API modelli Inkling sine censura

Maior pars duodecim modellorum in porta nostra solum textum accipit. Quattuor non. Et inter illa quattuor Inkling locum certum tenet: modellum visus quod petis cum imago pars difficilis problematis est sed pecunia ad principem non pertinet. Haec tabula tegit unde fundamentum veniat, quid suffixum W4A16-AUTOROUND-REAP ei fecerit, quid in superficie API faciet et non faciet, et — sincere — quando modellum vilius in eodem catalogo melior electio sit.

01Quid est Inkling, et quis id aedificavit?

Inkling est primum modellum ponderum apertorum a Thinking Machines Lab, die 15 Iulii 2026 editum. Dissimile plerisque emissionibus ut "apertis" positis, cum ponderibus plene depromendis in Hugging Face et sustentatione a die nullo in transformers, SGLang, vLLM et llama.cpp emissum est — quod est quomodo in infrastructura ut nostra omnino currere potuerit. Numeri praecipui, ex materia emissionis Thinking Machines ipsius:

Ea est dispositio Mixturae Peritorum rarae: 66 strata decodatoris ad magnitudinem occultam 6,144, prima duo densa, reliqua 64 ferentia 256 peritos directos plus 2 peritos communes, cum 6 peritis directis activis per signum. Fere 4% parametrorum in quovis signo dato accenditur — quod est id quod modellum prope unius billionis parametrorum omnino servibile facit.

Duo consilia architectonica satis insolita sunt ut nominentur. Attentio intertexta est — 55 strata attentionis fenestrae labentis super fenestram 512 signorum contra 11 strata globalia, exemplari repetito 5:1. Et Inkling RoPE non adhibet: inclinatione positionis relativae discta et ab introitu pendente utitur, iuxta convolutiones causales breves in proiectionibus clavis et valoris et in ramis residuis. Notae architecturae Sebastiani Raschka utrasque ut veras deviationes a praecepto usitato anni 2026 signant. Institutio Muon pro magnis parametris matricis et Adam pro ceteris adhibuit, deinde plus quam 30 decies centena milia rotationum RL asynchronarum in post institutione.

Punctum ad emptorem API non sunt haec particularia. Est quod hoc est fundamentum scalae frontis, native multimodale in 45 billionibus signorum textum, imagines, sonum et videa complectentibus institutum — non modellum textus cum accommodatione visus postea adnexa. Imagines ut tessellae 40×40 pixellorum per patchifier MLP hierarchicum quattuor stratorum encodantur et coniunctim cum textu in eodem decodatore tractantur. Intellectus visualis in fine praeinstitutionis erat.

02Quid W4A16-AUTOROUND-REAP significat?

Tres artes separatae in illo suffixo struuntur, et diversa opera faciunt. Intellectu dignae, quia suffixum est differentia unica maxima inter modellum quod in API nostra vocas et punctum quod Thinking Machines edidit.

REAP — peritos putare ad quos nemo dirigit

REAP est Router-weighted Expert Activation Pruning, a Cerebras Research (arXiv 2510.13999, ad ICLR 2026 acceptum). In MoE cum 256 peritis per stratum ductor opus aequabiliter non distribuit: quidam periti constanter petuntur, alii raro accenduntur et parum conferunt cum accenduntur. REAP quemque peritum aestimat et secundum valores portarum ductoris et secundum normas activationis periti — peritus saepe electus sed renovationes parvae magnitudinis conferens minus refert quam numerus electionum eius significat — et eos parvae eminentiae uno ictu, ante quantizationem, deicit.

Causa cur putatione potius quam commixtione peritorum magis in modo utamur est quod duae per genus negotii divergunt. Commixtio in mensuris discretivis certabilis videtur et in generativis dissolvitur. Auctores REAP nuntiant putationem qualitatem melius servare in ipsis oneribus pro quibus homines API emunt — synthesi codicis, vocatione instrumentorum, ratiocinatione multarum vicium — in rationibus compressionis supra 50%, per modella a 20B ad 1T parametrorum. Commixtio specializationem ductoris destruit; putatio peritos superstites et directionem inter eos integra relinquit.

AutoRound — discere ubi rotundandum sit

AutoRound est methodus quantizationis post institutionem ab Intel (arXiv 2309.05516, ut SignRound edita). Quantizatio simplex omne pondus ad valorem quattuor bitorum repraesentabilem proximum rotundat — praedefinitum rationabile et pravum in scala, quia errores rotundandi independentes non sunt et per struem 66 stratorum cumulantur. AutoRound consilium rotundandi ut rem optimizandam tractat: descensus gradientis signatus directionem rotundandi et intervalla praecisionis ponderum coniunctim per aliquot centenos gradus temperat, exactitudinem institutionis quantizationis consciae sine reinstitutione mutuans. Intel maxima lucra in statutis extremis paucorum bitorum et aciem certabilem in INT4 nuntiat.

W4A16 — quo bites eant

W4A16 est forma numerica: pondera quattuor bitorum, activationes sedecim bitorum. Pondera — quae memoriam in modello 975B dominantur — ad fere quartam partem vestigii BF16 contrahuntur, dum arithmetica sedecim bitis manet. Illa divisio ad modellum visus nominatim refert: consilia quae activationes quantizant ipsum opus numericum subtile laedunt a quo intellectus imaginum pendet — titulum axis parvum legere, lineam tenuem in diagrammate discernere, duas umbras similes separare. Activationes sedecim bitis servare amplitudinem constat et accurationem redimit ubi onus visus animadvertit.

Simul structae, tres modellum dant quod capit et celere manet sine rupe qualitatis gradus acris 3BIT-REAP quo in maximis fundamentis utimur. Ea est commutatio quam pretium reddit.

03Visus: API analysis imaginum sine recusatione

Inkling est unum ex quattuor modellis visus capacibus in catalogo nostro, iuxta Kimi-K3, Kimi-K2.6 et MiniMax-M3. Exitus visus editi modelli fundamentalis, ex emissione Thinking Machines, sunt 73.3% in MMMU Pro (Standard 10) et 78.1% in quaestionibus ratiocinandi CharXiv — ad 82.0% ascendens cum modello Python contra tabellam currere permittitur. Ii sunt numeri officinae ipsius pro puncto non quantizato; eos ut fastigium familiae, non ut mensuram aedificationis nostrae, tracta.

CharXiv est mensura in qua morandum est, quia respondet ei cur homines API visus potius quam servitium OCR emant. Ratiocinationem super tabellas scientificas probat — valorem ex axe legere, duas series comparare, inclinationem versam animadvertere. Non "quis textus in hac imagine est" sed "quid haec figura adfirmet, et num adfirmatio stet". Id est quod imaginem ad modellum ratiocinandi 975B potius quam ad parvum subscriptorem mittere iustificat.

Imaginem mittere est opus ordinarium cum OpenAI compatibile — pars contentus image_url in /v1/chat/completions, truncus image generis Anthropic in /v1/messages, aut aequivalens in /v1/responses. Omnes tres dialecti eadem pondera petunt et omnes tres fluunt; elige quemcumque SDK tuus exsistens iam loquitur. Exemplum expositum in sectione 09 est.

Pars sine censura ad visum plus quam ad textum refert. Stratum recusationis in termino visus insolite crassum est, quia plerumque imaginem classificat antequam modellum de petitione ratiocinatum sit. Opus legitimum constanter capitur: photographia vulneris in canali notularum clinicarum, imago scrinii forensis in expositione casus, fotogramma ex pellicula pro scripto critico analysata, scansio medica, imago documenti quod forte nomen continet. Inkling in porta nostra nullum talem classificatorem ante se habet. Inspicit quod misisti et quaestioni quam rogasti respondet. Id est mercimonium.

04Exitus structuratus: response_format ita, json_schema non

Hic est unus locus ubi Inkling minus capax quam maior pars catalogi est, et melius est de eo prospicere quam id in productione invenire.

Facultas	inkling	Kimi-K2.6	MiMo-V2.5	Laguna-S-2.1
Visus (introitus imaginum)	Ita	Ita	Ita	Non
response_format	Ita	Ita	Ita	Non
json_schema	Non	Ita	Ita	Non
Vocatio instrumentorum	Ita	Ita	Ita	Ita
Conatus ratiocinandi	Ita	Ita	Ita	Ita

response_format: {"type": "json_object"} operatur — JSON syntaxi validum accipis. Quod non accipis est decodatio grammatica constricta contra schema quod praebes, ubi sortitor physice prohibetur ne signum emittat quod structuram tuam violet. Nomina camporum, membra enumerationum, et praesentia clavium necessariarum sunt electio modelli, non garantia.

Tres viae cum eo vivendi, ordine fidelitatis crescente:

1. Schema manda et valida. Schema in mandatum systematis ut JSON litterale pone, response_format ad json_object statue, et responsum in parte tua valida. Post defectum validationis cum nuntio erroris validatoris adiuncto retempta. Vile, operatur, praebito retemptandi eget.
2. Definitione instrumenti ut schemate utere. Vocatio instrumentorum sustinetur, et definitio parametrorum functionis est Schema JSON. Unum instrumentum pro extractione quam vis nominatum declara, id coge, et argumenta lege. Haec plerumque optio validissima in Inkling est et nihil amplius tibi constat.
3. Opus inter duo modella divide. Sine Inkling visum et ratiocinationem in prosa facere, deinde illam prosam MiMo-V2.5-W8A16 ad $0.50 / $2.00 cum vero json_schema pro transitu structurandi trade. Duae vocationes, sed secunda vilis est, forma certa, et modellum quod sapiens esse debet est id quod imaginem vidit.

Optio 3 est exemplar quod pro quovis canali extractionis magnae copiae commendaremus. Pretium adiectum solum pro gradu qui eo eget solve.

05Quid pretium adiectum emat?

Ad $1.42 in / $6.07 ex per decies centena milia signorum, Inkling consulto in medio catalogi nostri sedet. Sex ex duodecim modellis in solo $0.50 / $2.00 sunt. Kimi-K3 — princeps, etiam visus capax — est $3.83 / $19.12. Inkling fere triplum soli in exitu et fere tertia pars principis est.

Pretium exitus, USD per 1M signorum, mercedes indicis Portae Shannon AI, Septembri 2026. Latitudo virgae pretio proportionalis est; longior pretiosior.

Ecce lectio sincera ubi illud pretium adiectum se mereatur — et ubi non.

Onus	Inkling adhibere?	Cur
Ratiocinatio tabellarum / diagrammatum	Ita	Numeri CharXiv et MMMU Pro editi sunt id in quo hoc fundamentum validissimum est.
Agentes imaginibus scrinii acti	Ita	Visus plus vocatio instrumentorum plus 262K historiae in uno modello, nulla traditio.
Longa documenta cum figuris	Ita	Textus et imagines unum decodatorem et unam fenestram contextus communicant.
Generatio textus simplicis	Non	Sex modella ad $0.50 / $2.00 id faciunt. Pro via visus quam numquam vocas solvis.
Extractio schematis in magna copia	Non	Nullum json_schema. MiMo-V2.5 vilius et constrictum est.
Fastigium frontis absolutum	Non	Kimi-K3 est princeps. Solve 3.1x si fastigium est vinculum.
Visus quam vilissimus	Non	MiniMax-M3 visum ad $0.50 / $2.00 habet. Ibi incipe, escende si qualitas cogit.

Id ut regulam directionis, non ut ordinem, lege. Inkling rectum est pro fascia operis angustiore quam pagina praeconii adfirmaret, et intra illam fasciam difficile pretio vincitur. Extra eam, malumus tibi modellum vilius vendere et te retinere.

06Fenestra contextus 262K, et quid re vera capiat

Omnia duodecim modella in porta cum contextu introitus 262,144 signorum et exitu maximo 16,384 signorum per petitionem serviuntur. Uniforme consulto: tractatio contextus numquam ramus per modellum in codice tuo fieri debet, et inkling pro MiniMax-M3 in tabella configurationis permutare non debet tacite mutare quid capiat.

Nota intervallum contra fundamentum editum: Thinking Machines Inkling ad 1,048,576 signa documentat, et nos partem 262K eius servimus. Si onus verum unius petitionis decies centenorum milium signorum habes, non sumus terminus pro eo, et melius est te ante aedificationem scire.

Ad scalam in 262K: PDF technicum 400 paginarum cum figuris suis, corpus codicis mediae magnitudinis, plures horae transcriptionis, aut longa sessio agentium duodenos exitus instrumentorum et paucas imagines scrinii ferens — singula in una petitione capiunt. In modello visus, memento imagines quoque contextum consumere; imago scrinii densa gratuita non est, et sessio quae fotogrammata fluit fenestram celerius quam solius textus implet. Architectura huic bene convenit: exemplar 5:1 fenestrae labentis ad globalem significat pleraque strata intra viciniam 512 signorum attendere, cum stratis globalibus structuram longi intervalli periodice retrahentibus.

07Conatus ratiocinandi: pro cogitatione solvere solum cum eo eges

Inkling conatum ratiocinandi regibilem exponit — unum ex vectibus utilioribus in catalogo. Modellum superius gradus ab none et minimal per low, medium, high, xhigh, usque ad max accipit, in omnibus tribus dialectis per parametrum usitatum reasoning_effort expositos.

{
  "model": "inkling-W4A16-AUTOROUND-REAP",
  "reasoning_effort": "low",
  "messages": [ ... ]
}

Hic est vectis sumptuum cum dentibus, quia signa ratiocinandi ut signa exitus ad $6.07 per decies centena milia in rationem referuntur. Thinking Machines nuntiat Inkling in Terminal Bench 2.1 puncta Nemotron 3 Ultra comparabilia fere tertia parte signorum attingere — efficientia signorum est finis dispositionis systematis conatus declaratus, non casus.

In usu: low aut minimal pro subscriptionibus, classificatione, et extractione simplici curre, ubi responsum in imagine est et nulla catena illationis eget. high et supra pro ratiocinatione tabellarum, comparatione visuali multorum graduum, et vicibus agentium ubi gradus medius falsus pretiosus est reserva. Pleraeque turmae parametrum omnino numquam ponunt, et differentiam sumptus exitus multiplicem in mensa relinquunt.

08Quid "sine censura" hic significet — et quid non

Ad rem: hoc modellum sine strato recusationis et sine percolatione in exitu currimus. Nullus classificator mandatum tuum legit et decernit num modello respondere liceat, et nullus responsum legit antequam fluat. Cum modellum incertum est aut scientia caret, id dicit — id est modellum, non politia. Quod non accipies est recusatio inconsulta de materia quam mercimonium consumptoribus generalibus destinatum interdictam habet.

Ad visum haec est tota propositio valoris. Classificatores imaginum ante API visus imprecisi sunt, et ratio falsorum positivorum gravissime in opus professionale cadit quod facultate maxime eget: investigatio securitatis, contextus clinici, diurnalismus et res forenses, critica pelliculae et artis, instrumenta moderationis quae rem quam moderantur inspicere debent. Terminus qui de genere recusat nullum eorum fideliter servire potest.

Duae cautiones sincerae. Primum, Thinking Machines aestimationes securitatis pro dispositione sua referenda edit — 78.0% in FORTRESS adversario, 95.9% in FORTRESS innocuo, 98.6% in StrongREJECT. Illi numeri struem eorum cum saeptis eorum in loco describunt. Nostram non describunt, et eos quasi describerent non citabimus. Stratum quod illi numeri partim metiuntur removimus; id est mercimonium, et responsio.

Secundo, "nullum stratum recusationis" non est "nullae regulae". Shannon Lab LLC sub Politia Usus Responsabilis et lege Americana applicabili operatur. Classificatorem removere iudicium ad te movet, id non delet. Si in hoc aedificas, politiam ante scalam lege.

09Incipiendum

Idem URL fundamentalis, eadem clavis, tres dialecti. Si codex tuus iam OpenAI, Anthropic, aut API Responses vocat, chordam modelli mutare plerumque est tota migratio.

from openai import OpenAI

client = OpenAI(
    base_url="https://api.shannon-ai.com/v1",
    api_key=SHANNON_API_KEY,
)

stream = client.chat.completions.create(
    model="inkling-W4A16-AUTOROUND-REAP",
    messages=[{"role": "user", "content": [
        {"type": "text", "text": "What does this figure actually show?"},
        {"type": "image_url", "image_url": {"url": image_data_url}},
    ]}],
    reasoning_effort="high",
    max_tokens=4000,
    stream=True,
)

for chunk in stream:
    delta = chunk.choices[0].delta.content
    if delta:
        print(delta, end="")

Plena parametrorum descriptio, formae /v1/messages et /v1/responses, formae eventuum fluxus, et ludibulum vivum in documentatione API sunt. Tabulae modellorum pro aliis undecim modellis in Investigatione Shannon sunt.

Numeri fundamenti sunt numeri a Thinking Machines Lab pro puncto Inkling non quantizato editi et fastigium familiae describunt, non aedificationem nostram quantizatam. Pretia et vexilla facultatum sunt valores indicis Portae Shannon AI die Septembri 2026.

10Quaestiones saepe rogatae

---

Fontes: Thinking Machines Lab — Inkling inducendum · Hugging Face — Inkling salve · REAP the Experts (arXiv 2510.13999) · Optimize Weight Rounding via Signed Gradient Descent (arXiv 2309.05516) · Sebastian Raschka — notae architecturae et mensurarum Inkling. Mensurae fundamenti ab officina pro puncto non quantizato nuntiatae sunt.