Inkling 2 Small bleibt beim Coding mit 17B aktiven Parametern auf Augenhöhe — bis man sich die Varianz ansieht

Zwei Linien im Launch-Diagramm von Thinking Machines treffen sich beim selben Wert. Inkling 2 Small löst 54,25 von 69 PMPP-Hard-Aufgaben in einem einzigen Versuch und 64 über vier Versuche hinweg. Claude Opus 5.5 löst 60 in einem einzigen Versuch und 64 über vier Versuche. Inkling 2 Small wurde am 5. November 2026 veröffentlicht, ist ein Mixture-of-Experts-Modell mit insgesamt 594 Mrd. Parametern und 17 Mrd. aktiven Parametern, und dieses Diagramm ist die klarste Aussage darüber, was die Architektur bringt und was nicht: die Obergrenze eines Frontier-Modells bei anspruchsvoller Ingenieursarbeit, ohne die Zuverlässigkeit eines solchen pro Versuch.

Die kursierende Behauptung ist enger gefasst und schmeichelhafter – dass das Modell in Coding-Benchmarks mühelos mit deutlich größeren Modellen mithält. Diese Behauptung lässt sich anhand der eigenen Tabelle des Anbieters Zeile für Zeile überprüfen, und sie hält an manchen Stellen stand, scheitert an anderen und scheitert am interessantesten gegenüber einem Modell, das weit kleiner ist als es selbst. Dieser Beitrag nimmt die Zeile-für-Zeile-Lesung vor und stellt dann die Frage, die die Tabelle nicht beantworten kann: Was das Tempo pro Aufgabe kostet, sobald das Modell tatsächlich auf Ihrer Rechnung steht.

Sechs Kodierzeilen, ohne die Erläuterung zu lesen

Alles Folgende stammt aus der Bewertungstabelle, die Thinking Machines zusammen mit der Ankündigung veröffentlicht hat. Es ist eine vom Anbieter betriebene Testumgebung – das Unternehmen sagt das selbst und gibt an, dass für die Coding-Zeilen verdeckte Unit-Tests und programmatische Prüfungen verwendet werden. Nichts davon wurde unabhängig reproduziert, was wichtig ist, weil dieselbe Tabelle für Inkling 2 Small einen Artificial Analysis Intelligence Index von 30,6 ausweist, während die eigene Live-Seite von Artificial Analysis 31 ausweist. Das ist ein Rundungsunterschied, kein Streitfall, aber es zeigt, dass die Tabelle eine vom Labor erstellte Momentaufnahme ist und kein Live-Board.

Gegen Kimi K3, das größte Open-Weights-Modell im Vergleich, endet die Tempobehauptung unentschieden:

• FrontierCode v2.0 — Inkling 2 Small 25,4 % vs. Kimi K3 17,3 %.

• DeepSWE v1.1 — 72,1 % gegenüber 68,5 %.

• SWE-bench Pro v2 (Hard) — 86,3 % vs. 88,2 %.

• Vibe Code Bench v1.1 — 81,6 % gegenüber 85,0 %.

• PostTrainBench v1.2 — 31,9 % gegenüber 31,5 %.

• Terminal Bench Science v0.1 — 5,7 % gegenüber 8,1 %.

Jeweils drei Zeilen. Ein Modell, das pro Token 17 Mrd. Parameter ausführt, hält mit einem Modell mit, das gemessen an der Rechenleistung, die es verbraucht, eine Größenordnung größer ist – und das an den beiden Enden des Coding-Spektrums, die normalerweise getrennt sind: ein From-Scratch-Patch-Benchmark in FrontierCode und ein agentischer Benchmark im Repository-Maßstab in DeepSWE. Auf DeepSWE kommt es an, denn das ist die Zeile, in der ein Modell einen Plan über viele Tool-Aufrufe hinweg zusammenhalten muss, statt einen einzigen guten Diff zu liefern.

Gegenüber DeepSeek V4.1 Flash 1017 kehrt sich das Bild um, und dies ist der Vergleich, der kommerziell statt architektonisch zählt, weil DeepSeeks Flash-Stufe günstig ist. Inkling 2 Small liegt bei vier der fünf Zeilen zurück, die beide Modelle durchlaufen haben – FrontierCode 25,4 % zu 28,5 %, DeepSWE 72,1 % zu 77,0 %, Vibe Code Bench 81,6 % zu 87,7 %, Terminal Bench Science 5,7 % zu 12,9 % – und liegt nur bei PostTrainBench mit 31,9 % zu 30,5 % vorn. DeepSeek hat keinen Eintrag für SWE-bench Pro, was für Thinking Machines unglücklich ist, da 86,3 % Inkling 2 Smalls beste Coding-Zahl ist und sie die überzeugendste einzelne Zeile gewesen wäre, die man hätte gewinnen können.

Das kleinere Modell ist dasjenige, mit dem es nicht Schritt hält.

Der Vergleich, den das Launch-Material nicht an den Anfang stellt, ist Claude Haiku 5.5, und er ist derjenige, der einen Käufer stutzig machen sollte. Haiku ist die kleine, günstige Stufe in Anthropics Produktreihe – ganz anders als ein 594B-Modell – und gewinnt drei der fünf Coding-Zeilen, die beide gemeinsam haben: FrontierCode 34,9 % zu 25,4 %, Vibe Code Bench 90,4 % zu 81,6 % und Terminal Bench Science 20,0 % zu 5,7 %, wo der Abstand mehr als das Dreifache beträgt.

Inkling 2 Small entscheidet die anderen beiden klar für sich: DeepSWE 72,1 % zu 59,9 % und SWE-bench Pro 86,3 % zu 52,9 %. Zusammengenommen hat dieses Muster überhaupt nichts mit Größe zu tun. Haiku gewinnt die Zeilen, die ein einzelnes erzeugtes Artefakt bewerten – einen Diff, eine UI, eine bis zum Abschluss gebrachte Terminalsitzung. Inkling 2 Small gewinnt die Zeilen, in denen das Modell über viele Schritte an einem Problem weiterarbeiten und seine eigene Antwort verbessern muss. Gegenüber Gemini 3.8 Flash ist es noch knapper: Inkling gewinnt FrontierCode, SWE-bench Pro und Vibe Code Bench, verliert DeepSWE knapp mit 72,1 % zu 73,8 % und verliert Terminal Bench Science deutlich mit 5,7 % zu 10,0 %.

Ein Detail aus der Ankündigung sollte jeder im Hinterkopf behalten, der Ranglisten liest. Thinking Machines sagt, es habe frühe Checkpoints von {{1}}Inkling 2 Small{{/1}} auf OpenCode unter dem Namen {{2}}Fledge-Alpha{{/2}} getestet. Jede {{2}}Fledge-Alpha{{/2}}-Punktzahl, die du vor der Markteinführung auf einem Coding-Board gesehen hast, stammte von diesem Modell unter einem Pseudonym und war nicht die fertige Version.

Was vier Versuche bringen und was 18,5 Minuten kosten

PMPP-Hard umfasst 69 Aufgaben, vier unabhängige Versuche und ein Zehn-Stunden-Budget; bewertet wird mit dem Mittelwert der gelösten Aufgaben. Die 54,25 von Inkling 2 Small sind gut, aber nicht bemerkenswert – sie liegen hinter GPT-6 Astra mit 63, Kimi K3.1 Pro mit 60,5 und Opus 5.5 mit 60 sowie vor Kimi K3 mit 55,75, DeepSeek V4.1 Flash mit 55,25, GLM 5.3 mit 52,5 und Mistral Large 4 mit 50,25.

Sein Pass@4-Wert von 64 ist der Punkt, an dem die Zahl aufhört, gewöhnlich zu sein. Diese Zahl erreicht Opus 5.5 mit 64 und schlägt Astra mit 63 sowie Kimi K3.1 Pro mit 63. Gibt man ihm vier Versuche, erreicht es dieselbe Obergrenze wie die besten Modelle im Diagramm; gibt man ihm einen, liegt es fast sechs Aufgaben zurück. Wenn Ihr Workflow bereits mehrere Versuche sampelt und durch Ausführen der Tests einen Gewinner auswählt, ist die entscheidende Lücke klein. Wenn er nur einmal sampelt und direkt ausliefert, ist die Lücke die ganze Geschichte.

Dieselbe Asymmetrie zeigt sich im Kernel-Autoresearch-Diagramm, und dort spricht sie nicht für Inkling 2 Small. Beste Kernel-Beschleunigung gegenüber der Baseline: Claude Opus 5.5 18,80×, GPT-6 Astra 10,26×, Inkling 2 Small 6,02×, DeepSeek V4.1 Flash 5,66×, GLM 5.3 5,03×, Mistral Large 4 3,43×. Etwa ein Drittel der Beschleunigung der Frontier bei derselben Aufgabe – weit davon entfernt, mitzuhalten.

Dann ist da noch die Uhr. Jede veröffentlichte Evaluation wurde mit Aufwand 0,99 – der Einstellung, die Thinking Machines xhigh nennt – bei Temperatur 1,0 ausgeführt. Artificial Analysis, das den Live-Endpunkt statt des Entwicklungs-Harness testet, misst 18,5 Minuten pro Aufgabe im Intelligence Index gegenüber einem Median von 7,0 bei vergleichbaren Modellen sowie 154 Mio. Ausgabe-Tokens gegenüber einem Median von 89,8 Mio. Die Kosten pro Index-Aufgabe betragen 1,18 $; damit rangiert es auf dieser Rangliste auf Platz 27 von 29 Modellen. Die Ausgabegeschwindigkeit beträgt 135 Tokens pro Sekunde bei 34,15 Sekunden bis zum ersten Antwort-Token, gegenüber einem Median von 11,57 Sekunden. Das Modell ist nicht langsam pro Token. Es ist langsam, weil es lange nachdenkt und dabei sehr viel schreibt.

Wo sich die aktive 17B-Zahl tatsächlich auszahlt

Mixture-of-Experts-Modelle werden nach aktiven Parametern abgerechnet, und genau darin liegt der gesamte kommerzielle Vorteil dieser Architektur. Inkling 2 Small kostet 0,30 US-Dollar pro Million Eingabe-Tokens und 1,00 US-Dollar pro Million Ausgabe-Tokens, wobei zwischengespeicherte Eingaben um 90 % auf 0,03 US-Dollar rabattiert werden – ein gemischter Preis von 0,18 US-Dollar pro Million bei einem Verhältnis von Cache-Treffern zu Eingaben zu Ausgaben von 7:2:1, laut Artificial Analysis. Das Medianmodell auf dieser Übersicht berechnet 0,24 US-Dollar für Eingaben und 0,87 US-Dollar für Ausgaben, daher ist Inkling 2 Small preislich wie ein Mittelklassemodell angesetzt, nicht wie eines mit 594B.

Die Trainingsmischung erklärt die Gewichtung. Coding machte 38,5 % der Reinforcement-Learning-Rollouts und 65 % der Tokens aus – der mit Abstand größte Block und mehr als zwei Drittel von allem, was das Modell während des RL generierte. Vision machte 13,9 % der Rollouts, aber nur 3 % der Tokens aus. Was auch immer dieses Modell sonst ist, es wurde nachtrainiert, um ausführlich Code zu schreiben und zu korrigieren.

Die ehrliche Rechnung erfolgt also pro erfolgreichem Versuch, nicht pro Token. Inkling 2 Small zu 1,18 $ pro Index-Aufgabe und vier Versuche, um sein Maximum zu erreichen, ist ein anderer Kauf als ein Modell zum doppelten Preis, das mit einem einzigen Versuch dorthin kommt. Keine der beiden Konfigurationen ist falsch; es sind unterschiedliche Vereinbarungen mit deinem Latenzbudget.

Was du heute nennen kannst und was nicht

{{1}}Inkling 2 Small{{/1}} ist über {{2}}Tinker{{/2}} für Inferenz und Fine-Tuning verfügbar, mit geschlossenen Gewichten und ohne zweiten Anbieter. Thinking Machines gibt an, die vollständigen Gewichte unter {{3}}Apache 2.0{{/3}} „nächste Woche“ veröffentlichen zu wollen, nach externen Sicherheitstests und Red-Teaming, und das ist Stand {{4}}6. November 2026{{/4}} nicht geschehen. Der serverlose Endpunkt wird mit {{5}}256K{{/5}} Kontext bereitgestellt, enger als das {{6}}1M{{/6}}-Fenster, für das das Modell trainiert wurde.

Es ist nicht auf OrcaRouter, und dieser Beitrag wird nicht so tun, als wäre es anders. Was auf OrcaRouter verfügbar ist, umfasst den Großteil des Vergleichssets, das dieser Artikel gerade durchgegangen ist — Kimi K3, DeepSeek V4.1 Flash 1017, GLM-5.3 Flash, Gemini 3.8 Flash, MiMo V2.6 Pro — mit einem Schlüssel über mehr als 200 Modelle erreichbar, wobei der Listenpreis des Anbieters unverändert weitergegeben wird und kein Aufschlag hinzukommt. Das ist genau für den Anwendungsfall wichtig, den dieser Artikel impliziert: Wenn Sie herausfinden möchten, ob ein MoE mit 17B aktiven Parametern für Ihr Repository gut genug ist, ist das günstigste Experiment, Ihre eigene Evaluierung gegen die Modelle auf beiden Seiten davon laufen zu lassen, mit einer einzigen Abrechnung, statt vier Verträge zu unterschreiben.

Automatisches Failover ist die andere Hälfte davon. Eine Benchmark-Tabelle sagt nichts darüber aus, ob ein langer agentischer Lauf einen Aussetzer des Anbieters in Minute vierzehn übersteht, und die Modelle, die auf DeepSWE am nächsten beieinanderliegen, sind genau die, zwischen denen man tatsächlich wechseln würde.

Drei Dinge würden diese Lesart verändern. Ein unabhängiger erneuter Durchlauf von FrontierCode oder DeepSWE, denn diese Zahlen stammen vom Labor selbst, und die SWE-bench-Pro-Zeile leistet einen Großteil der Überzeugungsarbeit. Die Veröffentlichung der Gewichte, denn Apache 2.0 würde das 594B-Modell selbst hostbar machen und die $1.18-pro-Aufgabe-Zahl unter Ihre Kontrolle bringen. Und jede veröffentlichte Stufe unterhalb von xhigh, denn jede Zahl in diesem Beitrag wurde mit maximalem Aufwand erzeugt – wenn eine niedrigere Einstellung den Großteil der Genauigkeit mit einem Bruchteil der 154M Token erzielt, verbessert sich die Kostenrechnung, und das hat bislang niemand gezeigt.

Das Vergleichs-Set auf einer Taste

Die Modelle, gegen die Inkling 2 Small in den Zeilen oben gemessen wird, sind – mit zwei Ausnahmen – Modelle, die man heute von einem einzigen Endpoint aus aufrufen kann. Die beiden Ausnahmen sind Inkling 2 Small selbst, das nur über Tinker erhältlich ist, und Claude Haiku 5.5, das nicht im OrcaRouter-Katalog enthalten ist. Der Rest der Tabelle ist: Kimi K3, das Open-Weights-Modell, mit dem Inkling 2 Small gleichauf liegt; DeepSeek V4.1 Flash 1017, das günstige Modell, hinter dem es in vier von fünf Zeilen zurückliegt; GLM-5.3 Flash, das kleine Modell, das es deutlich schlägt; und Gemini 3.8 Flash, das mittelgroße Modell, mit dem es ausgeglichen abschneidet.

Dieses Set ist dasjenige, das es sich zu testen lohnt, denn die interessante Frage für ein Team ist nicht, ob ein Mixture-of-Experts-Modell mit 17B aktiven Parametern abstrakt beeindruckend ist – die obige Tabelle beantwortet das bereits –, sondern ob es das bereits in Produktion befindliche Modell auf dem konkreten Repository, der Testsuite oder dem Kernel schlägt, der Ihnen wichtig ist. Diese Frage beantwortet nur Ihre eigene Evaluierung, und es ist viel günstiger, sie mit vier Modellen über einen Schlüssel hinweg zu beantworten als mit vier Anbietern.

Was der Launch belegt, ist enger, als die Reaktion darauf vermuten lässt. Ein 594B-Modell mit 17B aktiven Parametern hält jetzt im Coding ein Unentschieden gegen das größte Open-Weights-Modell, gewinnt die beiden Zeilen, die andauernde Arbeit belohnen, und verliert gegen ein kleines geschlossenes Modell in den drei, die ein einzelnes Artefakt bewerten. Das ist ein echtes Ergebnis, und es ist kein Frontier-Ergebnis. Der Preis dafür, herauszufinden, auf welcher Seite der Grenze Ihre Workload liegt, beträgt 0,30 $ und 1,00 $ pro Million Tokens, 18,5 Minuten pro schwieriger Aufgabe und die Bereitschaft, mehr als einmal zu samplen.