Inkling vs GLM 5.2: ¿Cuál modelo de peso abierto gana en puntuación, y cuál gana en costo?
Inkling vs GLM 5.2{{1}}Inkling vs GLM 5.2{{/1}} es uno de los enfrentamientos más reveladores en la actual ola de lanzamientos de pesos abiertos, porque los dos modelos optimizan para diferentes aspectos. GLM 5.2, de Zhipu AI, es el líder en terminales agentivos y razonamiento en este conjunto de comparación: obtiene las puntuaciones más altas en las tareas de razonamiento más difíciles y de codificación a largo plazo. Inkling, el primer modelo de Thinking Machines Lab de Mira Murati, responde con una eficiencia de tokens dramáticamente mejor, robustez adversarial, entrada nativa de audio y multimodal, una ventana de contexto de 1 millón de tokens y una licencia Apache 2.0. Este artículo compara ambos modelos honestamente y argumenta que las brechas brutas en los benchmarks no siempre se traducen en un mayor costo en el mundo real.
Fecha: 2026-07-16, un día después del lanzamiento de Inkling. Todas las cifras tienen fuente y atribución a continuación; ninguna ha sido auditada de forma independiente.
Una nota para los desarrolladores: aquí no hay evaluaciones comparativas directas auditadas, por lo que esto compara modelos y acceso, no puntuaciones. OrcaRouter enruta modelos disponibles a través de API detrás de un único punto final compatible con OpenAI, para que puedas probar y comparar Inkling y GLM 5.2 sin tener que conectar múltiples SDK.
TL;DR verdict: Pick GLM 5.2 if you want the highest raw scores on reasoning, math, and agentic terminal work, and your budget can absorb its higher token consumption. Pick Inkling if cost per completed task, adversarial safety, audio/multimodal input, or a 1M-token context matter more than topping the leaderboard.
La frase resumida: GLM 5.2 gana la mayoría de las filas de referencia; Inkling aún puede ganar la factura, porque completa tareas en aproximadamente 25K tokens de salida frente a los ~43K de GLM.
Conclusiones clave
GLM 5.2 lidera las filas de razonamiento/agentes: HLE, AIME 2026, SWE-bench Verified, y — por un amplio margen — Terminal Bench 2.1.
Inkling lidera en seguridad adversarial: FORTRESS 78.0% vs 71.3%.
El contador principal de Inkling es la eficiencia: ~25K tokens de salida por tarea frente a ~43K de GLM — aproximadamente una diferencia de 1.7x que se traduce directamente en costo.
Ambos son de peso abierto: Inkling es Apache 2.0; GLM 5.2 es MIT. Ambos permiten uso comercial y autoalojamiento.
Inkling añade modalidad y contexto: entrada nativa de texto + imagen + audio y una ventana de contexto de hasta 1M-token.
Advertencia: las cifras de los competidores aquí son presentadas por terceros/proveedores y no han sido auditadas de forma independiente.
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
Licencia. Inkling: Apache 2.0; GLM 5.2 (Zhipu AI): MIT
Parámetros (total / activos). Inkling: 975B / 41B (MoE); GLM 5.2 (Zhipu AI): — (no en nuestros datos)
Ventana de contexto. Inkling: 1M tokens (256K en APIs alojadas); GLM 5.2 (Zhipu AI): — (no en nuestros datos)
Modalidades (en). Inkling: Texto + imagen + audio; GLM 5.2 (Zhipu AI): — (no en nuestros datos)
Salida. Inkling: Solo texto; GLM 5.2 (Zhipu AI): Texto
Autoalojar / ajustar. Inkling: Sí / sí (Tinker); GLM 5.2 (Zhipu AI): Sí (pesos disponibles) / sí
Precio alojado. Inkling: ~$1.87 de entrada / ~$4.68 de salida por 1M; GLM 5.2 (Zhipu AI): — (no en nuestros datos)
No tenemos cifras auditadas de parámetros, contexto o precios para GLM 5.2 en nuestro conjunto de fuentes, por lo que esas celdas están marcadas como "—" en lugar de estimadas.
Ganador por categoría
Razonamiento / conocimiento (HLE). Ganador: GLM 5.2; Notas: 40.1% vs 29.7% (sin herramientas)
Matemáticas (AIME 2026). Ganador: GLM 5.2; Notas: 99.2% vs 97.1% — ambos cerca del techo
Codificación (SWE-bench Verified). Ganador: GLM 5.2; Notas: 80.0% vs 77.6%
Terminal agente (Terminal Bench 2.1). Ganador: GLM 5.2; Notas: 82.7 vs 63.8 — la brecha principal
Seguridad (FORTRESS adversarial). Ganador: Inkling; Notas: 78.0% vs 71.3%
Multimodal / audio. Ganador: Inkling; Notas: Entrada nativa de audio e imagen
Eficiencia (tokens/tarea). Ganador: Inkling; Notas: ~25K vs ~43K
Costo por tarea completada. Ganador: Inkling; Notas: El menor uso de tokens compensa el precio por token
Comparativas directas
La siguiente tabla utiliza un único conjunto de fuentes consistente (MarkTechPost), por lo que las filas son comparables. La negrita marca al líder.
HLE (sin herramientas). Inkling: 29.7%; GLM 5.2: 40.1%; Fuente: MarkTechPost
AIME 2026. Inkling: 97.1%; GLM 5.2: 99.2%; Fuente: MarkTechPost
SWE-bench Verified. Inkling: 77.6%; GLM 5.2: 80.0%; Fuente: MarkTechPost
Terminal Bench 2.1. Inkling: 63.8%; GLM 5.2: 82.7%; Fuente: MarkTechPost
FORTRESS (adversarial). Inkling: 78.0%; GLM 5.2: 71.3%; Fuente: MarkTechPost
Dos filas adicionales de "victoria silenciosa" provienen de otras fuentes y no deben combinarse con el conjunto de MarkTechPost anterior:
Eficiencia de tokens (tokens de salida/tarea, cuanto menor, mejor). Inkling: ~25K; GLM 5.2: ~43K; Fuente: Artificial Analysis / BenchLM
SWE-bench Pro (Public). Inkling: 54.3%; GLM 5.2: 62.1%; Fuente: Artificial Analysis / BenchLM
HLE con herramientas (mantenido separado de la fila sin herramientas). Inkling: 46.0; GLM 5.2: 54.7; Fuente: Vellum
Nota: los datos de «HLE con herramientas» provienen de Vellum y utilizan un arnés diferente al de la fila HLE sin herramientas de MarkTechPost; no los interprete como la misma prueba. No tenemos una puntuación del Índice de Inteligencia de Análisis Artificial para GLM 5.2 en nuestros datos, por lo que no informamos de ninguna.
Donde GLM 5.2 gana
GLM 5.2 es, según los números que tenemos, el modelo más fuerte en razonamiento puro y capacidad agente. Lidera sobre Inkling en HLE (40.1% vs 29.7%), AIME 2026 (99.2% vs 97.1%) y SWE-bench Verified (80.0% vs 77.6%). La brecha más notable es Terminal Bench 2.1, donde GLM 5.2 obtiene 82.7 frente a los 63.8 de Inkling — una ventaja grande y real en tareas terminales agénticas de largo horizonte donde un modelo debe planificar, ejecutar comandos y recuperarse de errores a lo largo de muchos pasos. En SWE-bench Pro, GLM 5.2 (62.1%) nuevamente se adelanta a Inkling (54.3%), y también lidera la versión aumentada con herramientas HLE with tools ejecución (54.7 vs 46.0).
Si tu carga de trabajo está dominada por razonamiento complejo, matemáticas de competencia o agentes que operan en un shell o IDE durante sesiones largas, GLM 5.2 es la opción de mayor techo, y la brecha es lo suficientemente amplia en las filas de agentes como para importar en producción.
Donde gana Inkling
El contra de Inkling no es un solo punto de referencia — es la economía y el área superficial.
Eficiencia de tokens. Inkling completa tareas en aproximadamente 25K tokens de salida frente a los ~43K de GLM. Debido a que pagas por token de salida, esa diferencia de ~1.7x es una palanca directa de costos. Un modelo que obtiene una puntuación ligeramente inferior pero usa muchos menos tokens puede ser más barato por tarea completada incluso al mismo precio por token — y a menudo termina más rápido también.
Robustez adversarial. En FORTRESS, Inkling lidera 78.0% a 71.3%. Para implementaciones adversarias o sensibles a la seguridad, esa es la fila que más importa.
Multimodalidad. Inkling acepta entrada de texto, imagen y audio de forma nativa (VoiceBench 91.4%, MMAU 77.2% en su propia tarjeta). GLM 5.2 en nuestros datos es un modelo orientado al texto.
Ventana de contexto. Los pesos de Inkling admiten hasta 1M tokens (256K en APIs alojadas) — útil para trabajos de repositorio completo, documentos largos o transcripciones largas.
Licencias. Ambas son permisivas, pero Apache 2.0 de Inkling es una opción familiar e inclusiva de cláusulas de patentes para empresas; GLM 5.2 usa MIT. Cualquiera es adecuada para autoalojamiento comercial.
Precios y costos (TCO)
La idea central de la comparación entre Inkling y GLM 5.2 es que el liderazgo en benchmarks y el liderazgo en costos no son lo mismo.
Los pesos de Inkling son libres de regalías para autoalojar bajo Apache 2.0. El acceso alojado por terceros (según los precios de referencia de Artificial Analysis) cuesta aproximadamente $1.87 por cada 1M tokens de entrada y $4.68 por cada 1M tokens de salida en contexto de 64K (aproximadamente $3.74 / $9.36 en 256K), con entrada en caché cerca de $0.374 por cada 1M. No tenemos precios alojados publicados para GLM 5.2 en nuestro conjunto de fuentes, por lo que comparamos en función de la estructura en lugar de un número inventado.
He aquí por qué la perspectiva del costo por tarea es importante. Supongamos que una tarea requiere la misma tarifa por token en ambos modelos. Inkling consume ~25K tokens de salida; GLM 5.2 consume ~43K. Eso significa que GLM 5.2 cuesta aproximadamente 72% más en tokens de salida para el mismo trabajo, antes siquiera de considerar la latencia. Así que aunque GLM 5.2 gana la mayoría de las filas de referencia, una organización que ejecuta altos volúmenes de tareas rutinarias puede encontrar que Inkling ofrece un costo total de propiedad más bajo — la ventaja de eficiencia puede compensar una modesta brecha de puntuación bruta. La regla honesta: use GLM 5.2 donde el margen adicional de razonamiento vale los tokens extra; use Inkling donde el volumen y el costo dominan.
Licencias y despliegue
Ambos modelos son genuinamente de peso abierto y auto-alojables:
Inkling — Apache 2.0. Checkpoints completos BF16 y NVFP4 en Hugging Face. Niveles de VRAM: BF16 ~2TB (8×B300 / 16×H200); NVFP4 ~600GB (4×B300 / 8×H200); existe un GGUF de 1 bit de Unsloth para configuraciones limitadas. Alojado en Together AI, Fireworks, Modal, Databricks y Baseten; se ejecuta en SGLang, vLLM, TokenSpeed, Unsloth y Hugging Face transformers. Ajuste fino mediante Tinker (contexto de 64K/256K, descuento de lanzamiento del 50%).
GLM 5.2 — MIT. Los pesos abiertos están disponibles para uso comercial y autoalojamiento bajo la licencia permisiva MIT. Los detalles específicos de VRAM y proveedor no están en nuestro conjunto de fuentes, así que consulta el lanzamiento de Zhipu AI para conocer los requisitos exactos.
Inicio rápido para Inkling con vLLM:
vllm serve thinkingmachines/Inkling --tensor-parallel-size 8
¿Cuál deberías elegir?
Elige GLM 5.2 si: quieres el razonamiento y las matemáticas más fuertes, o construyes flujos de trabajo terminal/agentes de largo horizonte donde sus ventajas en Terminal Bench 2.1 y SWE-bench Pro dan frutos. Es el modelo de mayor techo en este par.
Elija Inkling si: usted maneja altos volúmenes y se preocupa por el costo por tarea completada, necesita robustez adversarial (FORTRESS), requiere entrada de audio o imagen, o necesita un contexto de 1M tokens. Su ventaja de eficiencia es la razón para pasar por alto algunos puntos de referencia.
Considera ejecutar ambos: enrutar el razonamiento difícil y las ejecuciones complejas de agentes a GLM 5.2, y enviar tráfico de alto volumen, sensible al costo o multimodal a Inkling. Un enrutador de dos modelos captura el techo de GLM y la eficiencia de Inkling al mismo tiempo.
Para una mirada más profunda a Inkling en sí, consulta nuestra revisión del modelo Inkling AI y el explicador ¿Qué es Inkling AI? Para otros enfrentamientos cara a cara, consulta Inkling vs Kimi K2.6 e Inkling vs DeepSeek V4 Pro.
Preguntas frecuentes
¿Es Inkling mejor que GLM 5.2? Depende de la métrica. GLM 5.2 gana la mayoría de las filas de benchmark sin procesar en este conjunto: HLE, AIME 2026, SWE-bench Verified, y especialmente Terminal Bench 2.1. Inkling gana en seguridad adversarial (FORTRESS), eficiencia de tokens, multimodalidad y longitud de contexto. Inkling puede ser “mejor” en costo por tarea completada incluso donde puntúa más bajo.
¿Cuál es mejor para programar? GLM 5.2 lidera tanto en SWE-bench Verified (80.0% vs 77.6%) como en SWE-bench Pro (62.1% vs 54.3%), y su ventaja en Terminal Bench 2.1 (82.7 vs 63.8) es significativa para la codificación agéntica y de múltiples pasos. En cuanto a la capacidad de codificación bruta, GLM 5.2 está adelante; para la codificación rentable en volumen, la eficiencia de tokens de Inkling reduce la brecha.
¿Cuál es más barato?Inkling probablemente sea más barato por tarea completada. Utiliza aproximadamente 25K tokens de salida por tarea frente a los ~43K de GLM, por lo que incluso con tarifas similares por token, consume muchos menos tokens facturables. Ambos son libres de regalías para autoalojamiento (Apache 2.0 para Inkling, MIT para GLM 5.2).
¿Es GLM 5.2 de código abierto? GLM 5.2 es open-weight bajo la licencia MIT, lo que permite uso comercial y autoalojamiento. Como con todos los modelos “open-weight”, se publican los pesos y la licencia, pero eso no es idéntico al código abierto completo (los datos de entrenamiento y el pipeline no se publican necesariamente).
¿Puedo autoalojar o ajustar GLM 5.2? Sí. Los pesos de GLM 5.2 con licencia MIT se pueden autoalojar y ajustar. Inkling también se puede autoalojar (Apache 2.0) y ajustar a través de la plataforma Tinker de Thinking Machines. Los requisitos específicos de hardware para GLM 5.2 no están en nuestro conjunto de fuentes; consulte la publicación de Zhipu AI.
¿GLM 5.2 soporta audio o imágenes?Nuestro conjunto de fuentes no enumera soporte de entrada de audio o imagen para GLM 5.2, por lo que aquí lo tratamos como orientado a texto. Inkling acepta de forma nativa entrada de texto, imagen y audio, lo cual es una de sus ventajas más claras en esta comparación.
Conclusión
GLM 5.2 es el líder en capacidad bruta en este enfrentamiento, superando a Inkling en razonamiento, matemáticas y, de manera más decisiva, en trabajo terminal agente. Pero Inkling responde con aproximadamente 1.7 veces mejor eficiencia de tokens, una seguridad adversarial más fuerte, multimodalidad nativa, un contexto de 1 millón de tokens y una licencia Apache 2.0. La conclusión práctica: elige GLM 5.2 cuando el techo de razonamiento justifique los tokens extra, elige Inkling cuando el costo por tarea completada y la multimodalidad importen, y considera enrutar entre ellos para obtener lo mejor de ambos.
