Inkling 2 Small mantiene el ritmo en programación con 17B de parámetros activos — hasta que miras la varianza

Las dos líneas del gráfico de lanzamiento de Thinking Machines coinciden en el mismo número. Inkling 2 Small resuelve 54,25 de las 69 tareas de PMPP-Hard en un único intento y 64 en cuatro. Claude Opus 5.5 resuelve 60 en un único intento y 64 en cuatro. Lanzado el 5 de noviembre de 2026, Inkling 2 Small es un modelo de mezcla de expertos con 594B de parámetros totales y 17B activos, y ese gráfico es la declaración más clara de lo que la arquitectura aporta y lo que no: el techo de un modelo de frontera en trabajo de ingeniería difícil, sin la fiabilidad por intento de uno.

La afirmación que circula es más acotada y más halagadora: que en los benchmarks de programación sigue fácilmente el ritmo de modelos significativamente más grandes. Esa afirmación se puede poner a prueba contra la propia tabla del proveedor, fila por fila, y se sostiene en algunos puntos, falla en otros, y falla de la manera más interesante frente a un modelo mucho más pequeño que él. Este artículo hace la lectura fila por fila y luego plantea la pregunta que la tabla no puede responder: cuánto cuesta por tarea ese ritmo una vez que el modelo está realmente en tu factura.

Seis filas de codificación, leídas sin la glosa.

Todo lo que aparece a continuación proviene de la tabla de evaluación que Thinking Machines publicó junto con el anuncio. Es un entorno de pruebas gestionado por el proveedor —la empresa lo dice, y afirma que las filas de codificación utilizan pruebas unitarias ocultas y comprobaciones programáticas. Nada de esto ha sido reproducido de forma independiente, lo cual importa porque la misma tabla muestra un Artificial Analysis Intelligence Index de 30.6 para Inkling 2 Small, mientras que la página en vivo de Artificial Analysis muestra 31. Se trata de una diferencia de redondeo, no de una disputa, pero indica que la tabla es una instantánea tomada por el laboratorio y no un panel en vivo.

Frente a Kimi K3, el modelo de pesos abiertos más grande de la comparación, la afirmación sobre el ritmo queda en empate:

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

• DeepSWE v1.1 — 72,1 % frente a 68,5 %.

• SWE-bench Pro v2 (Difícil) — 86,3 % frente a 88,2 %.

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

• PostTrainBench v1.2 — 31,9 % frente a 31,5 %.

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

Tres filas en cada caso. Un modelo que ejecuta 17B parámetros por token empata con un modelo que es un orden de magnitud más grande en cuanto al cómputo que consume, y lo hace en los dos extremos del espectro de la programación que normalmente están separados: un benchmark de parches desde cero en FrontierCode y uno agéntico a escala de repositorio en DeepSWE. DeepSWE es el que hay que ponderar, porque es la fila donde un modelo tiene que mantener un plan coherente a lo largo de muchas llamadas a herramientas en lugar de producir un único diff correcto.

Frente a DeepSeek V4.1 Flash 1017, la imagen se invierte, y esta es la comparación que importa comercialmente más que arquitectónicamente, porque el nivel flash de DeepSeek es barato. Inkling 2 Small está por detrás en cuatro de las cinco filas que ambos modelos ejecutaron —FrontierCode, 25,4 % frente a 28,5 %; DeepSWE, 72,1 % frente a 77,0 %; Vibe Code Bench, 81,6 % frente a 87,7 %; Terminal Bench Science, 5,7 % frente a 12,9 %— y solo va por delante en PostTrainBench, 31,9 % frente a 30,5 %. DeepSeek no tiene una entrada en SWE-bench Pro, lo cual es desafortunado para Thinking Machines, ya que 86,3 % es la mejor cifra de programación de Inkling 2 Small y habría sido la fila individual más convincente de ganar.

El modelo más pequeño es el que no sigue el ritmo.

La comparación que el material de lanzamiento no pone en primer plano es Claude Haiku 5.5, y es la que debería hacer que un comprador se detenga a pensar. Haiku es el nivel pequeño y económico de la línea de Anthropic —nada parecido a un modelo de 594B— y gana en tres de las cinco filas de codificación que ambos comparten: FrontierCode, 34,9 % frente a 25,4 %; Vibe Code Bench, 90,4 % frente a 81,6 %; y Terminal Bench Science, 20,0 % frente a 5,7 %, donde la diferencia es de más del triple.

Inkling 2 Small se impone con claridad en las otras dos: 72,1 % frente a 59,9 % en DeepSWE y 86,3 % frente a 52,9 % en SWE-bench Pro. Leídos en conjunto, el patrón no tiene nada que ver con el tamaño. Haiku gana en las filas que evalúan un único artefacto producido: un diff, una interfaz de usuario, una sesión de terminal llevada hasta su finalización. Inkling 2 Small gana en las filas donde el modelo tiene que seguir trabajando en un problema durante muchos pasos y mejorar su propia respuesta. Frente a Gemini 3.8 Flash, la diferencia es aún menor: Inkling se lleva FrontierCode, SWE-bench Pro y Vibe Code Bench, pierde por poco en DeepSWE con un 72,1 % frente a un 73,8 %, y pierde contundentemente en Terminal Bench Science con un 5,7 % frente a un 10,0 %.

Un detalle del anuncio merece que lo guarden quienes leen las tablas de clasificación. Thinking Machines dice que probó checkpoints tempranos de Inkling 2 Small en OpenCode bajo el nombre Fledge-Alpha. Cualquier puntuación de Fledge-Alpha que hayas visto en una tabla de programación antes del lanzamiento correspondía a este modelo, bajo un seudónimo, y no era la versión final.

Lo que compran cuatro intentos y lo que cuestan 18,5 minutos

PMPP-Hard consta de 69 tareas, cuatro intentos independientes y un presupuesto de diez horas, y se puntúa como la media de tareas resueltas. El 54,25 de Inkling 2 Small es bueno pero no destacable: queda por detrás de GPT-6 Astra con 63, Kimi K3.1 Pro con 60,5 y Opus 5.5 con 60, y por delante de Kimi K3 con 55,75, DeepSeek V4.1 Flash con 55,25, GLM 5.3 con 52,5 y Mistral Large 4 con 50,25.

Su Pass@4 de 64 es donde el número deja de ser corriente. Esa cifra empata con el 64 de Opus 5.5 y supera el 63 de Astra y el 63 de Kimi K3.1 Pro. Dale cuatro intentos y alcanza el mismo techo que los mejores modelos del gráfico; dale uno y se queda casi seis tareas por detrás. Si tu flujo de trabajo ya muestrea varios intentos y elige un ganador ejecutando las pruebas, la brecha que importa es pequeña. Si muestrea una sola vez y despliega, la brecha lo es todo.

La misma asimetría aparece en el gráfico de autoinvestigación de kernels, y ahí no favorece a Inkling 2 Small. Mejor aceleración del kernel frente a la línea base: 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×. Aproximadamente un tercio de la aceleración de los modelos frontera en la misma tarea, lo que está muy lejos de seguir el ritmo.

Después está el reloj de pared. Todas las evaluaciones publicadas se ejecutaron con un esfuerzo de 0.99 —el ajuste que Thinking Machines denomina xhigh— con una temperatura de 1.0. Artificial Analysis, que prueba el endpoint en vivo en lugar del arnés de desarrollo, mide 18.5 minutos por tarea del Intelligence Index frente a una mediana de 7.0 entre sus pares, y 154M de tokens de salida frente a una mediana de 89.8M. El costo por tarea del índice es de $1.18, lo que lo sitúa en el puesto 27 de 29 modelos en esa tabla. La velocidad de salida es de 135 tokens por segundo, con 34.15 segundos hasta el primer token de respuesta, frente a una mediana de 11.57 segundos. El modelo no es lento por token. Es lento porque piensa durante mucho tiempo y escribe muchísimo mientras lo hace.

Dónde realmente vale la pena el número activo de 17B

Los modelos de mezcla de expertos se facturan según los parámetros activos, y ese es todo el argumento comercial de esta arquitectura. Inkling 2 Small tiene un precio de $0.30 por millón de tokens de entrada y $1.00 por millón de salida, con la entrada en caché descontada un 90 % hasta $0.03 — un precio combinado de $0.18 por millón con una proporción de aciertos de caché a entrada a salida de 7:2:1, según Artificial Analysis. El modelo mediano de esa tabla cobra $0.24 por entrada y $0.87 por salida, así que Inkling 2 Small tiene un precio de modelo de gama media, no de uno de 594B.

La mezcla de entrenamiento explica el énfasis. La programación representó el 38,5% de los rollouts de aprendizaje por refuerzo y el 65% de los tokens —el bloque individual más grande, y más de dos tercios de todo lo que el modelo generó durante el RL—. La visión representó el 13,9% de los rollouts pero el 3% de los tokens. Sea lo que sea este modelo, se le entrenó posteriormente para escribir y corregir código extensamente.

Así que la aritmética honesta es por intento exitoso, no por token. Inkling 2 Small a $1.18 por tarea de indexación y cuatro intentos para alcanzar su techo es una compra distinta de la de un modelo al doble de precio que llega allí en un solo intento. Ninguna de las dos configuraciones está mal; son contratos diferentes con tu presupuesto de latencia.

Lo que puedes llamar hoy en día, y lo que no

Inkling 2 Small está disponible a través de Tinker para inferencia y ajuste fino, con pesos cerrados y sin un segundo proveedor. Thinking Machines dice que tiene la intención de publicar los pesos completos bajo Apache 2.0 "la próxima semana", después de las pruebas de seguridad externas y del red-teaming, y eso no ha ocurrido a 6 de noviembre de 2026. El endpoint sin servidor se ofrece con un contexto de 256K, más estrecho que la ventana de 1M para la que se entrenó el modelo.

No está en OrcaRouter, y este artículo no va a fingir lo contrario. Lo que sí está en OrcaRouter es la mayor parte del conjunto de comparación que este artículo acaba de recorrer — Kimi K3, DeepSeek V4.1 Flash 1017, GLM-5.3 Flash, Gemini 3.8 Flash, MiMo V2.6 Pro — accesibles con una sola clave en más de 200 modelos, con el precio de lista del proveedor trasladado sin cambios y sin añadir margen. Eso importa exactamente para el uso que insinúa este artículo: si quieres averiguar si un MoE de 17B activos es suficientemente bueno para tu repositorio, el experimento más barato es ejecutar tu propia evaluación contra los modelos a ambos lados de él, en una sola factura, en lugar de firmar cuatro contratos.

La conmutación por error automática es la otra mitad de eso. Una tabla de benchmarks no dice nada sobre si una ejecución agéntica prolongada sobrevive a un fallo temporal de un proveedor en el minuto catorce, y los modelos que más se parecen en DeepSWE son aquellos entre los que realmente estarías alternando.

Tres cosas cambiarían esta lectura. Una nueva ejecución independiente de FrontierCode o DeepSWE, porque estas cifras son del propio laboratorio y la fila de SWE-bench Pro está haciendo gran parte del trabajo persuasivo. La publicación de los pesos, porque Apache 2.0 haría que el modelo de 594B pudiera autoalojarse y pondría la cifra de $1.18 por tarea bajo tu control. Y cualquier nivel publicado por debajo de xhigh, porque todas las cifras de este artículo se produjeron con el máximo esfuerzo: si un ajuste inferior consigue la mayor parte de la precisión con una fracción de los 154M tokens, el argumento de coste mejora y nadie lo ha demostrado todavía.

La comparación establecida en una tecla

Los modelos con los que se compara a Inkling 2 Small en las filas anteriores son, salvo dos excepciones, modelos a los que hoy puedes llamar desde un único endpoint. Las dos excepciones son el propio Inkling 2 Small, que solo está disponible en Tinker, y Claude Haiku 5.5, que no está en el catálogo de OrcaRouter. El resto de la tabla es: Kimi K3, el modelo de pesos abiertos con el que empata Inkling 2 Small; DeepSeek V4.1 Flash 1017, el modelo barato frente al que va por detrás en cuatro de cinco filas; GLM-5.3 Flash, el modelo pequeño al que supera con comodidad; y Gemini 3.8 Flash, el modelo de tamaño medio con el que se reparte los resultados.

Ese conjunto es el que vale la pena ejecutar, porque la pregunta interesante para un equipo no es si un modelo de mezcla de expertos con 17B activos es impresionante en abstracto —la tabla anterior ya responde a eso—, sino si supera al modelo que ya está en producción en el repositorio, la suite de pruebas o el kernel concretos que te importan. Esa es una pregunta que solo responde tu propia evaluación, y es mucho más barato responderla con cuatro modelos en una sola clave que con cuatro proveedores.

Lo que el lanzamiento establece es más limitado de lo que sugiere la reacción que ha provocado. Un modelo de 594B con 17B de parámetros activos ahora consigue un empate frente al mayor modelo de pesos abiertos en programación, gana las dos filas que recompensan el trabajo sostenido y pierde frente a un pequeño modelo cerrado en las tres que puntúan un único artefacto. Ese es un resultado real y no es un resultado de frontera. El coste de averiguar en qué lado de la línea se sitúa tu carga de trabajo es de $0.30 y $1.00 por millón de tokens, 18.5 minutos por tarea difícil y la disposición a tomar más de una muestra.