Inkling vs Kimi K2.6: Zwei Open-Weight-Schwergewichte, direkt im Vergleich
Inkling vs Kimi ist eine der interessantesten Open-Weight-Vergleiche des Jahres 2026, da die beiden Modelle in unterschiedliche Richtungen gehen. Kimi K2.6 von Moonshot AI ist ein auf Programmierung und Agenten fokussierter Kraftprotz, der in mehreren direkten Benchmarks an der Spitze steht. Inkling, das Debütmodell von Thinking Machines Lab (dem Startup unter der Leitung von Mira Murati, der ehemaligen CTO von OpenAI), ist ein vielseitiges, effizientes, multimodales Modell, das eher für Anpassung als für die Dominanz von Ranglisten entwickelt wurde. Beide geben ihre Gewichte offen frei, daher lautet die eigentliche Frage nicht „welches ist auf dem Papier schlauer“, sondern „welches passt zu Ihrem Arbeitsaufwand, Budget und den Bereitstellungsanforderungen“. Dieser Vergleich stellt die Zahlen ehrlich dar – einschließlich der Bereiche, in denen Kimi klar gewinnt.
Ein Hinweis für Entwickler: Es gibt hier keine geprüften direkten Vergleichstests, daher vergleichen wir Modelle und Zugang, nicht Ergebnisse. OrcaRouter leitet API-verfügbare Modelle über einen einzigen OpenAI-kompatiblen Endpunkt weiter, sodass Sie Inkling und Kimi K2.6 testen und vergleichen können, ohne mehrere SDKs einbinden zu müssen.
Benchmarks werden vom Anbieter selbst zum Start gemeldet (Effort 0.99) und Drittanbieterzahlen stammen von Artificial Analysis, MarkTechPost, Vellum und BenchLM; keine werden unabhängig geprüft, und die Zahlen der Wettbewerber können von den eigenen gemeldeten Zahlen dieser Anbieter abweichen. Die eigenen Spezifikationen von Inkling stammen aus dem Modellblatt von Thinking Machines.
TL;DR Fazit: Wählen Sie Kimi K2.6, wenn Sie den stärkeren rohen Coder und Web-Agenten wollen und Ihnen vor allem SWE-bench, Terminal/Agenten-Aufgaben, tiefes Wissen (GPQA) und Browsen wichtig sind. Wählen Sie Inkling, wenn Sie Effizienz (weniger Tokens pro Aufgabe), Robustheit gegenüber adversarialen Prompts, starke Befolgung von Anweisungen, native Audio- und Bildeingabe, einen Kontextfenster von 1M Tokens und die sauberstmögliche Lizenz (Apache 2.0) wollen.
Wichtige Erkenntnisse
Beide sind Open-Weight, aber die Lizenzen unterscheiden sich: Inkling ist Apache 2.0; Kimi K2.6 wird unter einer modifizierten MIT-Lizenz ausgeliefert — lesen Sie Moonshots Bedingungen vor dem kommerziellen Einsatz.
Kimi führt beim Coding und der agentischen Tiefe: SWE-bench Verified (80.2 vs 77.6), Terminal Bench 2.1 (71.3 vs 63.8), SWE-bench Pro (58.6 vs 54.3), BrowseComp (83.2 vs 77.1), GPQA Diamond (91.1 vs 87.2), und HLE.
Inkling führt bei Robustheit und Effizienz: FORTRESS adversarial (78,0 vs. 65,6), Token-Effizienz (~25K vs. ~38K Ausgabe-Tokens/Aufgabe), IFBench Befolgungsgenauigkeit (79,8 vs. 76,0), GDPval Elo (1238 vs. 1190) und τ³-Banking (24 vs. 21).
Inkling fügt Modalitäten hinzu, die Kimi nicht hat: native Audio- und Bildeingabe, plus ein 1M-Token-Kontextfenster.
Eine lustige Fußnote: Inklings frühes überwachtes Fine-Tuning wurde teilweise auf synthetischen Daten basiert, die Kimi K2.5-Generationen enthielten — diese beiden Modelle sind also auf eine kleine Weise verwandt.
Schnellvergleich
Maker. Inkling: Thinking Machines Lab; Kimi K2.6: Moonshot AI
Lizenz. Inkling: Apache 2.0; Kimi K2.6: Modified-MIT (Bedingungen prüfen)
Gewichte. Inkling: Offen (Hugging Face); Kimi K2.6: Offen
Parameter (gesamt / aktiv). Inkling: 975B / 41B (MoE); Kimi K2.6: Nicht in unseren Daten offengelegt
Kontextfenster. Inkling: Bis zu 1M tokens (256K auf gehosteten APIs); Kimi K2.6: Nicht in unseren Daten
Modalitäten (in). Inkling: Text + Bild + Audio; Kimi K2.6: Text (gemäß unseren Daten)
Ausgabe. Inkling: Text; Kimi K2.6: Text
Selbst hosten / Feintuning. Inkling: Ja, lizenzfrei / Tinker; Kimi K2.6: Ja / pro Moonshot
Gehosteter Preis (Inkling, AA). Inkling: ~$1,87 eingehend / ~$4,68 ausgehend pro 1 Mio.; Kimi K2.6: Nicht in unseren Daten
Gewinner nach Kategorie
Schlussfolgerung / Wissen. Gewinner: Kimi K2.6; Anmerkungen: Führt bei HLE (35.9 vs 29.7) und GPQA Diamond (91.1 vs 87.2)
Mathe. Gewinner: Inkling (knapp); Anmerkungen: AIME 2026 97.1 vs 96.4
Coding. Gewinner: Kimi K2.6; Anmerkungen: SWE-bench Verified 80.2 vs 77.6; SWE-bench Pro 58.6 vs 54.3
Agentisch (Terminal/Web). Gewinner: Kimi K2.6; Anmerkungen: Terminal Bench 2.1 71.3 vs 63.8; BrowseComp 83.2 vs 77.1
Agentic (GDPval / banking). Gewinner: Inkling; Anmerkungen: GDPval Elo 1238 gegen 1190; τ³-Banking 24 gegen 21
Multimodal / Audio. Gewinner: Inkling; Anmerkungen: Native Bild- und Audioeingabe; Kimi nicht in unseren Daten
Anweisungsbefolgung. Gewinner: Inkling; Notizen: IFBench 79.8 vs 76.0
Sicherheit / Robustheit. Gewinner: Inkling; Anmerkungen: FORTRESS adversarial 78.0 vs 65.6
Effizienz. Gewinner: Inkling; Anmerkungen: ~25K vs ~38K Ausgabe-Token/Aufgabe
Kontext. Gewinner: Inkling; Notizen: 1M-Token-Fenster
Kosten / Eigentum. Gewinner: —; Anmerkungen: Beide lizenzgebührenfrei zum Selbsthosten; Lizenzen unterscheiden sich
Direkter Benchmark-Vergleich
Die fünf folgenden Zeilen stammen aus einem konsistenten Satz (MarkTechPost), sodass sie direkt vergleichbar sind. Fett = Spitzenreiter.
HLE (keine Tools). Inkling: 29,7%; Kimi K2.6: 35,9%; Quelle: MarkTechPost
AIME 2026. Inkling: 97.1%; Kimi K2.6: 96.4%; Quelle: MarkTechPost
SWE-bench Verified. Inkling: 77.6%; Kimi K2.6: 80.2%; Quelle: MarkTechPost
Terminal Bench 2.1. Inkling: 63.8%; Kimi K2.6: 71.3%; Quelle: MarkTechPost
FORTRESS (gegnerisch). Inkling: 78.0%; Kimi K2.6: 65.6%; Quelle: MarkTechPost
Zusätzliche „quiet win“-Zeilen, entnommen aus Artificial Analysis und BenchLM (mit Vorsicht zu verwenden — andere Testumgebungen als im obigen Block):
Token-Effizienz (Ausgabe-Tokens pro Aufgabe, niedriger besser). Inkling: ~25K; Kimi K2.6: ~38K; Quelle: Artificial Analysis
GDPval-AA v2 Elo (höher besser). Inkling: 1238; Kimi K2.6: 1190; Quelle: Artificial Analysis
τ³-Banking. Inkling: 24%; Kimi K2.6: 21%; Quelle: BenchLM
IFBench (Instruktionsbefolgung). Inkling: 79.8; Kimi K2.6: 76.0; Quelle: BenchLM
BrowseComp. Inkling: 77.1; Kimi K2.6: 83.2; Quelle: BenchLM
SWE-bench Pro. Inkling: 54.3; Kimi K2.6: 58.6; Quelle: BenchLM
GPQA Diamond. Inkling: 87.2*; Kimi K2.6: 91.1; Quelle: BenchLM
HLE (with tools). Inkling: 46.0; Kimi K2.6: 54.0; Quelle: Vellum
*Inklings eigene Modellkarte listet GPQA Diamond bei 87,2%; eine erneute Ausführung von Artificial Analysis berichtet 87,9%. Wir verwenden hier 87,2 aus Konsistenzgründen. Beachten Sie, dass die HLE with-tools Zahlen (Vellum) sind eine separate Messung von der HLE-Zeile ohne Werkzeuge oben – vermischen Sie sie nicht.
Redaktionshinweis — Grafik hinzufügen: ein gruppiertes Balkendiagramm der fünf MarkTechPost-Zeilen würde die Geschichte „Kimi leads coding/agentic, Inkling leads robustness/math“ sofort lesbar machen.
Wo Kimi K2.6 gewinnt
Kimi ist auf dieser Zahlenbasis das stärkere Modell für Softwareentwicklung und autonome Agenten. Es führt bei SWE-bench Verified (80.2 vs 77.6) und SWE-bench Pro (58.6 vs 54.3), sodass reale Code-Fixing-Aufgaben zu seinen Gunsten ausfallen. Es ist deutlich voraus bei Terminal Bench 2.1 (71.3 vs 63.8), dem agentenbezogenen Terminal-Benchmark, und bei BrowseComp (83.2 vs 77.1) für Web-Browsing-Agenten. Es hat ebenfalls die Nase vorn bei breites Wissen und anspruchsvolles Denken: HLE (35.9 vs 29.7 ohne Werkzeuge, 54.0 vs 46.0 mit Werkzeugen) und GPQA Diamond (91.1 vs 87.2). Wenn Ihr primärer Anwendungsfall ein Coding-Copilot, ein Terminal-/Dev-Agent oder ein Research-Browsing-Assistent ist, ist Kimi die leistungsfähigere Basis von Haus aus.
Wo Inkling gewinnt
Inklings Vorteile konzentrieren sich auf Effizienz, Zuverlässigkeit und Reichweite. Es löst Aufgaben mit etwa 25K output tokens versus Kimi’s ~38K – ein bedeutender Kosten- und Latenzunterschied im großen Maßstab, da man pro Token bezahlt. Es ist weitaus robust gegenüber adversarialen Eingaben, was zu FORTRESS 78.0 gegenüber 65.6 führt. Es folgt Anweisungen treuer (IFBench 79.8 vs 76.0), liegt vorn beim GDPval agentic Elo (1238 vs 1190) und τ³-Banking (24 vs 21) und gewinnt knapp AIME 2026 Mathematik (97.1 vs 96.4).
Über Benchmarks hinaus bietet Inkling Funktionen, die in unserer Datenspalte von Kimi gar nicht vorkommen: native Bild- und Audio-Eingabe, ein 1M-Token-Kontextfenster (256K bei gehosteten APIs), und die großzügige Apache 2.0 Lizenz. Für dokumentenlastige, multimodale oder hochvolumige Arbeitslasten — und für Teams, die die sauberste rechtliche Grundlage wünschen — sind diese strukturellen Merkmale oft wichtiger als ein paar Benchmark-Punkte.
Preise & Kosten / TCO
Inkling ist lizenzgebührenfrei zum Selbsthosten; Sie zahlen nur für Ihre eigene Rechenleistung. Gehosteter Zugriff über Dritte kostet etwa $1.87 pro 1M Eingabetoken und $4.68 pro 1M Ausgabetoken (64K Kontext; zwischengespeicherter Input ~$0.374/1M), steigt auf etwa $3.74/$9.36 bei 256K Kontext (Artificial Analysis). Feintuning ist auf der Tinker-Plattform verfügbar (64K/256K Kontext, mit einem zeitlich begrenzten Einführungsrabatt von 50 %).
Wir nicht haben geprüfte gehostete Preise für Kimi K2.6 in unserem Datensatz, daher nennen wir keine Zahl. Qualitativ sind beide Modelle Open-Weight, daher ist der dominante Kostenhebel für beide verbrauchte Tokens pro Aufgabe — und hier senkt der Effizienzvorteil von Inkling (~25K vs ~38K) direkt die Gesamtbetriebskosten auf vergleichbarer Hardware. Wenn Sie selbst hosten möchten, budgetieren Sie hauptsächlich nach Durchsatz und der Token-Effizienz Ihrer typischen Arbeitslast anstatt nach dem Listenpreis.
Lizenzierung & Bereitstellung
Die Lizenzgeschichte ist der klarste strukturelle Unterschied. Inkling ist Apache 2.0 — kommerzielle Nutzung und Selbsthosting sind ausdrücklich lizenzgebührenfrei, mit minimalen Verpflichtungen. Kimi K2.6 wird unter einer “modified-MIT”-Lizenz ausgeliefert; MIT ist sehr freizügig, aber die Modifikationen sind das, worauf es ankommt, also lesen Sie Moonshot’s genaue Bedingungen, bevor Sie ein kommerzielles Produkt darauf aufbauen.
Um Inkling auszuführen, ziehen Sie den BF16- oder NVFP4-Checkpoint von Hugging Face. VRAM-Stufen: BF16 benötigt ungefähr 2TB (8×B300 oder 16×H200); der NVFP4-Checkpoint reduziert das auf etwa 600GB (4×B300 oder 8×H200); und ein Unsloth 1-Bit GGUF existiert für eingeschränkte Umgebungen. Unterstützte Laufzeitumgebungen sind SGLang, vLLM, TokenSpeed, Unsloth und Hugging Face transformers, und gehostete Anbieter umfassen Together AI, Fireworks, Modal, Databricks und Baseten. Ein typischer Schnellstart ist eine Einzeiler:
vllm serve thinkingmachines/Inkling --tensor-parallel-size 8
Für Kimi K2.6, die Gewichte sind offen und selbst hostbar gemäß Moonshots Veröffentlichung; spezifische VRAM-Stufen und Anbieterdetails liegen außerhalb unseres verifizierten Datensatzes, also überprüfen Sie diese anhand von Moonshots Modellkarte.
Welche solltest du wählen?
Coding-Copilot / Entwicklungsagent / Terminalautomatisierung → Kimi K2.6. Seine SWE-bench- und Terminal-Bench-Vorsprünge sind die entscheidungsrelevantesten Zahlen hier.
Web-Browsing-Recherche-Agent →Kimi K2.6 (BrowseComp 83.2).
Hochvolumige, kostenempfindliche Inferenz → Inkling. Weniger Tokens pro Aufgabe summiert sich zu echten Einsparungen.
Multimodale Apps (Bild-/Audioeingabe) oder Kontext großer Dokumente → Inkling, standardmäßig — Kimi ist nicht in unseren Daten für diese enthalten.
Sicherheitskritische oder gegnerische Einsätze → Inkling (FORTRESS 78.0).
Strenge, reibungsarme kommerzielle Lizenzierung → Inkling’s Apache 2.0 ist die sicherere Wahl.
Feinabstimmung einer anpassbaren Basis → entweder funktioniert; Inkling's Tinker path plus Apache 2.0 ist die schlüsselfertigere Geschichte.
Viele Teams werden sich für eine Aufteilung: Kimi für die Coding/Agent-Ebene, Inkling für hochvolumige, multimodale oder Langkontext-Arbeit – beide selbst gehostet.
FAQ
Ist Inkling besser als Kimi K2.6?Weder ist streng genommen „besser“. Kimi K2.6 liegt vorn bei Benchmarks für Codierung, Agentik und breites Wissen (SWE-bench, Terminal Bench, BrowseComp, GPQA, HLE). Inkling liegt vorn bei Effizienz, Robustheit (FORTRESS), Befolgung von Anweisungen, Mathematik (AIME) und bietet zusätzlich Audio-/Bildeingabe sowie einen Kontext von 1 Million Token. Wählen Sie je nach Arbeitslast.
Welches ist besser zum Programmieren? Kimi K2.6, bei diesen Zahlen — führt es SWE-bench Verified (80.2 vs 77.6) und SWE-bench Pro (58.6 vs 54.3) an. Inkling bleibt wettbewerbsfähig und token-effizienter, was bei Skalierung für die Kosten wichtig ist.
Welches ist günstiger im Betrieb? Beide sind Open-Weight und lizenzgebührenfrei zum Selbsthosten, sodass die Kosten durch Token pro Aufgabe bestimmt werden. Inkling’s ~25K vs Kimi’s ~38K Ausgabe-Token pro Aufgabe geben ihm einen strukturellen Effizienzvorteil (und damit Kostenvorteil) auf vergleichbarer Hardware. Inkling’s Hosted-Preis liegt bei ~1,87 $ / 4,68 $ pro 1M Eingabe/Ausgabe; wir haben keine geprüften Hosted-Preise von Kimi.
Ist Kimi K2.6 Open Source? Kimi K2.6 ist open-weight unter einer modifizierten MIT-Lizenz. Das ist sehr freizügig, aber „open weights“ ist nicht identisch mit einer standardmäßigen OSI-Open-Source-Lizenz – überprüfen Sie die genauen Bedingungen von Moonshot vor der kommerziellen Nutzung. Inkling ist im Gegensatz dazu Apache 2.0.
Kann ich beides selbst hosten oder feinabstimmen?Ja. Beide veröffentlichen herunterladbare Gewichte. Inkling bietet einen verwalteten Feinabstimmungspfad über Tinker (mit gehosteten Anbietern wie Together AI und Fireworks für Inferenz); Kimi ist gemäß der Veröffentlichung von Moonshot selbst hostbar. Bestätigen Sie Kimis Hardware-Anforderungen anhand seiner Modellkarte.
Sind diese Benchmark-Zahlen zuverlässig? Behandeln Sie sie als Richtwerte. Es handelt sich um vom Anbieter selbst gemeldete Werte zum Start oder um Drittanbieterzahlen (MarkTechPost, Artificial Analysis, Vellum, BenchLM), die keiner unabhängigen Prüfung unterzogen wurden, und die Zahlen der Wettbewerber können von Moonshot's eigenen gemeldeten Zahlen abweichen.
Fazit
Inkling vs Kimi K2.6 ist ein echter Kompromiss, kein K.o. Kimi K2.6 ist der stärkere Programmierer und Web-Agent und gewinnt die wichtigsten Wissens-Benchmarks; Inkling punktet bei Effizienz, Robustheit, Befolgungsfähigkeit und Modalitätsreichweite, alles unter der saubereren Apache 2.0-Lizenz. Wählen Sie Kimi für die Tiefe des Engineering-Agenten, wählen Sie Inkling für kosteneffiziente, multimodale, langkontextuelle, sicherheitskritische Arbeit – und erwägen Sie, beide einzusetzen.
