Inkling vs DeepSeek V4 Pro: ¿Qué modelo de peso abierto gana en programación, factualidad y costo?
Inkling vs DeepSeek es uno de los enfrentamientos de pesos abiertos más interesantes de 2026: dos modelos completamente abiertos, dos licencias permisivas y dos fortalezas muy diferentes. Inkling, el modelo debut de Thinking Machines Lab de Mira Murati, es un MoE multimodal de 975B parámetros construido para personalización y eficiencia. DeepSeek V4 Pro es el último modelo del laboratorio chino que ayudó a popularizar el modelo de codificación de pesos abiertos, y llega con una reputación bien ganada en ingeniería de software. Esta comparación directa compara los dos en benchmarks, codificación, veracidad, licencias, VRAM y costo, para que puedas decidir cuál pertenece a tu stack.
Una nota para los desarrolladores: no hay comparativas auditadas directas aquí, así que esto compara modelos y acceso, no puntuaciones. OrcaRouter enruta modelos disponibles por API detrás de un único punto final compatible con OpenAI, así que puedes probar y comparar Inkling y DeepSeek V4 Pro sin tener que conectar múltiples SDKs.
TL;DR verdict: Pick DeepSeek V4 Pro if raw agentic coding is your top priority — it edges Inkling on SWE-bench Verified. Pick Inkling if you care about robustness, factuality, token efficiency, audio/image input, or a 1M-token context window, where it leads by wide margins. Both are open weights and royalty-free to self-host.
Conclusiones clave
Ambos son pesos abiertos. Inkling se distribuye bajo Apache 2.0; DeepSeek V4 Pro se distribuye bajo la licencia MIT. Ambos permiten uso comercial y autohospedaje libre de regalías.
DeepSeek gana por un pelo en codificación: 80.6% frente a 77.6% en SWE-bench Verified (MarkTechPost).
Inkling gana en robustez de manera decisiva: 78.0% vs 36.0% en el benchmark adversarial FORTRESS (MarkTechPost).
La brecha de factualidad es grande: Artificial Analysis informa que Inkling es neto-positivo en AA-Omniscience, mientras que DeepSeek V4 Pro/Flash publican tasas de alucinación muy altas.
Inkling es más eficiente: ~25K vs ~37K tokens de salida por tarea (Artificial Analysis) — significativo para el costo a escala.
Ventaja de modalidad: Inkling acepta texto + imagen + audio y ofrece un contexto de hasta 1M tokens; es el modelo multimodal más versátil aquí.
Divulgación:Los benchmarks son autoinformados por el proveedor en el lanzamiento (Effort 0.99) y las cifras de terceros provienen de Artificial Analysis / MarkTechPost / Vellum / BenchLM; ninguno ha sido auditado de forma independiente, y los números de los competidores pueden diferir de las cifras reportadas por esos proveedores. Las especificaciones propias de Inkling provienen de la ficha técnica del modelo de Thinking Machines.
Comparación de un vistazo
Maker. Inkling: Thinking Machines Lab; DeepSeek V4 Pro: DeepSeek
Licencia. Inkling: Apache 2.0; DeepSeek V4 Pro: MIT
Pesos abiertos. Indicación: Sí; DeepSeek V4 Pro: Sí
Parámetros. Inkling: 975B total / 41B activos (MoE); DeepSeek V4 Pro: —
Ventana de contexto. Inkling: Hasta 1M tokens (256K alojados); DeepSeek V4 Pro: —
Entradas. Inkling: Texto + imagen + audio; DeepSeek V4 Pro: — (texto; no en nuestros datos)
Salida. Inkling: Texto; DeepSeek V4 Pro: Texto
Autoalojamiento / ajuste fino. Inkling: Sí / Tinker platform; DeepSeek V4 Pro: Sí
Precio alojado. Inkling: ~$1.87 de entrada / ~$4.68 de salida por 1M; DeepSeek V4 Pro: — (no en nuestros datos)
Las celdas vacías marcadas con “—” significan que no tenemos una cifra auditada para DeepSeek V4 Pro en nuestros datos de origen y no estamos adivinando.
Ganador por categoría
Razonamiento / Conocimiento (HLE). Ganador: DeepSeek V4 Pro; Notas: 35.9% vs 29.7% (sin herramientas)
Matemáticas (AIME 2026). Ganador: Casi empatado; Notas: Inkling 97.1% vs 96.7%
Codificación (SWE-bench Verified). Ganador: DeepSeek V4 Pro; Notas: 80.6% vs 77.6%
Agentic (Terminal Bench 2.1). Ganador: Aproximadamente empatados; Notas: 64.0 vs 63.8
Seguridad / Robustez (FORTRESS). Ganador: Inkling; Notas: 78.0% contra 36.0%
Factualidad (AA-Omniscience). Ganador: Inkling; Notas: Neto positivo vs alta alucinación
Multimodal / Audio. Ganador: Inkling; Notas: Entrada de imagen + audio; DeepSeek no está en nuestros datos
Eficiencia (tokens/tarea). Ganador: Inkling; Notas: ~25K vs ~37K
Coste / TCO. Ganador: Empate (ambos autoalojados sin regalías); Notas: Depende de la eficiencia + alojamiento
Comparativas directas
La tabla a continuación utiliza un conjunto consistente de números cara a cara de MarkTechPost. La negrita marca al líder en cada fila.
HLE (sin herramientas). Inkling: 29.7%; DeepSeek V4 Pro: 35.9%
AIME 2026. Inkling: 97.1%; DeepSeek V4 Pro: 96.7%
SWE-bench Verified. Inkling: 77.6%; DeepSeek V4 Pro: 80.6%
Terminal Bench 2.1. Inkling: 63.8; DeepSeek V4 Pro: 64.0
FORTRESS (adversarial). Inkling: 78.0%; DeepSeek V4 Pro: 36.0%
Algunas “victorias silenciosas” de Artificial Analysis se encuentran fuera de la tabla de MarkTechPost pero son igual de importantes para implementaciones reales:
Eficiencia de tokens (menor es mejor): Inkling ~25K contra DeepSeek V4 Pro ~37K tokens de salida por tarea.
Factualidad de AA-Omniscience: Inkling es net-positivo; DeepSeek V4 Pro/Flash son negativos, con tasas de alucinación reportadas de alrededor del 94%/96%.
τ³-Banking: Inkling 24 vs DeepSeek V4 Flash 23.
GDPval-AA v2 Elo (agentic): Inkling 1238 vs DeepSeek V4 Flash 1189.
Nota del editor — añadir visual: Un gráfico de barras agrupadas de las cinco filas de MarkTechPost haría que el veredicto dividido (DeepSeek en HLE/SWE-bench, Inkling en FORTRESS) fuera instantáneamente legible.
Donde DeepSeek V4 Pro gana
La reputación de DeepSeek como modelo de codificación se mantiene aquí. Lidera a Inkling en SWE-bench Verified (80.6% vs 77.6%), el benchmark de ingeniería de software del mundo real más seguido, y lo supera en HLE (35.9% vs 29.7%) y Terminal Bench 2.1 (64.0 vs 63.8). Si su carga de trabajo principal es la corrección autónoma de errores, la generación de pull requests o el trabajo terminal agéntico, DeepSeek V4 Pro es el codificador en bruto más fuerte en este emparejamiento — y su licencia MIT facilita su incorporación en productos comerciales.
Ese líder de codificación es genuino y digno de respeto. Para equipos cuya métrica de éxito es "cuántos problemas puede cerrar el agente", los pocos puntos extra de DeepSeek en SWE-bench Verified pueden traducirse en un rendimiento medible.
Donde gana Inkling
Las ventajas de Inkling son más amplias y, en varios casos, dramáticas:
Robustez: En el benchmark adversarial FORTRESS, Inkling obtiene un 78.0% frente al 36.0% de DeepSeek — una brecha que sugiere que Inkling es mucho más resistente a jailbreaks y prompts adversariales.
Veracidad: Artificial Analysis sitúa a Inkling como neto positivo en AA-Omniscience, mientras que DeepSeek V4 Pro/Flash presentan tasas de alucinación muy altas. Para RAG, investigación y cualquier carga de trabajo factual, esto es una ventaja decisiva.
Eficiencia: Con ~25K tokens de salida por tarea frente a ~37K, Inkling llega a la respuesta con aproximadamente un tercio menos de generación — lo que reduce la latencia y el costo por tarea.
Multimodalidad: Inkling acepta texto, imágenes y audio, y evalúa sólidamente en VoiceBench (91.4%) y MMMU Pro (73.3%). DeepSeek V4 Pro no está en nuestros datos como modelo multimodal.
Contexto: Los pesos de Inkling admiten hasta un contexto de 1M de tokens (256K en APIs alojadas), útil para razonamiento sobre repositorios completos o documentos largos.
Calidad agentiva: Mayor GDPval Elo (1238 vs 1189 para V4 Flash) y una puntuación τ³-Banking marginalmente mejor.
En resumen, DeepSeek gana la estrecha competencia de codificación; Inkling gana en casi todos los lugares donde importan la fiabilidad, la honestidad y la versatilidad.
Precios y costo / TCO
Ambos modelos son pesos abiertos y libres de regalías para autoalojar, por lo que tu costo real es la infraestructura más (opcionalmente) inferencia alojada y ajuste fino.
Inkling alojado (Artificial Analysis): ~$1.87 / 1M de entrada y ~$4.68 / 1M de tokens de salida en contexto de 64K (caché ~$0.374/1M); aproximadamente $3.74/$9.36 en 256K. El ajuste fino se ejecuta a través de la plataforma Tinker (opciones de 64K/256K, 50% de descuento de lanzamiento por tiempo limitado). Hay un Playground gratuito disponible.
DeepSeek V4 Pro: no tenemos precios auditados de hosting en nuestros datos fuente, por lo que no citaremos un número. Al ser un modelo abierto con licencia MIT, es libre de regalías para autoalojarse, y DeepSeek históricamente fija precios agresivos para el acceso alojado.
El factor más sutil del TCO es la eficiencia de tokens. Debido a que Inkling utiliza ~25K tokens por tarea frente a ~37K para DeepSeek V4 Pro, una carga de trabajo facturada por token de salida puede ser significativamente más barata en Inkling incluso con tarifas similares por token — y además termina más rápido.
Licencias y despliegue
Licencias. Inkling es Apache 2.0; DeepSeek V4 Pro es MIT. Ambas son permisivas, amigables para uso comercial y no imponen regalías por autoalojamiento. Apache 2.0 añade una concesión explícita de patentes; MIT es más corta y simple. Para la mayoría de las empresas, cualquiera de ellas es completamente utilizable en producción — esta es una comparación rara donde la licencia no es un diferenciador.
Cómo ejecutar Inkling. Los pesos están en Hugging Face con un checkpoint BF16 y un NVFP4. Niveles de VRAM:
BF16: ~2TB (8×B300 o 16×H200).
NVFP4: ~600GB (4×B300 o 8×H200) — el nivel práctico de producción en Blackwell.
Configuraciones restringidas: existe un Unsloth GGUF de 1 bit para experimentación.
Los entornos de ejecución compatibles incluyen SGLang, vLLM, TokenSpeed, Unsloth y Hugging Face transformers, y los proveedores alojados incluyen Together AI, Fireworks, Modal, Databricks y Baseten. Un inicio rápido mínimo con vLLM:
vllm serve thinkingmachines/Inkling --tensor-parallel-size 8
DeepSeek V4 Pro también está disponible como pesos abiertos para autoalojamiento bajo MIT; consulte la propia tarjeta de modelo de DeepSeek para obtener sus formatos de checkpoint exactos y requisitos de VRAM, que no están capturados en nuestros datos de origen.
¿Cuál deberías elegir?
Elige DeepSeek V4 Pro siel rendimiento de codificación es tu métrica más importante, deseas la puntuación bruta más fuerte de SWE-bench Verified en este par, y no necesitas entrada multimodal ni un contexto de 1M tokens.
Elige Inkling si necesitas robustez contra prompts adversariales, bajas tasas de alucinación, eficiencia de tokens/costo, entrada de audio o imagen, una ventana de contexto enorme, o una ruta de ajuste fino de primera clase a través de Tinker.
Ejecute ambos si puede: dirija las tareas de agentes con mucho código a DeepSeek y el trabajo factual, multimodal o de contexto largo a Inkling. Debido a que ambos son pesos abiertos libres de regalías, un despliegue de dos modelos no conlleva penalización de licencia.
Para obtener una visión completa de la arquitectura de Inkling y sus puntuaciones independientes, consulte nuestra revisión del modelo de Inkling AI. También puede compararlo con otros rivales de peso abierto en nuestros enfrentamientos directos Inkling vs Kimi K2.6 e Inkling vs GLM 5.2, o comenzar con lo básico en qué es Inkling AI.
Preguntas frecuentes
¿Es Inkling mejor que DeepSeek V4 Pro? Depende de la tarea. DeepSeek V4 Pro lidera en codificación SWE-bench Verified (80.6% vs 77.6%) y HLE, mientras que Inkling lidera decisivamente en robustez (FORTRESS 78.0% vs 36.0%), veracidad, eficiencia de tokens y capacidad multimodal/de contexto largo.
¿Cuál es mejor para programar?DeepSeek V4 Pro, por poco, en los benchmarks SWE-bench Verified y HLE en nuestros datos de MarkTechPost. Inkling sigue siendo un fuerte codificador (77.6% SWE-bench Verified) y está cerca en Terminal Bench 2.1 (63.8 vs 64.0), por lo que la brecha es pequeña.
¿Cuál es más barato?Ambos son libres de regalías para autoalojar. El precio alojado de Inkling es de aproximadamente $1.87/$4.68 por 1M de tokens de entrada/salida, y su menor uso de tokens por tarea (~25K vs ~37K) puede hacerlo más barato en la práctica. No tenemos precios alojados auditados para DeepSeek V4 Pro.
¿Es DeepSeek V4 Pro de código abierto? Se publica bajo la permisiva licencia MIT con pesos abiertos, lo que permite uso comercial y autoalojamiento. Ten en cuenta que “pesos abiertos” no es idéntico a ser completamente de código abierto (los datos de entrenamiento y el pipeline completo típicamente no se publican), el mismo matiz que se aplica a Inkling.
¿Puedo autoalojar o ajustar cualquiera de los dos modelos? Sí. Ambos envían pesos abiertos para autoalojamiento libre de regalías. Inkling además ofrece una ruta de ajuste gestionado a través de la Tinker plataforma (contexto de 64K/256K, con un descuento por lanzamiento por tiempo limitado); los pesos de DeepSeek se pueden ajustar con herramientas abiertas estándar.
¿Cuál alucina menos? Inkling. Artificial Analysis reporta que Inkling es positivo neto en factualidad AA-Omniscience, mientras que DeepSeek V4 Pro/Flash muestran tasas de alucinación muy altas (alrededor del 94%/96%), lo que convierte a Inkling en la opción más segura para cargas de trabajo factuales y con mucha recuperación.
Conclusión
DeepSeek V4 Pro es el mejor codificador puro en este enfrentamiento y su licencia MIT facilita su distribución, pero sus puntuaciones de factualidad y robustez son desventajas reales. Inkling intercambia algunos puntos de codificación SWE-bench por grandes mejoras en fiabilidad, honestidad, eficiencia y alcance multimodal, además de un contexto de 1 millón de tokens. Para la mayoría de los equipos, Inkling es el modelo abierto de propósito general más seguro; para flotas de agentes centrados en codificación, DeepSeek V4 Pro se gana su lugar. Al ser ambos pesos abiertos libres de regalías, la respuesta más inteligente suele ser implementarlos lado a lado.
