Inkling vs GLM 5.2 : Quel modèle à poids ouverts gagne en score, et lequel gagne en coût ?
Inkling vs GLM 5.2est l'un des affrontements les plus révélateurs dans la vague actuelle de versions open-weight, car les deux modèles sont optimisés pour des objectifs différents. GLM 5.2, de Zhipu AI, est le leader en matière de terminal agentique et de raisonnement dans cet ensemble de comparaison — il obtient les meilleurs scores sur les tâches de raisonnement les plus difficiles et de codage à long terme. Inkling, le premier modèle du Thinking Machines Lab de Mira Murati, riposte avec une efficacité de token nettement meilleure, une robustesse aux attaques adversariales, une entrée audio et multimodale native, une fenêtre de contexte d'un million de tokens, et une licence Apache 2.0. Cet article compare les deux modèles honnêtement, et il soutient que les écarts bruts dans les benchmarks ne se traduisent pas toujours par un coût réel plus élevé.
En date du: 2026-07-16, un jour après le lancement d'Inkling. Tous les chiffres sont sourcés et attribués ci-dessous ; aucun n'a été audité de manière indépendante.
Avis aux constructeurs : aucun benchmark audité en tête-à-tête n'est disponible ici, donc cette comparaison porte sur les modèles et l'accès, pas sur les scores.OrcaRouter achemine les modèles disponibles via API derrière un point de terminaison unique compatible OpenAI, afin que vous puissiez tester et comparer Inkling et GLM 5.2 sans avoir à connecter plusieurs SDK.
TL;DR verdict : Choisissez GLM 5.2 si vous voulez les meilleurs scores bruts en raisonnement, mathématiques et travail en terminal agentique, et que votre budget peut supporter sa consommation de tokens plus élevée. Choisissez Inkling si le coût par tâche terminée, la sécurité adversariale, l’entrée audio/multimodale ou un contexte de 1 million de tokens importent plus que d’être en tête du classement.
La phrase en une ligne : GLM 5.2 remporte la plupart des lignes de référence ; Inkling peut encore gagner la facture, car il termine les tâches en environ 25 000 jetons de sortie contre ~43K de GLM.
Points clés
GLM 5.2 mène dans les lignes raisonnement/agentique : HLE, AIME 2026, SWE-bench Verified, et — avec une large marge — Terminal Bench 2.1.
Inkling est en tête en matière de sécurité adverse: FORTRESS 78.0% contre 71.3%.
L’argument principal d’Inkling est l’efficacité : ~25K tokens de sortie par tâche contre ~43K pour GLM — soit une différence d’environ 1,7x qui se répercute directement sur le coût.
Les deux sont en poids ouvert : Inkling est sous licence Apache 2.0 ; GLM 5.2 est sous MIT. Les deux permettent une utilisation commerciale et l'auto-hébergement.
Inkling ajoute modalité et contexte : entrée native texte + image + audio et une fenêtre de contexte allant jusqu'à 1M de tokens.
Avertissement : les chiffres des concurrents ici sont présentés par des tiers/fournisseurs et ne sont pas audités de manière indépendante.
Divulgation: Les benchmarks sont autodéclarés par les fournisseurs lors du lancement (Effort 0.99) et les chiffres de tiers proviennent d'Artificial Analysis / MarkTechPost / Vellum / BenchLM ; aucun n'est audité indépendamment, et les chiffres des concurrents peuvent différer de ceux déclarés par ces fournisseurs. Les spécifications d'Inkling proviennent de la fiche technique de Thinking Machines.
Comparaison en un coup d'œil
Licence. Inkling: Apache 2.0; GLM 5.2 (Zhipu AI): MIT
Paramètres (total / actif). Inkling: 975B / 41B (MoE); GLM 5.2 (Zhipu AI): — (pas dans nos données)
Fenêtre de contexte. Inkling: 1M tokens (256K sur les API hébergées); GLM 5.2 (Zhipu AI): — (pas dans nos données)
Modalités (in). Inkling : Texte + image + audio ; GLM 5.2 (Zhipu AI) : — (pas dans nos données)
Sortie. Inkling: Texte seulement; GLM 5.2 (Zhipu AI): Texte
Auto-hébergement / réglage fin. Inkling : Oui / oui (Tinker) ; GLM 5.2 (Zhipu AI) : Oui (poids disponibles) / oui
Prix hébergé. Inkling : ~$1.87 entrée / ~$4.68 sortie par 1M; GLM 5.2 (Zhipu AI): — (pas dans nos données)
Nous ne disposons pas de paramètre audité, de contexte audité ou de chiffres de tarification audités pour GLM 5.2 dans notre ensemble de sources, donc ces cellules sont marquées « — » plutôt que devinées.
Gagnant par catégorie
Raisonnement / connaissances (HLE). Gagnant : GLM 5.2 ; Notes : 40,1 % contre 29,7 % (sans outils)
Mathématiques (AIME 2026). Gagnant : GLM 5.2 ; Notes : 99.2% vs 97.1% — tous deux proches du plafond
Codage (SWE-bench Verified). Gagnant : GLM 5.2 ; Notes : 80,0% contre 77,6%
Terminal agentique (Terminal Bench 2.1). Gagnant : GLM 5.2 ; Notes : 82,7 contre 63,8 — l'écart marquant
Sécurité (FORTRESS adversarial). Gagnant : Inkling; Notes : 78,0 % contre 71,3 %
Multimodal / audio. Gagnant : Inkling ; Notes : Entrée audio + image native
Efficacité (tokens/tâche). Gagnant : Inkling; Notes : ~25K contre ~43K
Coût par tâche terminée. Gagnant : Inkling ; Notes : Une utilisation moindre de tokens compense le prix par jeton
Comparaisons directes
Le tableau ci-dessous utilise un ensemble de sources cohérent (MarkTechPost) afin que les lignes soient comparables. Le gras indique le leader.
HLE (sans outils). Inkling : 29,7 % ; GLM 5.2 : 40,1 % ; Source : MarkTechPost
AIME 2026. Inkling: 97.1%; GLM 5.2: 99.2%; Source: MarkTechPost
SWE-bench Verified. Inkling: 77.6%; GLM 5.2: 80.0%; Source : MarkTechPost
Terminal Bench 2.1. Inkling: 63.8%; GLM 5.2: 82.7%; Source: MarkTechPost
FORTRESS (adversarial). Inkling : 78,0 %; GLM 5.2 : 71,3 %; Source : MarkTechPost
Deux lignes supplémentaires de “victoire silencieuse” proviennent d'autres sources et ne doivent pas être mélangées avec l'ensemble MarkTechPost ci-dessus :
Efficacité des tokens (tokens de sortie/tâche, plus bas est mieux). Inkling : ~25K ; GLM 5.2 : ~43K ; Source : Artificial Analysis / BenchLM
SWE-bench Pro (Public). Inkling : 54.3 % ; GLM 5.2 : 62.1 % ; Source : Artificial Analysis / BenchLM
HLE avec outils (tenu séparé de la ligne sans outils). Inkling : 46.0; GLM 5.2 : 54.7 ; Source : Vellum
Remarque : les chiffres « HLE avec outils » proviennent de Vellum et utilisent un harnais différent de la ligne HLE sans outils de MarkTechPost — ne les interprétez pas comme le même test. Nous ne disposons pas d'un score de l'Indice d'Intelligence d'Artificial Analysis pour GLM 5.2 dans nos données, nous n'en rapportons donc pas.
Là où GLM 5.2 excelle
GLM 5.2 est, d'après les chiffres dont nous disposons, le modèle le plus fort en raisonnement brut et en capacités agentiques. Il devance Inkling sur HLE (40.1% vs 29.7%), AIME 2026 (99.2% vs 97.1%), et SWE-bench Verified (80.0% vs 77.6%). L'écart le plus frappant est Terminal Bench 2.1, où GLM 5.2 obtient 82.7 contre 63.8 d'Inkling — un avantage important et réel dans les tâches terminales agentiques à long horizon où un modèle doit planifier, exécuter des commandes et se remettre des erreurs sur de nombreuses étapes. Sur SWE-bench Pro, GLM 5.2 (62.1%) prend de nouveau l'avance sur Inkling (54.3%) et il mène également l'exécution HLE with tools augmentée d'outils (54.7 vs 46.0).
Si votre charge de travail est dominée par le raisonnement difficile, les mathématiques de compétition ou les agents qui opèrent un shell ou un IDE sur de longues sessions, GLM 5.2 est le choix au plafond plus élevé, et l'écart est suffisamment large sur les lignes agentiques pour avoir de l'importance en production.
Où Inkling gagne
Le contre d'Inkling n'est pas un seul benchmark — ce sont l'économie et la surface.
Efficacité des tokens. Inkling termine les tâches en environ 25K tokens de sortie contre ~43K pour GLM. Parce que vous payez par token de sortie, cette différence d’environ 1,7x est un levier de coût direct. Un modèle qui obtient quelques points de moins mais utilise beaucoup moins de tokens peut être moins cher par tâche accomplie, même au même prix par token — et termine souvent aussi plus rapidement.
Robustesse adversariale. Sur FORTRESS, Inkling mène 78,0% à 71,3%. Pour les déploiements adversariaux ou sensibles à la sécurité, c'est la ligne qui importe le plus.
Multimodalité. Inkling accepte nativement les entrées textuelles, visuelles et audio (VoiceBench 91,4%, MMAU 77,2% sur sa propre carte). GLM 5.2 dans nos données est un modèle orienté texte.
Fenêtre de contexte. Les poids d’Inkling prennent en charge jusqu’à 1M tokens (256K sur les API hébergées) — utile pour le travail sur l’ensemble du dépôt, les documents longs ou les transcriptions longues.
Licence. Les deux sont permissives, mais l’Apache 2.0 d’Inkling est un choix familier, incluant une clause de brevet, pour les entreprises ; GLM 5.2 utilise MIT. L’un ou l’autre convient pour l’auto-hébergement commercial.
Tarification et coût (TCO)
L'idée centrale de la comparaison entre Inkling et GLM 5.2 est que le leadership de référence et le leadership en matière de coûts ne sont pas la même chose.
Les poids d'Inkling sont libres de droits pour auto-hébergement sous Apache 2.0. L'accès hébergé par un tiers (via le prix de référence d'Artificial Analysis) coûte environ $1.87 par million de tokens d'entrée et $4.68 par million de tokens de sortie avec un contexte de 64K (environ 3,74 $ / 9,36 $ à 256K), l'entrée mise en cache coûtant près de $0.374 par million. Nous n'avons pas de prix d'hébergement publié pour GLM 5.2 dans notre ensemble de sources, nous comparons donc sur la structure plutôt que sur un nombre fabriqué.
Voici pourquoi l'angle du coût par tâche est important. Supposons qu'une tâche nécessite le même taux par token sur les deux modèles. Inkling consomme environ 25 000 tokens de sortie ; GLM 5.2 consomme environ 43 000. Cela signifie que GLM 5.2 coûte environ 72 % de tokens de sortie en plus pour le même travail, avant même de prendre en compte la latence. Ainsi, même si GLM 5.2 remporte la plupart des lignes de référence, une organisation effectuant beaucoup de tâches routinières peut trouver qu'Inkling offre un coût total de possession inférieur — l'avantage en efficacité peut compenser un écart modeste de score brut. La règle honnête : utilisez GLM 5.2 là où la marge de raisonnement supplémentaire vaut les tokens supplémentaires ; utilisez Inkling là où le volume et le coût dominent.
Licences et déploiement
Les deux modèles sont véritablement open-weight et auto-hébergeables :
Inkling — Apache 2.0. Checkpoints complets BF16 et NVFP4 sur Hugging Face. Niveaux de VRAM : BF16 ~2 To (8×B300 / 16×H200) ; NVFP4 ~600 Go (4×B300 / 8×H200) ; un GGUF 1-bit d'Unsloth existe pour les configurations contraintes. Hébergé sur Together AI, Fireworks, Modal, Databricks et Baseten ; fonctionne avec SGLang, vLLM, TokenSpeed, Unsloth et les transformers Hugging Face. Fine-tuning via Tinker (contexte 64K/256K, remise de lancement de 50%).
GLM 5.2 — MIT.Les poids ouverts sont disponibles pour un usage commercial et un auto-hébergement sous la licence MIT permissive. Les détails spécifiques de VRAM et de fournisseur ne font pas partie de notre ensemble source, alors consultez la publication de Zhipu AI pour les exigences exactes.
Démarrage rapide pour Inkling avec vLLM :
vllm serve thinkingmachines/Inkling --tensor-parallel-size 8
Lequel devriez-vous choisir ?
Choisissez GLM 5.2 si : vous voulez le raisonnement brut et les mathématiques les plus forts, ou vous construisez des workflows terminaux/agentiques à long horizon où ses premières places sur Terminal Bench 2.1 et SWE-bench Pro portent leurs fruits. C'est le modèle au plafond le plus élevé de cette paire.
Choisissez Inkling si : vous traitez de gros volumes et vous souciez du coût par tâche accomplie, avez besoin de robustesse adversarial (FORTRESS), nécessitez une entrée audio ou image, ou avez besoin d'un contexte de 1M tokens. Son avantage en efficacité est la raison pour passer outre quelques points de référence.
Considérez l’exécution des deux : acheminez le raisonnement difficile et les exécutions d’agents complexes vers GLM 5.2, et envoyez le trafic à volume élevé, sensible aux coûts ou multimodal vers Inkling. Un routeur à deux modèles capture le plafond de GLM et l’efficacité d’Inkling en même temps.
Pour un examen plus approfondi d'Inkling lui-même, consultez notre revue du modèle Inkling AI et l'explicateur What is Inkling AI ? Pour d'autres confrontations en tête-à-tête, voir Inkling vs Kimi K2.6 et Inkling vs DeepSeek V4 Pro.
FAQ
Inkling est-il meilleur que GLM 5.2 ? Cela dépend de la métrique. GLM 5.2 remporte la plupart des benchmarks bruts dans cet ensemble — HLE, AIME 2026, SWE-bench Verified, et surtout Terminal Bench 2.1. Inkling l'emporte en matière de sécurité adversarial (FORTRESS), d'efficacité des tokens, de multimodalité et de longueur de contexte. Inkling peut être « meilleur » en termes de coût par tâche accomplie, même là où il obtient des scores plus bas.
Lequel est le meilleur pour coder ? GLM 5.2 est en tête à la fois sur SWE-bench Verified (80.0% contre 77.6%) et SWE-bench Pro (62.1% contre 54.3%), et son avance sur Terminal Bench 2.1 (82.7 contre 63.8) est significative pour le codage agentique et multi‑étapes. Pour la capacité de codage brute, GLM 5.2 est en avance ; pour un codage rentable à grande échelle, l’efficacité des tokens d’Inkling réduit l’écart.
Lequel est le moins cher ? Inkling est probablement moins cher par tâche accomplie. Il utilise environ 25K tokens de sortie par tâche contre environ 43K pour GLM, donc même à des tarifs par token similaires, il consomme beaucoup moins de tokens facturables. Les deux sont libres de droits pour un auto-hébergement (Apache 2.0 pour Inkling, MIT pour GLM 5.2).
GLM 5.2 est-il open source ?GLM 5.2 est un modèle à poids ouverts sous licence MIT, ce qui permet une utilisation commerciale et l'auto-hébergement. Comme pour tous les modèles « open-weight », les poids et la licence sont libérés, mais cela n'est pas identique à un open-source complet (les données d'entraînement et le pipeline ne sont pas nécessairement publiés).
Puis-je auto-héberger ou affiner GLM 5.2 ?Oui. Les poids sous licence MIT de GLM 5.2 peuvent être auto-hébergés et affinés. Inkling peut de même être auto-hébergé (Apache 2.0) et affiné via la plateforme Tinker de Thinking Machines. Les exigences matérielles spécifiques de GLM 5.2 ne sont pas dans notre ensemble de sources — consultez la publication de Zhipu AI.
Est-ce que GLM 5.2 prend en charge l'audio ou les images ? Notre ensemble source ne répertorie pas la prise en charge des entrées audio ou image pour GLM 5.2, donc nous le traitons comme orienté texte ici. Inkling accepte nativement les entrées texte, image et audio, ce qui est l'un de ses avantages les plus évidents dans cette comparaison.
Conclusion
GLM 5.2 est le leader en capacités brutes dans ce duel, surpassant Inkling en raisonnement, en mathématiques et — de manière encore plus décisive — dans les tâches terminales agentiques. Mais Inkling répond avec une efficacité token environ 1,7 fois meilleure, une sécurité adversarial plus solide, une multimodalité native, un contexte de 1 million de tokens et une licence Apache 2.0. Le point pratique : choisissez GLM 5.2 lorsque le plafond de raisonnement justifie les tokens supplémentaires, choisissez Inkling lorsque le coût par tâche accomplie et la multimodalité comptent, et envisagez de les router entre eux pour obtenir le meilleur des deux mondes.
