に動かすには、現在クローズド提供されているTinker環境を利用するか、公開されたモデルファイルを自前の環境に読み込みます。

もっとも手軽に挙動を確かめられるのはTinkerの専用APIです。クラウド上で環境構築を済ませずに、数行のコードですぐに接続できます。

まずはPython環境から呼び出す標準的な記述例を確認してみましょう。

import os
from tinker import Client

# APIクライアントを初期化
client = Client(api_key=os.environ.get("TINKER_API_KEY"))

# Inkling 2 Smallに指示を送信
response = client.chat.completions.create(
    model="inkling-2-small",
    messages=[
        {"role": "system", "content": "あなたは技術ドキュメントの要約アシスタントです。"},
        {"role": "user", "content": "MoEアーキテクチャの長所を簡潔に教えてください。"}
    ],
    temperature=0.2,
    max_tokens=500
)

print(response.choices[0].message.content)

ローカル環境に重みデータを落として動かす場合は、vLLMなどの高速推論エンジンを仲介させます。

# vLLMを使った推論サーバーの起動例
python3 -m vllm.entrypoints.openai.api_server \
    --model thinking-machines-lab/inkling-2-small \
    --tensor-parallel-size 4 \
    --pipeline-parallel-size 2 \
    --gpu-memory-utilization 0.95 \
    --port 8000

起動が完了すれば、手元の開発環境からOpenAI互換の形式でリクエストを送信できます。

推論の手順を整えておけば、社内のAIチャットボット基盤や業務支援ツールのバックエンドとしてそのまま組み込み可能です。

---

Apacheライセンスによるオープン運用の実情と注意点

Thinking Machines Labは、Inkling 2 Smallの提供形式としてApache 2.0ライセンスを採用しています。

このライセンスは、企業が商業目的で製品に組み込むことを全面的に認めています。ソースコードや重みデータを自社の都合に合わせて書き換えても、改変部分を公開する義務が生じません。

他社の大規模モデルでは、生成したデータを別のAIの学習に使うことを禁じる規約が一般的です。Inkling 2 Smallなら、自社特化の小型モデルを蒸留して育てるための教師役としても活用できます。

ただし、ライセンスが無償だからといって、運用費用がゼロになるわけではありません。モデルファイルを社内のサーバーに配置して常時稼働させるには、それ相応のハードウェア投資が求められます。

外部のAPIを従量課金で叩く運用と、自社でGPUサーバーを借りて固定費を払う運用のどちらが得になるか。月間の呼び出し回数をあらかじめ試算しておく判断が欠かせません。

---

動作に必要なマシン環境とハードウェア要件の目安

総パラメータ数が5,940億に達するため、モデル全体の重みデータ自体は非常に大きな容量を占めます。

推論時の計算回路は170億個しか動きませんが、すべての専門家の重みデータをグラフィックボードのメモリ上に広げておく必要があるからです。

実用的な動作を実現するために必要なハードウェア構成を整理しました。

つまり、オンプレミス環境で動かすには、最低でもハイエンドGPUが8枚並んだ専用サーバーが1台必要になります。

パソコン1台で手軽に動かせるモデルではありません。個人のMacBookなどで試したい場合は、自前で環境を組むよりもTinker経由でAPIを呼び出す方法が一択です。

自社インフラに導入する際は、サーバーの電気容量と冷却設備の確認も忘れずに行ってください。

---

Inkling 2 Smallの導入に向く業務と不向きな用途

AIモデルにはそれぞれ得意分野と不得意な領域が存在します。

Inkling 2 Smallの特性を最大限に活かせる業務と、別の選択肢を検討すべき業務の境界線を明確に引きました。

[導入の向き・不向きの判断]

【向いている業務】
・機密データを社外に出せない金融・法務・医療の社内文書要約
・軽量な画像認識を組み合わせたレシートや伝票の仕分け処理
・自社独自の専門用語を染み込ませるためのファインチューニング基盤

【不向きな用途】
・個人のノートPCだけで完結させたいオフライン作業
・1回の推論に数分かけて超難問を解かせる最先端の研究開発
・初期のインフラ設備投資を完全にゼロで済ませたい小規模プロジェクト

社外秘のソースコードを検査したり、個人の医療データを扱ったりする用途には抜群の適性を示します。外部サーバーにデータが一切送信されないため、情報漏えいのリスクを技術的に遮断できるからです。

一方で、数理パズルのような難問を解かせるなら、Claude OpusやGPT-6系などの巨大商用モデルに軍配が上がります。モデルの規模とインフラ維持費のバランスを見極めて配置してください。

思考の下書きを整理する用途なら、scratchpadの使い方を参考にして指示文を組み立てると出力のブレを抑えられます。

---

他のオープンモデルと比べた強みと弱み

オープンソース界隈には、Meta社のLlamaシリーズやMistral AIのモデルなど強力なライバルがひしめいています。

それらの競合製品とInkling 2 Smallを比較した際、どこに独自性があるのかを浮き彫りにしました。

最大の強みは、最初からマルチモーダルを前提として極限まで削られたビジョンエンコーダーの統合度合いです。後付けで画像認識モジュールを接着したモデルと比べて、画像を入力した際の推論速度の落ち込みが非常に小さく設計されています。

弱点は、メモリに乗せるべき総データ量の多さです。普段は170億の回路しか使わないにもかかわらず、サーバーには5,940億個分の重みを保管しておかなければなりません。

この「置き場所の重さと処理の軽さのギャップ」を受け入れられるかどうかが、導入の成否を分ける分水嶺となります。

オープンソースモデルの全体像を見渡したい開発者は、Inkling代替10選の比較記事も合わせて確認しておくと視野が広がります。

---

AI PICKS編集部の判定

Inkling 2 Smallに対する編集部の見立ては、「大規模な自社インフラを持つ中堅・大企業にとって重宝する堅実な実用モデル」です。

率直に言って、個人の開発者や数名のスタートアップが自前でホストするには維持費が高すぎます。GPUを8枚揃える設備投資は重く、趣味で動かす選択肢にはなり得ません。そうした用途ならTinkerのAPIを叩くか、最初からクラウド完結のツールを選ぶのが正解です。

しかし、機密保持の壁に直面している企業にとっては破格の選択肢になります。Gemini 3.8 Flashと同等の賢さを持つモデルが、自社データセンターの中で完全に閉じた状態で手に入ります。オープンな改変が許されるApache 2.0ライセンスの恩恵は圧倒的です。自前環境のマルチモーダル基盤としては、現時点で一択の完成度を誇っています。

---

よくある質問（FAQ）

Q. Inkling 2 Smallは個人でも無料で動かせますか？

ライセンス自体は無償ですが、自前のPCで動かすには莫大なGPUメモリが必要です。個人の環境であれば、無償枠のあるクラウドAPIやTinker経由での利用をおすすめします。

Q. 日本語の処理能力は実務で通用するレベルですか？

一般的なビジネス文書の要約や翻訳であれば滞りなく処理できます。ただし、日本の法制度や特有の商習慣に関する極度に専門的な知識については、事前の追加学習を施したほうが安全です。

Q. 商用利用する際にロイヤリティの支払いは発生しますか？

発生しません。Apache 2.0ライセンスに則っているため、モデルの改変や自社サービスへの組み込み、営利目的での運用が無償で認められています。

Q. クラウド版のTinkerと自社サーバー運用のどちらを選ぶべきですか？

月間の推論リクエストが数万件程度であればTinker経由のAPI利用が割安です。数百万件を超える大規模なトランザクションがある場合や、データを社外へ絶対に出せない要件がある場合に自社サーバー運用へと切り替えてください。

Q. 画像生成もこのモデル単体で行えますか？

画像生成の機能は持っていません。Inkling 2 Smallのビジョン機能は画像を理解して文字で答える「画像認識」に特化しています。画像を作りたい場合はt2i技術の基礎知識を参考にして、専用の画像生成モデルを組み合わせてください。

Q. ファインチューニングにはどの程度のデータが必要ですか？

MoE構造を持つため、一般的なモデルよりも学習の安定性に配慮が必要です。まずは数千件規模の質の高い専門データを用意し、振り分け回路の挙動を見極めながら段階的に調整を進める手順を推奨します。

---

あわせて見たいツール・カテゴリ

手元の業務に最適なAI環境を整えるために、関連する技術解説やツール分類もあわせてご活用ください。

• AIコーディングツールおすすめ一覧
• AIエージェントの仕組みと選び方
• 業務効率化に役立つAIチャットボット
• 社内業務を自動化するノーコード開発ツール
• 自社開発を加速させるAIリサーチ機能の比較

自社でシステムを組む際にノーコードツールとの連携を検討しているなら、Bubbleとkintone AIの使い分けを先に読んでおくと、フロントエンドとデータベースの設計がスムーズに進みます。