Inkling vs Kimi K2.6 : deux poids lourds open-weight, face à face
Inkling vs Kimi est l'une des confrontations de modèles à poids ouverts les plus intéressantes de 2026, car les deux modèles tirent dans des directions différentes. Kimi K2.6, de Moonshot AI, est un modèle puissant axé sur le codage et les agents qui domine plusieurs benchmarks en tête-à-tête. Inkling, le premier modèle de Thinking Machines Lab (la startup dirigée par l'ancienne CTO d'OpenAI, Mira Murati), est un modèle polyvalent, efficace et multimodal conçu pour la personnalisation plutôt que pour dominer les classements. Les deux publient leurs poids ouvertement, donc la vraie question n'est pas « lequel est le plus intelligent sur le papier » mais « lequel correspond à votre charge de travail, votre budget et vos contraintes de déploiement ». Cette comparaison présente les chiffres honnêtement — y compris là où Kimi gagne clairement.
Une note pour les développeurs : il n'y a pas de benchmarks comparatifs audités ici, donc cela compare les modèles et l'accès, pas les scores. OrcaRouter achemine les modèles disponibles via API derrière un seul point de terminaison compatible OpenAI, vous permettant ainsi d'essayer et de comparer Inkling et Kimi K2.6 sans avoir à configurer plusieurs SDK.
Les benchmarks sont auto-déclarés par les fournisseurs lors du lancement (Effort 0.99) et les chiffres tiers proviennent d'Artificial Analysis, MarkTechPost, Vellum et BenchLM ; aucun n'est audité indépendamment, et les chiffres des concurrents peuvent différer de ceux déclarés par ces fournisseurs. Les spécifications propres d'Inkling proviennent de la fiche modèle de Thinking Machines.
Verdict en bref : Choisissez Kimi K2.6 si vous voulez le codeur brut le plus puissant et l'agent web, et vous vous souciez surtout de SWE-bench, des tâches terminal/agentiques, de la connaissance approfondie (GPQA), et de la navigation. Choisissez Inkling si vous voulez l'efficacité (moins de tokens par tâche), la robustesse face aux prompts adverses, un fort suivi des instructions, une entrée audio + image native, une fenêtre de contexte de 1M tokens, et la licence la plus propre possible (Apache 2.0).
Points clés
Les deux sont open-weight, mais les licences diffèrent : Inkling est sous Apache 2.0 ; Kimi K2.6 est distribué sous une licence modifiée de type MIT — lisez les conditions de Moonshot avant un déploiement commercial.
Kimi est en tête en matière de codage et de profondeur agentique : SWE-bench Verified (80.2 vs 77.6), Terminal Bench 2.1 (71.3 vs 63.8), SWE-bench Pro (58.6 vs 54.3), BrowseComp (83.2 vs 77.1), GPQA Diamond (91.1 vs 87.2), et HLE.
Inkling mène en matière de robustesse et d'efficacité :FORTRESS adversarial (78,0 contre 65,6), efficacité des tokens (~25K contre ~38K tokens de sortie/tâche), suivi d’instructions IFBench (79,8 contre 76,0), Elo GDPval (1238 contre 1190) et τ³-Banking (24 contre 21).
Inkling ajoute des modalités que Kimi n'a pas : entrée audio et image natives, plus une fenêtre de contexte de 1 million de tokens.
Une note amusante : Le fine-tuning supervisé précoce d’Inkling a été amorcé en partie sur des données synthétiques qui comprenaient des générations de Kimi K2.5 — donc ces deux modèles sont, d’une certaine manière, liés.
Comparaison en un coup d'œil
Maker. Inkling: Thinking Machines Lab; Kimi K2.6: Moonshot AI
Licence. Inkling : Apache 2.0; Kimi K2.6 : Modified-MIT (vérifier les conditions)
Poids. Inkling : Ouvert (Hugging Face) ; Kimi K2.6 : Ouvert
Paramètres (total / actifs). Inkling : 975B / 41B (MoE) ; Kimi K2.6 : Non divulgué dans nos données
Fenêtre de contexte. Inkling : Jusqu'à 1M tokens (256K sur les API hébergées) ; Kimi K2.6 : Pas dans nos données
Modalités (in). Inkling: Texte + image + audio; Kimi K2.6: Texte (selon nos données)
Sortie. Inkling: Texte; Kimi K2.6: Texte
Auto-hébergement / affinage. Inkling: Oui, libre de droits / Tinker; Kimi K2.6: Oui / selon Moonshot
Prix hébergé (Inkling, AA). Inkling : ~1,87 $ en entrée / ~4,68 $ en sortie par 1M ; Kimi K2.6 : Pas dans nos données
Gagnant par catégorie
Raisonnement / Connaissances. Gagnant: Kimi K2.6; Notes: Mène HLE (35.9 vs 29.7) et GPQA Diamond (91.1 vs 87.2)
Maths. Gagnant : Inkling (de justesse) ; Notes : AIME 2026 97.1 contre 96.4
Codage. Gagnant : Kimi K2.6; Notes : SWE-bench Verified 80.2 vs 77.6; SWE-bench Pro 58.6 vs 54.3
Agentic (terminal/web). Gagnant : Kimi K2.6; Notes : Terminal Bench 2.1 71.3 contre 63.8 ; BrowseComp 83.2 contre 77.1
Agentic (GDPval / banque). Gagnant : Inkling ; Notes : GDPval Elo 1238 contre 1190 ; τ³-Banking 24 contre 21
Multimodal / Audio. Gagnant : Inkling; Notes: Entrée native image et audio ; Kimi pas dans nos données
Suivi d'instructions. Gagnant : Inkling; Notes : IFBench 79.8 contre 76.0
Sécurité / Robustesse. Gagnant: Inkling; Notes: FORTRESS adversarial 78.0 vs 65.6
Efficacité. Gagnant : Inkling; Notes : ~25K vs ~38K jetons de sortie/tâche
Contexte. Gagnant : Inkling; Notes : fenêtre de 1M tokens
Coût / propriété. Gagnant: —; Notes: Les deux sont libres de droits pour auto-hébergement; les licences diffèrent
Comparaisons directes
Les cinq lignes ci-dessous proviennent d'un ensemble cohérent (MarkTechPost), elles sont donc directement comparables. Gras = leader.
HLE (sans outils). Inkling: 29.7%; Kimi K2.6: 35.9%; Source: MarkTechPost
AIME 2026. Inkling: 97.1%; Kimi K2.6: 96.4%; Source : MarkTechPost
SWE-bench Verified. Inkling: 77.6%; Kimi K2.6: 80.2%; Source: MarkTechPost
Terminal Bench 2.1. Inkling: 63,8 % ; Kimi K2.6: 71,3 % ; Source : MarkTechPost
FORTRESS (adversarial). Inkling : 78.0%; Kimi K2.6 : 65.6% ; Source : MarkTechPost
Lignes supplémentaires de "quiet win", tirées de Artificial Analysis et BenchLM (à utiliser avec précaution — harnais différents de ceux du bloc ci-dessus) :
Efficacité des tokens (tokens de sortie/tâche, mieux si bas). Inkling : ~25K; Kimi K2.6 : ~38K; Source : Artificial Analysis
GDPval-AA v2 Elo (plus élevé, meilleur). Inkling: 1238; Kimi K2.6: 1190; Source: Artificial Analysis
τ³-Banking. Inkling : 24% ; Kimi K2.6 : 21% ; Source : BenchLM
IFBench (suivi d'instructions). Inkling : 79,8; Kimi K2.6 : 76,0; Source : BenchLM
BrowseComp. Inkling: 77.1; Kimi K2.6: 83.2; Source : BenchLM
SWE-bench Pro. Inkling : 54.3 ; Kimi K2.6 : 58.6 ; Source : BenchLM
GPQA Diamond. Inkling: 87.2*; Kimi K2.6: 91.1; Source: BenchLM
HLE (avec outils). Inkling : 46.0 ; Kimi K2.6 : 54.0 ; Source : Vellum
*La propre fiche technique d'Inkling indique GPQA Diamond à 87,2 % ; une réanalyse d'Artificial Analysis rapporte 87,9 %. Nous utilisons 87,2 ici pour des raisons de cohérence. Notez que les HLE avec outils les chiffres (Vellum) sont une mesure distincte de la ligne HLE sans outils ci-dessus — ne les mélangez pas.
Note de l'éditeur — ajouter un visuel : un graphique à barres groupées des cinq lignes de MarkTechPost rendrait l'histoire « Kimi mène en codage/agentique, Inkling mène en robustesse/mathématiques » instantanément lisible.
Où Kimi K2.6 gagne
Kimi est, sur ces chiffres, le modèle le plus fort pour le génie logiciel et les agents autonomes. Il mène SWE-bench Verified (80.2 contre 77.6) et SWE-bench Pro (58.6 contre 54.3), donc les tâches réelles de correction de code penchent en sa faveur. Il est nettement en avance sur Terminal Bench 2.1 (71.3 contre 63.8), le benchmark terminal agentique, et sur BrowseComp (83.2 contre 77.1) pour les agents de navigation web. Il a également l'avantage sur les connaissances larges et le raisonnement difficile : HLE (35.9 contre 29.7 sans outils, 54.0 contre 46.0 avec outils) et GPQA Diamond (91.1 contre 87.2). Si votre cas d'utilisation principal est un copilote de codage, un agent terminal/développement, ou un assistant de navigation de recherche, Kimi est la base la plus performante prête à l'emploi.
Où Inkling gagne
Les avantages d'Inkling se concentrent autour de l'efficacité, la fiabilité et la portée. Il résout les tâches avec environ 25K tokens de sortie contre les ~38K de Kimi — une différence significative de coût et de latence à grande échelle, puisque vous payez par token. Il est bien plus robuste aux prompts adverses, menant FORTRESS 78.0 à 65.6. Il suit les instructions plus fidèlement (IFBench 79.8 vs 76.0), prend l'avance sur le GDPval Elo agentic (1238 vs 1190) et τ³-Banking (24 vs 21), et remporte de justesse AIME 2026 les mathématiques (97.1 vs 96.4).
Au-delà des benchmarks, Inkling apporte des capacités qui ne figurent pas du tout dans la colonne de Kimi dans nos données : entrée native image et audio, une fenêtre de contexte de 1M tokens (256K sur les API hébergées), et la permissive Apache 2.0 licence. Pour les charges de travail lourdes en documents, multimodales ou à volume élevé — et pour les équipes qui veulent le terrain juridique le plus clair — ces caractéristiques structurelles comptent souvent plus que quelques points de benchmark.
Tarification et coût / TCO
Inkling est libre de droits pour un auto-hébergement ; vous ne payez que pour votre propre calcul. L'accès hébergé via des tiers coûte environ 1,87 $ par million de tokens d'entrée et 4,68 $ par million de tokens de sortie (contexte de 64K ; entrée en cache ~0,374 $/1M), passant à environ 3,74 $/9,36 $ pour un contexte de 256K (Artificial Analysis). Le fine-tuning est disponible sur la plateforme Tinker (contexte 64K/256K, avec une réduction de lancement limitée dans le temps de 50 %).
Nous pas avons des tarifs hébergés audités pour Kimi K2.6 dans notre ensemble de données, donc nous ne citerons pas de chiffre. Qualitativement, les deux modèles sont open-weight, donc le levier de coût dominant pour l’un ou l’autre est tokens consommés par tâche — et ici l’avantage d’efficacité d’Inkling d’environ 25K contre 38K réduit directement le coût total de possession sur du matériel comparable. Si vous prévoyez de l’héberger vous-même, budgétez principalement en fonction du débit et de l’efficacité en tokens de votre charge de travail typique plutôt que du prix affiché.
Licences & déploiement
L'histoire des licences est la différence structurelle la plus claire. Inkling est Apache 2.0 — l'utilisation commerciale et l'auto-hébergement sont explicitement sans redevance, avec des obligations minimales. Kimi K2.6 est livré sous une licence “modified-MIT”; MIT est très permissive, mais les modifications sont ce qui compte, alors lisez les conditions exactes de Moonshot avant de construire un produit commercial dessus.
Pour exécuter Inkling, téléchargez le checkpoint BF16 ou NVFP4 depuis Hugging Face. Niveaux de VRAM : le BF16 nécessite environ 2 To (8×B300 ou 16×H200) ; le checkpoint NVFP4 réduit cela à environ 600 Go (4×B300 ou 8×H200) ; et un GGUF 1-bit d'Unsloth existe pour les configurations limitées. Les runtimes pris en charge incluent SGLang, vLLM, TokenSpeed, Unsloth et Hugging Face transformers, et les fournisseurs hébergés incluent Together AI, Fireworks, Modal, Databricks et Baseten. Un démarrage rapide typique est une commande en une ligne :
vllm serve thinkingmachines/Inkling --tensor-parallel-size 8
Pour Kimi K2.6, les poids sont ouverts et auto-hébergeables selon la publication de Moonshot ; les niveaux de VRAM spécifiques et les détails du fournisseur sont en dehors de notre ensemble de données vérifié, alors vérifiez-les par rapport à la fiche technique de Moonshot.
Lequel devriez-vous choisir ?
Copilote de codage / agent de développement / automatisation de terminal →Kimi K2.6. Ses avances sur SWE-bench et Terminal Bench sont les chiffres les plus pertinents pour la décision ici.
Agent de recherche de navigation web → Kimi K2.6 (BrowseComp 83.2).
Inférence à volume élevé et sensible aux coûts → Inkling. Moins de jetons par tâche se traduit par de réelles économies.
Applications multimodales (entrée image/audio) ou contexte de document volumineux → Inkling, par défaut — Kimi n’est pas dans nos données pour ceux-ci.
Déploiements critiques pour la sécurité ou orientés vers l'adversaire → Inkling (FORTRESS 78.0).
Licence commerciale stricte et à faible friction → Inkling’s Apache 2.0 est le choix le plus sûr.
Affinage d'une base personnalisable → les deux fonctionnent ; le chemin Tinker d’Inkling plus Apache 2.0 est l’histoire la plus clé en main.
De nombreuses équipes opteront pour une répartition : Kimi pour le niveau codage/agent, Inkling pour le travail à volume élevé, multimodal ou à contexte long — tous deux auto-hébergés.
FAQ
Inkling est-il meilleur que Kimi K2.6 ?Aucun des deux n’est strictement « meilleur ». Kimi K2.6 domine les benchmarks de codage, de type agentique et de connaissances générales (SWE-bench, Terminal Bench, BrowseComp, GPQA, HLE). Inkling domine l’efficacité, la robustesse (FORTRESS), le suivi d’instructions, les mathématiques (AIME), et ajoute une entrée audio/image ainsi qu’un contexte de 1 million de tokens. Choisissez en fonction de la charge de travail.
Quel est le meilleur pour le codage ? Kimi K2.6, sur ces chiffres — il mène SWE-bench Verified (80.2 vs 77.6) et SWE-bench Pro (58.6 vs 54.3). Inkling reste compétitif et plus efficace en termes de tokens, ce qui compte pour le coût à grande échelle.
Quel est le moins cher à faire fonctionner ? Les deux sont à poids ouvert et libres de droits pour l'auto-hébergement, donc le coût est déterminé par les jetons par tâche. Les ~25K jetons de sortie par tâche d'Inkling contre les ~38K de Kimi lui confèrent un avantage d'efficacité structurelle (et donc de coût) sur du matériel comparable. Le prix hébergé d'Inkling est d'environ 1,87 $/4,68 $ par million d'entrée/sortie ; nous ne disposons pas de prix hébergés audités pour Kimi.
Kimi K2.6 est-il open source ? Kimi K2.6 est open-weight sous une licence modifiée de type MIT. Celle-ci est très permissive, mais « open weights » n'est pas identique à une licence open-source standard selon l'OSI — examinez les conditions exactes de Moonshot avant une utilisation commerciale. Inkling, en revanche, est sous Apache 2.0.
Puis-je auto-héberger ou affiner les deux ? Oui. Les deux publient des poids téléchargeables. Inkling propose une voie de réglage fin gérée via Tinker (avec des fournisseurs hébergés comme Together AI et Fireworks pour l'inférence) ; Kimi est auto-hébergeable selon la publication de Moonshot. Confirmez les exigences matérielles de Kimi par rapport à sa fiche modèle.
Ces chiffres de référence sont-ils fiables ?Considérez-les comme indicatifs. Il s'agit de chiffres auto-déclarés par les fournisseurs au lancement ou de chiffres tiers (MarkTechPost, Artificial Analysis, Vellum, BenchLM), aucun n'ayant été audité de manière indépendante, et les chiffres des concurrents peuvent différer des chiffres rapportés par Moonshot.
Conclusion
Inkling contre Kimi K2.6 est un véritable compromis, pas un KO. Kimi K2.6 est le meilleur codeur et agent web et remporte les benchmarks de connaissances phares ; Inkling gagne en efficacité, robustesse, suivi d'instructions et portée modale, le tout sous la licence Apache 2.0 plus propre. Choisissez Kimi pour la profondeur d'agent d'ingénierie, choisissez Inkling pour un travail rentable, multimodal, à long contexte et sensible à la sécurité — et envisagez d'utiliser les deux.
