Inkling 2 Small y los modelos abiertos: checklist para programadores y estudiantes antes de adoptar uno

Esta semana Thinking Machines, la empresa de Mira Murati, presentó Inkling 2 Small, un modelo que busca ser el mejor de «pesos abiertos» de origen occidental. Según su anuncio oficial y la cobertura de The Decoder, es un modelo de mezcla de expertos (MoE) con 594.000 millones de parámetros en total y 17.000 millones activos por token, que acepta texto e imágenes y está pensado como base para ajuste fino (fine-tuning).
Más allá de la noticia, es un buen pretexto para un sábado de estudio: cómo evaluar un modelo abierto antes de meterlo en tu software, sea que programes, estudies o dirijas un equipo técnico.
Lo que se sabe de Inkling 2 Small
- Arquitectura: MoE de 594.000 millones de parámetros totales y 17.000 millones activos. Acepta imágenes, y permite ajustar el esfuerzo de razonamiento.
- Disponibilidad al lanzamiento: como servicio propietario en la plataforma Tinker. Los pesos se publicarían bajo licencia Apache 2.0 una vez terminadas las pruebas externas de seguridad, según el anuncio.
- Resultados: la empresa y The Decoder reportan mejoras grandes frente a su versión anterior en pruebas de programación con agentes. Son cifras del propio fabricante y de evaluaciones externas citadas por la prensa: úsalas como indicio, no como garantía para tu caso.
- Limitaciones que declara la empresa: a veces se comunica de forma poco concisa, no siempre elige la mejor herramienta en bases de código grandes, no admite audio y está menos optimizado para chat.
Actualización (18 de noviembre de 2026): la página oficial indica que los pesos se publicaron el 12 de noviembre en Hugging Face, después de completar las pruebas de seguridad.
Por qué «abierto» no siempre significa lo mismo
Hay tres cosas distintas que suelen mezclarse: pesos descargables, licencia que permite uso comercial y código y datos de entrenamiento abiertos. Un modelo puede tener lo primero y no lo segundo. Antes de construir un producto encima, lee la licencia completa, no el titular. Para un repaso del panorama, mira nuestro artículo sobre modelos de IA de código abierto.
Qué significa para tu pyme o tu equipo técnico
Un modelo abierto puede ser atractivo cuando necesitas control sobre los datos (que no salgan de tu infraestructura), costos predecibles o personalización para un sector concreto. Pero también trae trabajo: alguien debe desplegarlo, monitorearlo, actualizarlo y asegurarlo. Con 594.000 millones de parámetros, Inkling 2 Small es un modelo grande: probablemente lo usarías a través de un proveedor que lo aloje, no en un servidor de oficina.
Checklist para evaluar un modelo antes de adoptarlo
- Define la tarea con ejemplos reales. Reúne 30 a 50 casos de tu negocio (consultas de clientes, fragmentos de código, documentos) con la respuesta esperada. Un benchmark público no mide tu problema.
- Compara contra lo que ya usas. Pruébalo lado a lado con tu modelo actual, a ciegas si es posible, y mide calidad, tiempo de respuesta y costo por tarea.
- Mide el costo total, no el precio por token: un modelo que «piensa» más genera más tokens por tarea y puede salir más caro.
- Revisa la licencia: uso comercial, límites de usuarios, restricciones de sector, obligación de atribución.
- Pregunta dónde corren tus datos. Si usas un proveedor, qué guarda, por cuánto tiempo y si entrena con tus entradas. Recuerda la norma de la SPDP sobre IA y datos personales.
- Prueba los fallos. Pídele cosas imposibles, ambiguas o con información falsa. Mide cuánto inventa y si reconoce que no sabe.
- Define un plan de salida. Que tu aplicación pueda cambiar de modelo sin reescribirse: una capa de abstracción simple y pruebas automáticas de regresión.
- Fija versiones. Usa una versión concreta del modelo y reevalúa cuando cambie.
Si estás empezando, nuestras guías de herramientas para programadores y de recursos gratuitos para estudiantes son un buen punto de partida para practicar con modelos locales y asistentes de código.
Una advertencia sobre los benchmarks
Los resultados que publica el fabricante suelen medirse con configuraciones elegidas por él. Hasta que haya evaluaciones independientes y que la comunidad pueda reproducirlas con los pesos publicados, conviene tratarlas como hipótesis. Y recuerda que un modelo puede liderar un benchmark de programación y aun así fallar en tu código, tu idioma o tu dominio.
Cómo lo abordamos en SimCodec
En SimCodec desarrollamos software e integraciones con IA y ayudamos a elegir el modelo adecuado para cada caso: pruebas con datos reales, control de costos y una arquitectura que permita cambiar de proveedor. Si estás evaluando una solución con IA para tu empresa, escríbenos o llama a nuestra asistente de IA Cyntia al +593 99 726 6838.


