Una captura de tu interfaz muestra que el botón de pago desaparece en móvil. Puedes pedirle a un agente que cambie CSS a ciegas, o darle la imagen y el componente para que proponga una corrección que puedas comprobar. Ese segundo flujo es una buena prueba para Inkling 2 Small: acepta texto e imágenes y está pensado para trabajo de programación con agentes. Pero todavía hay que medirlo contra el modelo que ya usas.

La novedad tiene dos fechas: Thinking Machines presentó el modelo el 5 de noviembre de 2026. El 12 de noviembre abrió sus pesos en Hugging Face, bajo licencia Apache 2.0, y anunció más integraciones. Ese mismo día Vercel lo incorporó a AI Gateway con el identificador thinkingmachines/inkling-2-small. No es correcto describirlo como un modelo estrenado ayer. Anuncio original y actualización · Changelog de Vercel.

Qué cambia para quien construye productos

Antes, probar Inkling 2 Small dependía principalmente de Tinker. Ahora tienes tres rutas: usar el playground de Tinker para una evaluación rápida, llamar una API a través de un proveedor como Vercel, o descargar los pesos para desplegarlo en infraestructura propia. Las tres rutas tienen costes y complejidad distintos. «Pesos abiertos» no significa «ejecutarlo gratis en tu portátil»: la tarjeta del repositorio indica que el checkpoint NVFP4 requiere al menos 500 GB de VRAM agregada. Para un creador independiente, una API es la forma razonable de empezar.

Vercel muestra el modelo a US$0,30 por millón de tokens de entrada y US$1 por millón de salida, sujeto a cambios y al proveedor elegido. No compares solo el precio por token: un agente que hace más llamadas o repite cambios puede costar más y terminar más tarde. Vercel dice que su Gateway no añade margen a la inferencia, pero conviene revisar la factura y los límites de tu cuenta.

Una prueba de 20 minutos con tu propia interfaz

1. Elige una pantalla con un fallo visible. Guarda una captura real antes de tocar el código y localiza el componente responsable.
2. En Tinker Playground o tu agente conectado a AI Gateway, aporta la captura, el componente y las dos restricciones que importan, por ejemplo «no cambiar el flujo de pago» y «mantener accesibilidad de teclado».
3. Pide diagnóstico, parche mínimo y un criterio de aceptación observable. Aplica el parche en una rama; no concedas al agente acceso de escritura a producción.
4. Ejecuta tus pruebas existentes, abre la pantalla en móvil y escritorio y toma una captura nueva. Decide con evidencia visual, no por la explicación del modelo.

Prompt copiable para la primera pasada:

Analiza la captura adjunta y este componente. El botón principal de pago no es visible en una pantalla de 390 px. Identifica la causa más probable en el código y propone el cambio mínimo. No alteres el flujo de pago ni elimines atributos de accesibilidad. Devuelve: 1) hipótesis y línea relevante; 2) parche; 3) pasos para verificarlo en 390 px y escritorio; 4) lo que no puedes confirmar sin ejecutar la app. Si la captura o el código no bastan, pide el dato faltante antes de inventar una causa.

Repite exactamente el caso con tu modelo actual. Registra tiempo total, llamadas, coste, líneas cambiadas, pruebas superadas y si el botón aparece y funciona en ambas vistas. Una victoria en un benchmark del fabricante no sustituye esta comparación. La afirmación de que el modelo usa feedback visual para construir interfaces procede de Thinking Machines; esta prueba es una propuesta editorial de SoyJB, no un resultado que hayamos ejecutado.

Cuándo elegir cada acceso

Si solo quieres saber si interpreta bien una captura, empieza por Tinker. Si ya trabajas con Cursor, Claude Code u otro agente y quieres registrar uso y presupuesto, Vercel documenta npx vercel ai-gateway setup y la selección del modelo en el agente. Revisa el proceso de autenticación antes de correr el comando y define un límite de gasto. Si necesitas control del despliegue o personalización, evalúa los pesos en Hugging Face y el hardware requerido; no lo conviertas en la primera opción por la etiqueta «open weights».

Hay límites claros: el modelo recibe imagen, pero produce texto, no una imagen final. Thinking Machines reconoce que puede ser poco conciso y escoger mal herramientas en repositorios con muchas skills; tampoco admite audio. Una captura puede mostrar un síntoma, pero no prueba por sí sola la causa. Por eso el paso decisivo es ejecutar la app, comprobar accesibilidad y revisar el cambio humano. Model card · Limitaciones oficiales.