{"id":3226,"date":"2026-11-21T11:57:05","date_gmt":"2026-11-21T04:57:05","guid":{"rendered":"https:\/\/komunitech.com\/blog\/?p=3226"},"modified":"2026-11-21T11:57:05","modified_gmt":"2026-11-21T04:57:05","slug":"inkling-2-mini-model-ai-open-weight-jalan-di-laptop-2026","status":"publish","type":"post","link":"https:\/\/komunitech.com\/blog\/riset\/inkling-2-mini-model-ai-open-weight-jalan-di-laptop-2026\/","title":{"rendered":"Inkling 2 Mini: Model AI Open-Weight yang Jalan di Laptop dan Kalahkan Model Lebih Besar (2026)"},"content":{"rendered":"<p><strong>TL;DR:<\/strong> Thinking Machines Lab merilis Inkling 2 Mini pada 20 November 2026, model AI open-weight berlisensi Apache 2.0 yang cukup kecil untuk jalan di laptop: total 26,4 miliar parameter dengan hanya 3,4 miliar yang aktif per token, dan hanya butuh sekitar 20 GB memori. Triknya adalah <em>looping<\/em> \u2014 12 lapis tengah model dilewati tiga kali untuk setiap token, sehingga model &#8220;berpikir&#8221; lebih lama tanpa menambah ukuran. Hasilnya, Inkling 2 Mini memimpin model open-weight seukurannya di benchmark coding agent DeepSWE v1.1 (48,2%).<\/p>\n<h2>\ud83d\udca1 Key Takeaway<\/h2>\n<ul>\n<li><strong>Model kecil, tenaga besar:<\/strong> 26,4 miliar parameter total, 3,4 miliar aktif per token, memori sekitar 20 GB \u2014 cukup untuk laptop modern.<\/li>\n<li><strong>Looping, bukan membesar:<\/strong> 12 lapis tengah dilewati tiga kali per token, jadi 24 lapis terasa seperti 48 kali penerapan lapis.<\/li>\n<li><strong>Unggul di coding agent:<\/strong> DeepSWE v1.1 48,2%, Vals Index 46,5%, setara Qwen3.8-27B di AA Intelligence Index dengan parameter aktif sekitar seperlima.<\/li>\n<li><strong>Terbuka dan bisa diutak-atik:<\/strong> bobot Apache 2.0 di Hugging Face dan Tinker; vLLM, Ollama, dan llama.cpp siap sejak hari pertama.<\/li>\n<\/ul>\n<p>Bayangkan punya asisten coding yang tinggal di laptopmu sendiri, bekerja tanpa internet, dan tetap sanggup menyelesaikan tugas pemrograman yang rumit. Itulah janji Inkling 2 Mini, model terbaru dari Thinking Machines Lab yang dirilis 20 November 2026. Model ini tidak menang karena paling besar \u2014 ia mengulang lapis yang sama beberapa kali supaya bisa &#8220;berpikir&#8221; lebih dalam sebelum menjawab.<\/p>\n<h2>Apa itu Inkling 2 Mini?<\/h2>\n<p>Inkling 2 Mini adalah model AI open-weight terbaru dari Thinking Machines Lab, laboratorium yang didirikan Mira Murati. Model ini adalah adik dari <a href=\"https:\/\/komunitech.com\/blog\/riset\/inkling-2-small-model-ai-open-weight-thinking-machines-2026\/\">model kakaknya, Inkling 2 Small<\/a> (rilis awal November 2026), dan memakai arsitektur yang sama: transformer Mixture-of-Experts (MoE) yang lapis tengahnya diulang atau di-<em>loop<\/em>.<\/p>\n<p>Angkanya begini: total parameter 26,4 miliar, tetapi hanya 3,4 miliar yang aktif untuk setiap token. Karena sebagian besar bobot dilatih dan dipakai dalam presisi 4-bit (NVFP4, empat lapis terakhir 8-bit MXFP8), seluruh model hanya memakan memori sekitar 20 GB. Dalam demo resminya, model ini berjalan luring di MacBook Pro M5 Pro 48 GB dan membangun simulator penerbangan yang bisa dimainkan dalam beberapa menit. Model ini menerima input teks dan gambar, dengan jendela konteks sampai 1 juta token menurut Artificial Analysis.<\/p>\n<h2>Cara kerja looping: 24 lapis, 48 kali dilewati<\/h2>\n<p>Transformer biasa bekerja seperti lorong lurus: setiap token melewati tumpukan lapis satu kali. Inkling 2 Mini membengkokkan lorong itu. Model ini punya 24 lapis dalam empat blok berisi enam lapis: blok pertama dan terakhir dilewati sekali, dua blok tengah tiga kali. Hitungannya: 6 + (2 \u00d7 6 \u00d7 3) + 6 = 48 kali penerapan lapis untuk setiap token, padahal yang disimpan tetap 24 lapis.<\/p>\n<p>Kenapa lapis tengah yang diulang? Menurut Thinking Machines Lab, lapis tengah menangani penalaran yang lebih abstrak, sementara lapis awal dan akhir lebih banyak menerjemahkan antara teks dan representasi internal. Dalam eksperimen mereka, mengulang 12 lapis tengah memberi hasil lebih baik daripada mengulang 12 lapis terakhir pada 27 dari 28 evaluasi, dengan keuntungan setara model yang butuh 1,51\u20131,91 kali komputasi lebih banyak tanpa looping. Looping juga membuat model tidak perlu menuliskan seluruh penalarannya: kemampuan menyelesaikan tugas tanpa menuliskan penalaran naik dari 16 detik pada satu lintasan menjadi 37 detik pada tiga lintasan.<\/p>\n<h2>Seberapa kuat Inkling 2 Mini dibanding model lain?<\/h2>\n<p>Thinking Machines Lab mengklaim Inkling 2 Mini memimpin model open-weight di bawah 100 miliar parameter total pada benchmark coding agent. Berikut perbandingannya dengan Qwen3.8-27B:<\/p>\n<table>\n<thead>\n<tr>\n<th>Benchmark<\/th>\n<th>Inkling 2 Mini<\/th>\n<th>Qwen3.8-27B<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>DeepSWE v1.1 (coding agent)<\/td>\n<td>48,2%<\/td>\n<td>42,2%<\/td>\n<\/tr>\n<tr>\n<td>SWE-bench Pro v2 Hard<\/td>\n<td>77,9%<\/td>\n<td>73,8%<\/td>\n<\/tr>\n<tr>\n<td>SWE-bench Verified<\/td>\n<td>79,2%<\/td>\n<td>77,8%<\/td>\n<\/tr>\n<tr>\n<td>Terminal-Bench v2.1<\/td>\n<td>71,6%<\/td>\n<td>73,0%<\/td>\n<\/tr>\n<tr>\n<td>Artificial Analysis Intelligence Index<\/td>\n<td>20,1<\/td>\n<td>20,1<\/td>\n<\/tr>\n<tr>\n<td>Vals Index v2.2<\/td>\n<td>46,5%<\/td>\n<td>\u2014<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Yang menarik, keunggulan ini datang dengan biaya yang jauh lebih kecil. Menurut Artificial Analysis, satu tugas Intelligence Index selesai dengan biaya sekitar US$0,59 dalam 9 menit, berbanding US$3,53 dan 38,2 menit untuk Qwen3.8-27B \u2014 sekitar 6 kali lebih murah dan 4 kali lebih cepat. Model ini juga kuat di pekerjaan berbasis pencarian dan alat: BrowseComp 79,0%, DeepSearchQA 85,3%, dan MCP Atlas 82,7%. Itu penting, karena looping tidak menambah pengetahuan di bobot model \u2014 Inkling 2 Mini menutup celah itu dengan memakai pencarian dan alat secara efisien.<\/p>\n<h2>Jalan di laptop: apa syaratnya?<\/h2>\n<p>Ukuran sekitar 20 GB membuat Inkling 2 Mini masuk akal untuk perangkat lokal, tapi &#8220;jalan di laptop&#8221; tetap punya syarat. Demo resmi memakai MacBook Pro M5 Pro 48 GB, dan target perangkatnya adalah mesin Apple Silicon dengan memori terpadu 32 GB ke atas, atau perangkat dengan VRAM 32 GB atau lebih seperti NVIDIA DGX Spark. Laptop dengan RAM 8 GB belum cukup.<\/p>\n<p>Jalurnya sudah terbuka sejak hari pertama: bobot tersedia di Hugging Face, inferensi dan kustomisasi di Tinker, dan dukungan runtime di vLLM, Ollama, llama.cpp, SGLang, dan Unsloth. Satu catatan: varian riset TML-d24-varloop-research memungkinkan jumlah lintasan diubah 1\u20135 kali, tetapi bisa berperilaku tidak terduga di luar tiga lintasan \u2014 jadi ia untuk eksperimen, bukan produksi.<\/p>\n<h2>Keterbatasan yang perlu kamu tahu<\/h2>\n<p>Tidak ada model yang sempurna, dan Thinking Machines Lab cukup terbuka soal kelemahan Inkling 2 Mini. Pertama, model ini bukan yang terkuat untuk percakapan multi-turn atau instruksi dengan banyak batasan: skornya 50,0% di MultiChallenge dan 33,4% di ComplexConstraints, tertinggal dari Qwen3.8-27B. Kedua, untuk penalaran berat seperti CritPt v2 dan HLE-Diamond, ia masih kalah dari model yang lebih besar.<\/p>\n<p>Ketiga, ada pertanyaan pengawasan: karena looping memungkinkan model bernalar lebih banyak &#8220;di dalam kepala&#8221; tanpa menuliskannya, ada kekhawatiran model semacam ini lebih sulit diawasi. Thinking Machines Lab menguji hal ini dan menyimpulkan, pada skala ini, kemampuan memantau penalaran model tidak menurun berarti \u2014 model ini bahkan hampir tidak bisa mengendalikan rantai penalarannya sendiri (hanya 0,1%). Untuk tugas <a href=\"https:\/\/komunitech.com\/blog\/category\/ai-agent\/\">AI agent<\/a> yang berjalan lama dan memakai alat, Inkling 2 Mini bersinar; untuk obrolan santai, model yang memang dirancang untuk chat mungkin lebih cocok.<\/p>\n<h2>Apa artinya buat kamu?<\/h2>\n<p>Buat developer dan tim kecil di Indonesia, Inkling 2 Mini membuka tiga peluang praktis. Pertama, kamu bisa menjalankan coding agent secara lokal, tanpa mengirim kode perusahaan ke server pihak ketiga \u2014 penting untuk data yang sensitif. Kedua, biayanya rendah: model sekecil ini bisa jalan di perangkat yang sudah kamu miliki, tanpa tagihan API yang membengkak saat agent bekerja berjam-jam. Ketiga, karena bobotnya terbuka, kamu bisa menyesuaikannya untuk tugas spesifik timmu.<\/p>\n<p>Pola yang sama sudah terlihat pada model lokal lain, seperti <a href=\"https:\/\/komunitech.com\/blog\/riset\/edge0-145b-model-ai-145-miliar-parameter-yang-jalan-di-laptop-sendiri-2026\/\">model AI 145 miliar parameter yang jalan di laptop sendiri<\/a>: model besar yang dulu butuh data center kini makin dekat ke perangkat pribadi. Bedanya, Inkling 2 Mini menunjukkan jalannya bukan cuma lewat kompresi, tapi lewat arsitektur yang lebih cerdas. Buat pemilik bisnis, pelajarannya sederhana: sebelum memilih model \u2014 atau sebelum mengikuti <a href=\"https:\/\/komunitech.com\/blog\/category\/riset\/\">riset model AI terbaru di blog ini<\/a> \u2014 jangan hanya melihat jumlah parameter. Tanyakan biaya per tugas, apakah modelnya bisa jalan di perangkat sendiri, dan apakah kinerjanya teruji di benchmark independen. Dan kalau kamu menjalankan AI agent di kantor, kenali dulu <a href=\"https:\/\/komunitech.com\/blog\/tutorial\/arti-kode-error-pada-ai-agent-dan-solusinya\/\">arti kode error pada AI agent dan solusinya<\/a>.<\/p>\n<h2>Komunitech: Karyawan AI yang Terukur<\/h2>\n<p>Model seperti Inkling 2 Mini menunjukkan arah baru: AI yang bekerja di perangkatmu sendiri, dengan biaya yang bisa dihitung. Di Komunitech, kami membantu karyawan dan pemilik bisnis memakai AI dengan cara yang terukur \u2014 dari memilih model yang tepat sampai membangun AI agent untuk tugas berulang di kantor. Ikuti <a href=\"https:\/\/komunitech.com\/blog\/workshop-karyawan-ai\/\">Workshop Karyawan AI<\/a> untuk belajar langsung, dan langganan <a href=\"https:\/\/komunitech.com\/blog\/newsletter\/\">newsletter Komunitech<\/a> untuk kabar model AI terbaru setiap hari.<\/p>\n<h2>Pertanyaan yang Sering Ditanya<\/h2>\n<h3>Apa itu Inkling 2 Mini?<\/h3>\n<p>Inkling 2 Mini adalah model AI open-weight dari Thinking Machines Lab yang dirilis 20 November 2026. Model ini memakai arsitektur looped transformer: 12 lapis tengahnya dilewati tiga kali untuk setiap token, sehingga bisa bernalar lebih dalam tanpa menambah ukuran. Total parameternya 26,4 miliar, 3,4 miliar aktif per token, dan jejak memorinya sekitar 20 GB.<\/p>\n<h3>Apakah Inkling 2 Mini gratis?<\/h3>\n<p>Ya, bobot modelnya dirilis terbuka di bawah lisensi Apache 2.0, jadi kamu bisa mengunduh dan menjalankannya secara gratis, termasuk untuk keperluan komersial. Kamu tetap butuh perangkat dengan memori yang cukup besar.<\/p>\n<h3>Laptop seperti apa yang bisa menjalankan Inkling 2 Mini?<\/h3>\n<p>Demo resmi memakai MacBook Pro M5 Pro 48 GB, dan target perangkatnya adalah mesin Apple Silicon dengan memori terpadu 32 GB ke atas, atau perangkat dengan VRAM 32 GB atau lebih seperti NVIDIA DGX Spark. Laptop dengan RAM 8 GB belum cukup.<\/p>\n<h3>Apa bedanya Inkling 2 Mini dengan Inkling 2 Small?<\/h3>\n<p>Inkling 2 Small adalah kakaknya yang jauh lebih besar: 594 miliar parameter total dengan 17 miliar aktif per token. Inkling 2 Mini memakai arsitektur looped yang sama tetapi dipangkas menjadi 26,4 miliar parameter agar muat di laptop. Mini unggul di efisiensi, Small lebih kuat di penalaran berat.<\/p>\n<h3>Di mana saya bisa mencoba Inkling 2 Mini?<\/h3>\n<p>Bobot model tersedia di Hugging Face, sedangkan inferensi dan kustomisasi tersedia di Tinker. Kamu juga bisa menjalankannya secara lokal lewat Ollama, llama.cpp, vLLM, atau SGLang. Mulailah dari satu tugas kecil, misalnya memperbaiki bug sederhana.<\/p>\n<h2>Kesimpulan<\/h2>\n<p>Inkling 2 Mini membuktikan masa depan model AI tidak selalu soal siapa yang paling besar, tetapi siapa yang paling cerdas memakai sumber daya yang ada. Dengan 26,4 miliar parameter, memori sekitar 20 GB, dan trik looping yang mengulang lapis tengah tiga kali, model ini menandingi Qwen3.8-27B di benchmark coding agent \u2014 dengan biaya per tugas sekitar seperenamnya. Langkah pertamamu: unduh modelnya lewat Ollama atau Tinker, lalu uji di satu tugas coding kecil di laptopmu sendiri.<\/p>\n<h2>Referensi<\/h2>\n<ul>\n<li>Thinking Machines Lab, 20 Nov 2026, https:\/\/thinkingmachines.ai\/news\/inkling-2-mini\/<\/li>\n<li>Artificial Analysis, 20 Nov 2026, https:\/\/artificialanalysis.ai\/articles\/inkling-2-mini<\/li>\n<li>AI Weekly, 21 Nov 2026, https:\/\/aiweekly.co\/alerts\/thinking-machines-ships-variable-loop-inkling-research-model<\/li>\n<li>vLLM Blog, 20 Nov 2026, https:\/\/vllm.ai\/blog\/2026-11-20-inkling2-mini<\/li>\n<\/ul>\n<p><em>Disclaimer: Artikel ini disusun pada 21 November 2026 berdasarkan sumber di atas. Skor benchmark sebagian besar merupakan klaim vendor. Harga dan ketersediaan dapat berubah sewaktu-waktu.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Inkling 2 Mini, model AI open-weight Thinking Machines Lab: 26,4 miliar parameter, jalan di laptop, unggul di coding agent. Simak cara kerja looping-nya.<\/p>\n","protected":false},"author":2,"featured_media":3225,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-3226","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-riset"],"acf":[],"_links":{"self":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/3226","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/comments?post=3226"}],"version-history":[{"count":1,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/3226\/revisions"}],"predecessor-version":[{"id":3227,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/3226\/revisions\/3227"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/media\/3225"}],"wp:attachment":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/media?parent=3226"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/categories?post=3226"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/tags?post=3226"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}