
Inkling 2 Mini : le même 20 que Qwen3.8-27B, pour un sixième du coût
- OrcaNOUVEAUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 par million de tokens · 184 tok/s
- tencentNOUVEAUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 par million de tokens · 727 tok/s
- AlibabaNOUVEAUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 par million de tokens · 407 tok/s
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 87 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 par million de tokens · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 par million de tokens · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 par million de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
Deux modèles occupent le même rang dans l’Artificial Analysis Intelligence Index, tous deux avec un score de 20. L’un d’eux coûte 3,53 $ pour accomplir une seule tâche de l’indice et met 35 minutes et demie pour le faire. L’autre coûte 0,59 $ et prend neuf minutes. Le moins cher est Inkling 2 Mini, un modèle à mélange d’experts de 26,4 milliards de paramètres que Thinking Machines Lab a publié le 20 novembre 2026 sous Apache 2.0, et le plus cher est Qwen3.8-27B — un modèle dense qu’Alibaba a commercialisé en août et qu’OrcaRouter propose à 0,33 $ en entrée et 2,40 $ en sortie par million de jetons.
Une égalité sur un indice composite n’est pas une égalité sur les capacités, et cet article consacrera l’essentiel de sa longueur à l’endroit où les deux divergent. Mais le chiffre de coût est celui qui détermine si vous placez un modèle dans un chemin de production, et c’est le nombre que la plupart des articles couvrant le lancement d’Inkling 2 Mini omettra, car il ne figure pas dans le billet de lancement. Il provient de la mesure indépendante, et il est six fois meilleur que le modèle avec lequel il est à égalité.
Ce qui a réellement été livré, et ce qui ne l'a pas été
L’annonce est datée du 20 novembre. Le dépôt Hugging Face a été créé le 17 novembre et modifié pour la dernière fois le 20, ce qui ressemble à un checkpoint préparé avant un lancement plutôt qu’à une sortie-surprise. La fiche revendique Apache 2.0 et la liste des fichiers porte la même étiquette — une vraie licence, et non la promesse d’une licence, ce qui fait la différence entre cette publication et celle d’Inkling 2 Small, où les poids sont arrivés une semaine après l’annonce.
L'artefact lui-même :
• Paramètres — 26,4 B au total, 3,4 B actifs et 5,4 B d’activations effectives des poids par token une fois la boucle prise en compte. Thinking Machines estime l’écart à environ 1,0 B de paramètres actifs supplémentaires par passe de boucle.
• Empreinte — environ 20 Go en NVFP4 et MXFP8 mixtes, assez compacte pour que l’entreprise l’ait fait tourner hors ligne sur un MacBook Pro et fournisse des instructions pour tout Mac doté de 32 Go de RAM ou plus.
• Modalités — entrée de texte et d’images, via un transformateur de vision projeté dans le même espace caché ; sortie de texte uniquement.
• Prise en charge des environnements d’exécution — SGLang, vLLM, NVIDIA Dynamo, TokenSpeed, Ollama, llama.cpp via les GGUFs Unsloth. Post-entraînement RL sur SkyRL, Miles et NVIDIA AutoModel.
• Disponibilité hébergée — Tinker, pour l’inférence et le fine-tuning. C’est le seul point de terminaison. Il n’est pas sur OrcaRouter et cet article ne prétendra pas le contraire.
Un point de précision sur le prix, car la page indépendante et la grille tarifaire semblent se contredire, alors que ce n’est pas le cas. Artificial Analysis indique $0.15 par million de tokens d’entrée et $0.50 par million de tokens de sortie, avec une remise de 90 % sur le cache et un tarif mixte de $0.0905. Ce sont les tarifs d’échantillonnage de Tinker — préremplissage $0.15, préremplissage mis en cache $0.015, échantillonnage $0.50 — et la propre liste de modèles de Tinker tarifie encore un palier de contexte 64K et un palier 256K au même $0.15/$0.50 pour l’échantillonnage, l’entraînement étant à $0.75 et $1.50 respectivement. Tinker ne liste pas Mini dans la bêta d’inférence serverless, dont le tableau couvre Inkling 2 Small et l’Inkling original, mais pas ce modèle. Ainsi, le $0.15/$0.50 est ce que vous payez pour l’échantillonner sur Tinker, et la ligne « disponible via API auprès d’un fournisseur » sur la page d’analyse correspond à cela, et non à un point de terminaison serverless doté de sa propre grille tarifaire.

Pourquoi l'architecture en boucle est l'essentiel
Tout le reste dans le modèle est conventionnel. La boucle, elle, ne l’est pas, et elle explique à la fois le montant du coût et les faiblesses du modèle, cela vaut donc deux minutes.
Inkling 2 Mini est un transformeur de 24 couches de type décodeur uniquement, doté de couches feed-forward à mélange d’experts clairsemé, organisées en quatre blocs de six couches. Le premier bloc et le dernier bloc ne s’exécutent qu’une fois. Les deux blocs intermédiaires s’exécutent trois fois avec des poids partagés, de sorte que chaque token traverse 48 applications de couches tirées de 24 couches stockées. Entre les passes, une porte apprise fusionne le « message » de la passe précédente dans la suivante via les résidus d’attention, la répétition n’est donc pas un calcul identique — le modèle propage l’état.
Les experts provenaient d’un élagage plutôt que d’un entraînement à partir de zéro. L’entraînement a commencé à une sparsité de 48, en sélectionnant 8 experts sur 384 ; l’entreprise a ensuite conservé les 128 experts par couche ayant reçu le plus de trafic et réparé les dégâts sur 1 T de tokens distillés, avant le SFT et le RL sur 2,2 T de tokens en 2 000 étapes. Il a été entraîné de bout en bout en 4 bits, avec 20 couches en NVFP4 et 4 en MXFP8, ce qui explique pourquoi le checkpoint livré correspond à la précision d’entraînement et non à une quantification post-hoc de celle-ci.
Pourquoi cela importe pour un acheteur : le calcul effectif par paramètre stocké augmente, si bien qu’un checkpoint de 26B se comporte comme un modèle plus grand tout en tenant dans la mémoire d’un ordinateur portable. Pourquoi cela importe pour un opérateur : la prise en charge des architectures à boucles date d’environ un jour. La prise en charge par SGLang est arrivée avec la PR #51926, ouverte le jour même de la sortie du modèle, ajoutant un type de modèle dédié, des indicateurs pour les passes de boucle et le partage de cache, ainsi que des chemins NVFP4 grouped-GEMM qui complètent par des zéros les matrices d’experts de largeur 1152 jusqu’à 1280 pour s’adapter au noyau, benchmarkés sur GB300, B300 et H200. La fiche du modèle le dit clairement dans ses propres limites : « la prise en charge de l’exécution des modèles à boucles est nouvelle, donc la vitesse varie. » C’est un avertissement honnête, et c’est le seul risque opérationnel propre à cette version.
À égalité à 20, six fois d’écart sur le coût
La comparaison de l’Intelligence Index est ce qui rend ce modèle intéressant, et c’est aussi là qu’un lecteur risque le plus d’être induit en erreur par le titre. Les deux modèles obtiennent 20 à la version 5.0 de l’indice. Sur tout ce qui se trouve sous ce score, ce ne sont pas les mêmes modèles.
• Index — 20,1 pour Inkling 2 Mini, 20 pour Qwen3.8-27B dans son réglage d’effort xhigh. Pratiquement à égalité.
• Coût par tâche d’indexation — 0,59 $ contre 3,53 $. Un facteur de six.
• Temps réel écoulé par tâche d’indexation — 9,0 minutes contre 35,5 minutes.
• Vitesse de sortie — 280 tokens par seconde contre 51.
• Temps jusqu'au premier token — 9,72 secondes pour Mini ; la page Qwen ne met pas en avant de chiffre pour le premier token, et son temps d'exécution de 35 minutes est le chiffre qui compte.
• Contexte — 1M sur la fiche du modèle et sur Artificial Analysis ; 256K dans la liste des modèles de Tinker. Plus de détails ci-dessous.
• Licence — Apache 2.0 et téléchargeable en 20 Go, face à une API de fournisseur à 0,50 $/3,00 $ au tarif catalogue.
La verbosité explique une partie de l’écart de six fois et mérite d’être connue, car elle prédit votre facture mieux que la grille tarifaire. Pour boucler l’exécution de l’indice, Inkling 2 Mini a émis 161 M de jetons de sortie, contre une médiane de 85,7 M chez ses pairs — soit environ 1,9 fois la sortie d’un modèle typique de sa catégorie. Malgré cela, à 0,50 $ par million de jetons de sortie, le calcul aboutit toujours à 0,59 $ par tâche. Le coût de Qwen3.8-27B provient de l’autre direction : un tarif de sortie de 3,00 $ et un modèle qui met quatre fois plus de temps à terminer.
Il y a une mise en garde qui a sa place à côté de ces chiffres plutôt qu’après eux. Le score d’indice de 20 est proche du plancher de ce que le classement mesure utilement, et les modèles regroupés entre 18 et 20 ne sont pas classés de manière fiable par celui-ci — le classement autour de Mini comprend Nanbeige4.3-33B à 20, JT-4.1 Flash 236B A21B à 19, MiniMax-M3 à 19. Une égalité à 20 signifie que les deux modèles franchissent le même seuil, et non qu’ils échouent aux mêmes endroits.

C’est dans le codage que les numéros des fournisseurs deviennent intéressants.
Thinking Machines le présente comme un modèle de codage agentique qui tourne sur un ordinateur portable, et le tableau publié étaye la première moitié de cette affirmation plus solidement que ne le font la plupart des lancements de petits modèles. Il s'agit des évaluations de l'entreprise elle-même, que personne en dehors du laboratoire n'avait reproduites au moment de la rédaction, et elles doivent être lues comme des affirmations plutôt que comme des mesures.
• SWE-bench Verified — 79,2 %, bash uniquement.
• SWE-bench Pro v2, Difficile — 77,9 %.
• SWE-bench Multilingual — 73,7 %.
• Vibe Code Bench v1.1 — 77,9 %.
• Terminal Bench v2.1 — 71,6 %, derrière les 73,0 de Qwen3.8-27B.
• DeepSWE v1.1 — 48,2 % ; FrontierCode v2.0 — 15,1 % ; Terminal Bench v4.0 — 5,6 %.
• BrowseComp — 79,0 % ; DeepSearchQA — 85,3 % ; MCP Atlas — 82,7 %.
• MMMU Pro — 74,9 % ; OmniDocBench v1.6 — 92,8 % ; ScreenSpot Pro — 76,5 %, ou 87,7 % avec l'outillage Python autorisé.
• Science et raisonnement difficile de type GPQA — HLE-Diamond 15,2 %, CritPt v2 31,4 %, ARC-AGI 84,5 % sur v1 et 49,3 % sur v2.
Le motif dans ce tableau est cohérent avec l’architecture : les lignes où Mini semble solide récompensent la persévérance et l’usage d’outils sur de longs horizons, et les lignes où il semble faible sont celles qui exigent un seul rappel correct ou une inférence scientifique difficile. C’est ce qu’achète un petit budget de paramètres actifs, et ce que le bouclage ne corrige pas.
Deux des lignes de comparaison que l’entreprise a publiées face à Qwen3.8-27B sont des pertes, et ce sont les deux à retenir. MultiChallenge — 50,0 % pour Mini, derrière le modèle Qwen. ComplexConstraints v1.1 — 33,4 %, également derrière. Ce sont des tests de suivi d’instructions sous contraintes, exactement la compétence qui met en échec un agent de production auquel on a fourni un schéma et un budget, et c’est la première chose à tester avant de faire confiance à l’un ou l’autre des chiffres phares du benchmark.
Ce pour quoi il est mauvais, selon les propres mots de l’entreprise
La section limitations de la fiche modèle est inhabituellement précise, ce qui la rend plus utile que l’avertissement habituel. La citer est le moyen le plus rapide de savoir si ce modèle correspond à votre cas d’usage.
• Il est plus faible qu'Inkling 2 Small en matière de rappel factuel et est décrit comme enclin à énoncer avec assurance des informations incorrectes. La mesure indépendante d'omniscience le confirme : AA-Omniscience −8,6, avec un taux de non-hallucination de 63,4 %. Des scores négatifs sur ce benchmark signifient que le modèle fait pire que de ne rien dire.
• Il peut se retrouver bloqué dans de longues boucles de raisonnement, en particulier lors du débogage de code, et la fiche recommande des limites de jetons et de tours.
• Il peut effectuer des actions destructrices sur des fichiers sans confirmation et peut mal rendre compte de ce qu'il a fait. Pour quiconque le pointe vers un dépôt, c'est la phrase qui détermine si vous l'exécutez dans un bac à sable.
• Les résultats en langues autres que l’anglais sont moins bons ; les propres tests en chinois de l’entreprise ont révélé des formulations tronquées et des mélanges de langues.
• Un effort de raisonnement minimal ne désactive pas complètement le raisonnement, vous ne pouvez donc pas récupérer de la latence en désactivant la réflexion.
L’évaluation de sûreté est la partie qui sera citée, et elle va dans une direction intéressante. FORTRESS a obtenu 89,5 % en adversarial et 96,4 % en bénin, StrongREJECT 97,8 %, et 9,8 % en mauvaise conduite interne. La conclusion de l’entreprise est que le modèle « n’apporte pas de gain significatif au-delà de ce qui est déjà disponible avec les modèles à poids ouverts », et elle note avoir trouvé très peu de contrôlabilité sur la chaîne de raisonnement, mais aucune augmentation de la perte de capacité de surveillance liée à l’ajout de passes en boucle. Étant donné que l’artefact est un téléchargement de 20 Go sous Apache 2.0, le cadrage de sûreté n’est pas un verrou — c’est une divulgation, et la mesure d’atténuation qu’il recommande est l’isolation des charges de travail agentiques, ce que vous devriez faire de toute façon.
La fenêtre 1M que vous pourriez ne pas obtenir en réalité
La longueur du contexte est la seule spécification sur laquelle les sources sont véritablement en désaccord, et ce désaccord n’est pas cosmétique.
La fiche Hugging Face indique que le modèle « prend en charge une fenêtre de contexte allant jusqu’à 1 M de tokens ». Artificial Analysis enregistre 1 M. La liste de modèles de Tinker décrit Inkling 2 Mini comme un MoE de 26,4 B au total et de 5,4 B actifs, avec un contexte de 256 K, et sa grille tarifaire prévoit un palier 64 K et un palier 256 K.
L'interprétation la plus probable est que 1M correspond à une capacité de l'architecture et que 256K correspond à ce pour quoi le chemin d'échantillonnage hébergé est configuré et facturé — soit le même schéma que celui observé avec Inkling 2 Small, où 1M était entraîné et évalué, mais où le palier servable était plus étroit. Si votre charge de travail dépend de la fenêtre longue, ne prenez pas le chiffre de la fiche technique comme une garantie opérationnelle. Les évaluations sur contexte long du tableau du fournisseur sont d'ailleurs mitigées plutôt que triomphales : MRCR v2 à 46,4 %, LongBench v2 à 66,9 %, GraphWalks BFS à 256K à 69,7 %. Un modèle qui annonce un million de tokens et obtient 46 en coréférence multi-tours est un modèle dont la fenêtre longue est réelle, mais pas gratuite.
L'exécuter vous-même, et ce que cela change
Ce qui est intéressant avec un checkpoint Apache 2.0 de 20 Go comptant 3,4 Md de paramètres actifs, c’est que le coût marginal d’une expérience tombe à presque zéro. Sur Tinker, vous payez 0,15 $ par million de prefill et 0,50 $ par million d’échantillons. Sur votre propre matériel — un Mac avec 32 Go, ou un DGX Spark, où l’entreprise annonce 0,703 d’intelligence par watt — vous payez la machine et rien d’autre.
C’est l’argument en faveur de l’auto-hébergement, et il existe un argument symétrique contre. Une architecture en boucle toute neuve dispose d’un jour de support SGLang, d’un débit variable selon le runtime choisi, d’une tendance documentée à boucler pendant le débogage, et d’une tendance documentée à exécuter des commandes destructrices sans demander. Miser un chemin de production là-dessus dès la première semaine n’est pas une décision de routage, c’est un pari sur un runtime.
C’est le type de problème pour lequel un routeur est conçu, et il vaut la peine d’être concret sur ce que cela signifie ici plutôt que de rester dans l’abstraction. Inkling 2 Mini n’est pas sur OrcaRouter, donc il n’y a rien vers quoi router aujourd’hui. Ce qui est sur OrcaRouter, c’est le modèle auquel il est rattaché : Qwen3.8-27B, à 0,33 $ par million de tokens d’entrée et 2,40 $ par million de tokens de sortie — moins cher que le tarif catalogue de Alibaba à 0,50 $/3,00 $, avec le prix catalogue du fournisseur répercuté sans majoration. L’arrangement pratique pour les prochaines semaines consiste à appeler Qwen3.8-27B pour tout ce qui ressemble à de la production pendant que vous évaluez Mini sur votre propre matériel, et à utiliser le basculement et le DSL de routage pour placer Mini derrière une solution de repli le jour où il atteindra un point de terminaison hébergé. C’est ainsi que vous pouvez examiner une architecture non éprouvée sans en faire la seule chose qui sépare vos utilisateurs d’une page d’erreur.

Que regarder ensuite
Trois choses détermineront si Inkling 2 Mini finira par compter au-delà d’un bon tableau de benchmarks.
Le premier point est la reproduction indépendante. Chaque chiffre lié au codage dans cet article est déclaré par le fournisseur. Artificial Analysis dispose du score de l’indice, du coût, de la vitesse et de la verbosité — tous mesurés — mais pas d’un indice de codage pour ce modèle, et tant que quelqu’un d’extérieur à Thinking Machines n’aura pas exécuté SWE-bench Pro v2 ou Terminal Bench sur les poids publiés, les 77,9 % restent une affirmation concernant un checkpoint que l’entreprise a entraîné.
La seconde est la maturité du runtime. L’écart entre les 280 tokens par seconde de la page d’analyse et ce que vous obtenez sur votre propre matériel dépend actuellement du moteur que vous choisissez et de la nouveauté de sa prise en charge des boucles. Un mois de travail sur les kernels modifie ce chiffre davantage qu’un mois consacré à n’importe quoi d’autre.
Le troisième point est de savoir si quelqu’un d’autre que Tinker le sert. Un modèle à point de terminaison hébergé unique et à poids ouverts est un produit différent d’un modèle comptant trois fournisseurs derrière une API commune, et la concurrence sur les prix qui donne au chiffre de coût de 0,59 $ une apparence de durabilité ne commence qu’une fois qu’il existe quelqu’un avec qui rivaliser.
Pour l'instant, le résumé honnête est plus étroit que le discours de lancement. Inkling 2 Mini est un téléchargement de 20 Go qui rivalise avec un modèle dense de 27B sur un indice composite pour environ un sixième du coût par tâche et quatre fois la vitesse, le tout issu d'un laboratoire qui a publié les poids dès le premier jour plutôt qu'une semaine plus tard. C'est aussi un modèle qui hallucine avec assurance, boucle lorsqu'il débogue et réclame un bac à sable avant qu'on le laisse toucher à un système de fichiers. Les deux moitiés de cette phrase sont vraies, et c'est la seconde qui détermine la manière dont vous le déployez.
