إنكلينغ ضد GLM 5.2: أي نموذج مفتوح الوزن يفوز في النتيجة، وأيها يفوز في التكلفة؟
Inkling مقابل GLM 5.2تعتبر واحدة من المواجهات الأكثر كشفًا في الموجة الحالية من إصدارات الأوزان المفتوحة، لأن كلا النموذجين محسّن لأغراض مختلفة. GLM 5.2 من Zhipu AI هو الرائد في الطرفية الوكيلية والاستدلال في مجموعة المقارنة هذه — حيث يسجل أقوى النتائج في أصعب مهام الاستدلال والبرمجة طويلة المدى. Inkling، أول نموذج من مختبر Thinking Machines التابع لميرا موراتي، يقابل ذلك بكفاءة رموز أفضل بشكل كبير، ومتانة ضد الهجمات، وإدخال صوتي أصلي ومتعدد الوسائط، ونافذة سياقية تبلغ مليون رمز، ورخصة Apache 2.0. تقارن هذه المقالة كلا النموذجين بصدق، وتقدم الحجة بأن الفجوات الخام في المعايير لا تترجم دائمًا إلى تكلفة أعلى في العالم الحقيقي.
اعتبارًا من: 2026-07-16، بعد يوم واحد من إطلاق Inkling. جميع الأرقام مسندة ومنسوبة أدناه؛ لم يتم تدقيق أي منها بشكل مستقل.
ملاحظة للبناة: لا توجد معايير مراجعة مباشرة هنا، لذلك فإن هذه المقارنة تقارن النماذج والوصول وليس الدرجات. OrcaRouter يوجّه النماذج المتاحة عبر واجهة برمجة تطبيقات (API) خلف نقطة نهاية واحدة متوافقة مع OpenAI، مما يتيح لك تجربة ومقارنة Inkling وGLM 5.2 دون توصيل عدة حزم تطوير برمجية (SDKs).
الخلاصة: اختر GLM 5.2 إذا كنت تريد أعلى النتائج الخام في التفكير والرياضيات والعمل الطرفي الوَكِيل، وتستطيع ميزانيتك تحمل استهلاكه الأعلى من التوكنات. اختر Inkling إذا كانت تكلفة المهمة المنجزة، السلامة في مواجهة الخصوم، الإدخال الصوتي/متعدد الوسائط، أو سياق مليون توكن أكثر أهمية من تصدر لوحة المتصدرين.
الخلاصة: GLM 5.2 يفوز بمعظم صفوف المعايير؛ ولا يزال بإمكان Inkling الفوز بـ Invoice، لأنه ينهي المهام في حوالي 25 ألف رمز إخراج مقابل ~43 ألف لـ GLM.
النقاط الرئيسية
GLM 5.2 يقود صفوف الاستدلال/الوكيل: HLE، AIME 2026، SWE-bench Verified، و — بفارق كبير — Terminal Bench 2.1.
تتصدر Inkling في مجال السلامة ضد الخصوم: FORTRESS 78.0% مقابل 71.3%.
عداد Inkling الرئيسي هو الكفاءة: ~25K رمز إخراج لكل مهمة مقابل ~43K لـ GLM — فرق يبلغ حوالي 1.7x ينعكس مباشرة على التكلفة.
كلاهما مفتوح الأوزان: Inkling هي Apache 2.0; GLM 5.2 هي MIT. كلاهما يسمحان بالاستخدام التجاري والاستضافة الذاتية.
إنكلينغ يضيف الوسائط والسياق: إدخال نصوص وصور وصوت أصلي ونافذة سياق تصل إلى 1M-توكن.
تحذير: أرقام المنافسين هنا مؤطرة من أطراف ثالثة/بائعين ولم يتم تدقيقها بشكل مستقل.
إفصاح: المعايير مقدمة من البائعين بأنفسهم عند الإطلاق (Effort 0.99) والأرقام من طرف ثالث مأخوذة من Artificial Analysis / MarkTechPost / Vellum / BenchLM؛ لم يتم تدقيق أي منها بشكل مستقل، وقد تختلف أرقام المنافسين عن الأرقام المبلغ عنها من قبل هؤلاء البائعين. مواصفات Inkling الخاصة مأخوذة من بطاقة نموذج Thinking Machines.
مقارنة سريعة
ترخيص. Inkling: Apache 2.0; GLM 5.2 (Zhipu AI): MIT
المعلمات (الإجمالية / النشطة). Inkling: 975B / 41B (MoE); GLM 5.2 (Zhipu AI): — (ليست في بياناتنا)
نافذة السياق. إشارة: 1M رمزًا (256K على واجهات برمجة التطبيقات المستضافة)؛ GLM 5.2 (Zhipu AI): — (ليس في بياناتنا)
الطرق (المدخلة). إشارة: نص + صورة + صوت; GLM 5.2 (Zhipu AI): — (ليس في بياناتنا)
مخرج. Inkling: نص فقط; GLM 5.2 (Zhipu AI): نص
استضافة ذاتية / ضبط دقيق. Inkling: نعم / نعم (Tinker)؛ GLM 5.2 (Zhipu AI): نعم (أوزان متاحة) / نعم
السعر المستضاف. Inkling: ~$1.87 لكل مليون رمز إدخال / ~$4.68 لكل مليون رمز إخراج; GLM 5.2 (Zhipu AI): — (ليس في بياناتنا)
ليس لدينا أرقام مدققة للمعلمة أو السياق أو التسعير لـ GLM 5.2 في مجموعة المصادر لدينا، لذلك يتم تمييز تلك الخلايا بـ "—" بدلاً من التخمين.
الفائز حسب الفئة
الاستدلال / المعرفة (HLE). الفائز: GLM 5.2; ملاحظات: 40.1% مقابل 29.7% (بدون أدوات)
رياضيات (AIME 2026). الفائز: GLM 5.2; ملاحظات: 99.2% مقابل 97.1% — كلاهما قريب من السقف
البرمجة (SWE-bench Verified). الفائز: GLM 5.2; ملاحظات: 80.0% مقابل 77.6%
محطة وكيلة (Terminal Bench 2.1). الفائز: GLM 5.2; ملاحظات: 82.7 مقابل 63.8 — فجوة العنوان الرئيسي
السلامة (FORTRESS adversarial). الفائز: إنكلنغ; ملاحظات: 78.0% مقابل 71.3%
متعدد الوسائط / صوتي. الفائز: Inkling; ملاحظات: إدخال صوتي وصوري أصلي
الكفاءة (الرموز/المهمة). الفائز: Inkling; ملاحظات: ~25K مقابل ~43K
التكلفة لكل مهمة مكتملة. الفائز: Inkling; ملاحظات: استخدام أقل للرموز يعوض سعر الرمز الواحد
مقارنات وجهاً لوجه
الجدول أدناه يستخدم مجموعة مصادر موحدة (MarkTechPost) بحيث تكون الصفوف قابلة للمقارنة. الخط العريض يحدد الرائد.
HLE (بدون أدوات). Inkling: 29.7%; GLM 5.2: 40.1%; المصدر: MarkTechPost
AIME 2026. Inkling: 97.1%; GLM 5.2: 99.2%; المصدر: MarkTechPost
SWE-bench Verified. Inkling: 77.6%; GLM 5.2: 80.0%; المصدر: MarkTechPost
Terminal Bench 2.1. Inkling: 63.8%; GLM 5.2: 82.7%; المصدر: MarkTechPost
FORTRESS (adversarial). Inkling: 78.0%; GLM 5.2: 71.3%; المصدر: MarkTechPost
صفان إضافيان من "الفوز الهادئ" يأتيان من مصادر أخرى ولا ينبغي خلطهما مع مجموعة MarkTechPost أعلاه:
كفاءة الرموز (الرموز المخرجة/المهمة، الأقل أفضل). Inkling: ~25K; GLM 5.2: ~43K; المصدر: Artificial Analysis / BenchLM
SWE-bench Pro (Public). Inkling: 54.3%; GLM 5.2: 62.1%; المصدر: Artificial Analysis / BenchLM
HLE مع الأدوات (محفوظة منفصلة عن صف بدون أدوات). Inkling: 46.0; GLM 5.2: 54.7; المصدر: Vellum
ملاحظة: أرقام "HLE with tools" مأخوذة من Vellum وتستخدم إطارًا مختلفًا عن صف HLE بدون أدوات من MarkTechPost — لا تعتبرها نفس الاختبار. ليس لدينا درجة Artificial Analysis Intelligence Index لـ GLM 5.2 في بياناتنا، لذلك لا نقدم تقريرًا عنها.
أين يتفوق GLM 5.2
GLM 5.2 هو، بناءً على الأرقام المتوفرة لدينا، النموذج الأقوى في التفكير الخام والعوامل. يتفوق على Inkling في HLE (40.1% مقابل 29.7%)، AIME 2026 (99.2% مقابل 97.1%)، و SWE-bench Verified (80.0% مقابل 77.6%). الفجوة الأكثر لفتًا هي Terminal Bench 2.1، حيث يسجل GLM 5.2 82.7 to Inkling’s 63.8 — ميزة كبيرة وحقيقية في مهام المحطة الطرفية الذكية طويلة المدى حيث يجب على النموذج أن يخطط، ويشغل الأوامر، ويتعافى من الأخطاء عبر خطوات عديدة. في SWE-bench Pro، يتفوق GLM 5.2 (62.1%) مرة أخرى على Inkling (54.3%)، كما يتفوق أيضًا على المعزز بالأدوات HLE with tools تشغيل (54.7 مقابل 46.0).
إذا كان عبء عملك يغلب عليه التفكير الصعب، أو الرياضيات التنافسية، أو العوامل التي تعمل على shell أو IDE عبر جلسات طويلة، فإن GLM 5.2 هو الخيار ذو السقف الأعلى، والفجوة واسعة بما يكفي في الصفوف الوكيلية لتكون مهمة في الإنتاج.
أين يفوز إنكلينج
عداد Inkling ليس معيارًا واحدًا — بل هو الاقتصاد ومساحة السطح.
كفاءة التوكن. تُكمل Inkling المهام في حوالي 25 ألف توكن مخرج مقابل حوالي 43 ألف توكن لـ GLM. لأنك تدفع مقابل كل توكن مخرج، فإن هذا الفرق البالغ حوالي 1.7x هو أداة تحكم مباشرة في التكلفة. النموذج الذي يسجل نقاطًا أقل قليلاً لكنه يستخدم عددًا أقل بكثير من التوكنات يمكن أن يكون أرخص لكل مهمة مكتملة حتى بنفس السعر لكل توكن — وغالبًا ما ينهي المهام أسرع أيضًا.
المتانة ضد الهجمات العدائية. في FORTRESS، تتقدم Inkling بنسبة 78.0% إلى 71.3%. بالنسبة للنشر العدائي أو الحساس للسلامة، هذا هو الصف الأكثر أهمية.
تعدد الوسائط.يقبل Inkling النص والصورة والصوت بشكل أصلي (VoiceBench 91.4%، MMAU 77.2% على بطاقته الخاصة). GLM 5.2 في بياناتنا هو نموذج موجه للنص.
نافذة السياق.أوزان Inkling تدعم حتى 1M رمز (256K على واجهات برمجة التطبيقات المستضافة) — مفيدة لأعمال المستودع الكامل، أو المستند الطويل، أو النص الطويل.
الترخيص. كلاهما مرن، لكن ترخيص Apache 2.0 الخاص بـ Inkling هو خيار مألوف يتضمن بند براءات الاختراع للمؤسسات؛ بينما يستخدم GLM 5.2 ترخيص MIT. كلاهما مناسب للاستضافة التجارية الذاتية.
التسعير والتكلفة (TCO)
الرؤية الأساسية لمقارنة Inkling vs GLM 5.2 هي أن القيادة في المعايير والقيادة في التكلفة ليسا نفس الشيء.
أوزان Inkling هي مجانية الملكية للاستضافة الذاتيةبموجب Apache 2.0. الوصول المستضاف من طرف ثالث (عبر تسعير Artificial Analysis المرجعي) يبلغ حوالي $1.87 لكل 1M رمز إدخال و $4.68 لكل 1M رمز إخراج في سياق 64K (تقريبًا $3.74 / $9.36 عند 256K)، مع إدخال مخبأ قرب $0.374 لكل 1M. ليس لدينا تسعير مستضاف منشور لـ GLM 5.2 في مجموعة مصادرنا، لذا نقارن على الهيكل بدلاً من رقم مصطنع.
إليك السبب وراء أهمية زاوية التكلفة لكل مهمة. لنفترض أن مهمة تحتاج نفس معدل السعر لكل رمز (توكين) على كلا النموذجين. إنكلينج تستهلك ~25K رمز مخرجات؛ جي إل إم 5.2 تستهلك ~43K. وهذا يعني أن جي إل إم 5.2 تكلف تقريبًا 72% أكثر في رموز المخرجات لنفس المهمة، قبل أن تأخذ في الاعتبار حتى زمن الوصول. لذا على الرغم من أن جي إل إم 5.2 تفوز في معظم صفوف المقاييس، إلا أن مؤسسة تدير أحجامًا كبيرة من المهام الروتينية قد تجد أن إنكلينج تحقق تكلفة إجمالية أقل للملكية — حيث يمكن أن تعوض ميزة الكفاءة فجوة بسيطة في النقاط الخام. القاعدة الصادقة: استخدم جي إل إم 5.2 حيث تستحق المساحة الإضافية للاستدلال الرموز الإضافية؛ واستخدم إنكلينج حيث يهيمن الحجم والتكلفة.
الترخيص والنشر
كلا النموذجين هما حقًا مفتوحا الأوزان وقابلان للاستضافة الذاتية:
Inkling — Apache 2.0. نقاط تفتيش كاملة بصيغتي BF16 وNVFP4 على Hugging Face. مستويات ذاكرة VRAM: BF16 ~2TB (8×B300 / 16×H200); NVFP4 ~600GB (4×B300 / 8×H200); يوجد GGUF بت واحد من Unsloth للإعدادات المقيدة. مستضافة على Together AI, Fireworks, Modal, Databricks, وBaseten; تعمل على SGLang, vLLM, TokenSpeed, Unsloth, وHugging Face transformers. الضبط الدقيق عبر Tinker (سياق 64K/256K، خصم 50% للإطلاق).
GLM 5.2 — MIT. الأوزان المفتوحة متاحة للاستخدام التجاري والاستضافة الذاتية بموجب ترخيص MIT المتساهل. تفاصيل VRAM والمزود المحددة غير موجودة في مجموعة مصادرنا، لذا تحقق من إصدار Zhipu AI للحصول على المتطلبات الدقيقة.
بداية سريعة لـ Inkling مع vLLM:
vllm serve thinkingmachines/Inkling --tensor-parallel-size 8
أيهما تختار؟
اختر GLM 5.2 إذا: كنت ترغب في أقوى قدرات التفكير الخام والرياضيات، أو كنت تبني سير عمل طرفية/وكيلية طويلة الأجل حيث تؤتي مزاياها في Terminal Bench 2.1 وSWE-bench Pro ثمارها. إنه النموذج ذو السقف الأعلى في هذه الثنائية.
اختر إنكلينج إذا: كنت تدير أحجامًا عالية وتهتم بتكلفة كل مهمة مكتملة، وتحتاج إلى متانة عدائية (FORTRESS)، أو تحتاج إلى إدخال صوت أو صورة، أو تحتاج إلى سياق من 1M رمز. ميزة الكفاءة هذه هي السبب لتجاوز بعض نقاط القياس.
فكر في تشغيل كليهما: قم بتوجيه الاستدلال الصعب وتشغيل الوكلاء المعقدة إلى GLM 5.2، وأرسل حركة المرور عالية الحجم أو الحساسة للتكلفة أو متعددة الوسائط إلى Inkling. يقوم موجه نموذجين بالتقاط سقف GLM وكفاءة Inkling في الوقت نفسه.
للحصول على نظرة أعمق على Inkling نفسه، اطلع على مراجعة نموذج Inkling AI وشرح "What is Inkling AI?". للمقارنات المباشرة الأخرى، انظر Inkling مقابل Kimi K2.6 وInkling مقابل DeepSeek V4 Pro.
الأسئلة الشائعة
هل Inkling أفضل من GLM 5.2؟يعتمد ذلك على المقياس. تفوز GLM 5.2 بمعظم صفوف المعايير الأولية في هذه المجموعة — HLE، AIME 2026، SWE-bench Verified، وخاصةً Terminal Bench 2.1. وتفوز Inkling في السلامة الخصومية (FORTRESS)، وكفاءة الرموز، وتعدد الوسائط، وطول السياق. يمكن أن تكون Inkling "أفضل" من حيث التكلفة لكل مهمة مكتملة حتى عندما تحقق نتائج أقل.
أيهما أفضل للبرمجة؟ يتفوق GLM 5.2 في كل من SWE-bench Verified (80.0% مقابل 77.6%) وSWE-bench Pro (62.1% مقابل 54.3%)، كما أن تقدمه في Terminal Bench 2.1 (82.7 مقابل 63.8) كبير بالنسبة للبرمجة الوكيلة متعددة الخطوات. بالنسبة لقدرة البرمجة الخام، فإن GLM 5.2 متقدم؛ أما بالنسبة للبرمجة الفعالة من حيث التكلفة على نطاق واسع، فإن كفاءة الرموز المميزة لدى Inkling تقلص الفجوة.
أيهما أرخص؟إنكلينغ (Inkling) من المحتمل أن يكون أرخص لكل مهمة مكتملة. فهو يستخدم حوالي 25 ألف رمز إخراج لكل مهمة مقابل حوالي 43 ألف رمز لنموذج GLM، لذلك حتى مع معدلات مماثلة لكل رمز، فإنه يستهلك رموزًا قابلة للفوترة أقل بكثير. كلاهما خالٍ من حقوق الملكية للاستضافة الذاتية (Apache 2.0 لإنكلينغ، MIT لـ GLM 5.2).
هل GLM 5.2 مفتوح المصدر؟GLM 5.2 هو نموذج مفتوح الوزن بموجب رخصة MIT، والتي تسمح بالاستخدام التجاري والاستضافة الذاتية. كما هو الحال مع جميع نماذج "مفتوح الوزن"، يتم إصدار الأوزان والرخصة، ولكن هذا ليس مطابقًا للمصدر المفتوح الكامل (بيانات التدريب وخط الأنابيب ليست منشورة بالضرورة).
هل يمكنني الاستضافة الذاتية أو الضبط الدقيق لـ GLM 5.2؟نعم. يمكن استضافة أوزان GLM 5.2 المرخصة بموجب MIT ذاتيًا وضبطها دقيقًا. يمكن أيضًا استضافة Inkling ذاتيًا (Apache 2.0) وضبطها دقيقًا عبر منصة Tinker من Thinking Machines. متطلبات الأجهزة الخاصة بـ GLM 5.2 ليست في مجموعة مصادرنا — راجع إصدار Zhipu AI.
هل يدعم GLM 5.2 الصوت أو الصور؟ مجموعة المصادر لدينا لا تذكر دعم إدخال الصوت أو الصور لـ GLM 5.2، لذلك نعتبره موجهًا للنص هنا. يقبل Inkling أصليًا إدخال النص والصورة والصوت، وهي واحدة من أوضح مزاياه في هذه المقارنة.
الاستنتاج
GLM 5.2 هو الرائد في القدرات الخام في هذه المواجهة، متفوقًا على Inkling في الاستدلال والرياضيات، والأهم من ذلك، في العمل الطرفي الوكيلي. لكن Inkling ترد بكفاءة رمزية أفضل بنحو 1.7 مرة، وأمانًا أقوى ضد الهجمات الخصومة، وتعددية وسائط أصلية، وسياق يبلغ 1M رمز، وترخيص Apache 2.0. الخلاصة العملية: اختر GLM 5.2 عندما يبرر سقف الاستدلال الرموز الإضافية، واختر Inkling عندما تكون تكلفة المهمة المكتملة وتعدد الوسائط مهمة، وفكر في التوجيه بينهما للحصول على أفضل ما في الاثنين.
