כרטיס כותרת שנוצר עם הכיתוב 'Inkling 2 Mini vs Qwen 3.8', עם כתובית 'the tier that actually competes is Flash', עם שלושה תגים reading 'Mini: Index 20.1', 'Flash: Index 29' ו'אותה עלות לכל משימה', מעל שני כרטיסים שמשווים בין 'קובץ 20GB, פועל ללא חיבור לרשת' לבין 'נקודת קצה מתארחת, הקשר של 1M' והערה שיש להסלים רק בעת הצורך. הלוגו של OrcaRouter נמצא בפינה הימנית התחתונה.
Guides & Insights

Inkling 2 Mini לעומת Qwen 3.8: השכבה הזולה יותר ניצחה

מחבר

jinhao.song

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

ההשוואה שכולם עורכים היא ההשוואה הלא נכונה, והיא מחמיאה למודל החדש. Inkling 2 Mini, שפורסם על ידי Thinking Machines Lab ב-20 בנובמבר 2026, מקבל 20.1 במדד Artificial Analysis Intelligence Index v5.0.1 — שווה ל-Qwen3.8-27B עם 20, במחיר של $0.59 למשימת מדד לעומת $3.53. זו ההשוואה ראש בראש ש-Thinking Machines הציבה בטבלת הבנצ'מרק שלה, ובמונחי עלות זה לא קרוב. אבל Qwen 3.8 אינו מודל אחד. זהו דור של חמישה, והשכבה שבאמת מתחרה עם checkpoint להורדה בנפח 20GB היא Qwen3.8-Flash, ש-Artificial Analysis נותן לה ציון 29 תמורת $0.57 למשימת מדד — תשע נקודות יותר, באותה עלות לתשובה מוגמרת. Mini מנצח בהשוואה שפוסט ההשקה הדפיס ומפסיד בזו שקונה היה עורך.

מקור הנתונים, מאחר שהוא מניע את ההכרעה: ציוני המדד, העלות לכל משימה, נתוני ההשהיה וההקשר הם מדידות של Artificial Analysis שנקראו ב-21 בנובמבר 2026, וכל מחיר של OrcaRouter מצוטט מהקטלוג שלנו. טבלאות האחוזים הן מערך הבדיקות של ההשקה של Thinking Machines, שהורצה על ידי הספק, ומסומנות היכן שהן מופיעות; הטענות של A​libaba עצמה לגבי דרגות Q​wen מצוטטות כטענות של A​libaba ולא נבדקו בנפרד כאן.

קודם, לאיזה Qwen 3.8 אתה מתכוון?

התייחסות לשם המשפחה כיריב היא הטעות שהופכת את רוב ההשוואות מסוג זה לחסרות תועלת. Q​wen 3.8 משתרע על פני דגם דגל מתארח במחיר $2.00/$6.00 למיליון טוקנים, צ'קפוינט פתוח בעל 2.4 טריליון פרמטרים תחת רישיון מותאם אישית, מודל צפוף 27B תחת Apache 2.0, דרג Flash במחיר $0.15/$0.47, וגרסת התצוגה המקדימה של Flash-Next שהמשקולות הפתוחות שלה נמצאות מאחורי מוצר ה-Flash המתארח. החברים נבדלים ביותר מפי עשרה במחיר הטוקן ובתשע נקודות באותו מדד. הכרעה בודדת של "מול Q​wen 3.8" היא הכרעה על טשטוש.

• Qwen3.8-27B — 27B dense, Apache 2.0, קלט טקסט, תמונה ווידאו, חלון הקשר של 256K, Index 20 ב-xhigh effort, מחיר מחירון $0.50/$3.00, $3.53 לכל משימת אינדקס, 34.5 דקות למשימה.

• Qwen3.8-Flash — שכבת הייצור המתארחת במחיר $0.15/$0.47, המגישה את אותם משקלים כמו תצוגת Flash-Next המקדימה; נקודת הקצה המנותבת מפרסמת חלון של 1M טוקנים ופלט מקסימלי של 131K, בעוד Artificial Analysis רושמת 256K עבור משקלי Flash-Next הפתוחים. היא מודדת את המודל הזה באינדקס 29, 180B בסך הכול ו-6B פעילים, $0.57 לכל משימת אינדקס, 33.3 דקות.

• Qwen3.8-Max — דגם הדגל הסגור, Index 34, $2.00/$6.00, $10.02 לכל משימת אינדקס. אינו מתחרה ב-Mini מבחינת עלות ואינו המודל שאיתו יש להשוות.

• Inkling 2 Mini — 26.4B בסך הכול, 3.4B פעילים, Apache 2.0, חלון הקשר של 1M בכרטיס, אינדקס 20.1, $0.15/$0.50 ב-Tinker, $0.59 לכל משימת אינדקס, 9.0 דקות.

אז להשוואה המועילה יש שני חצאים. מול מודל ה-dense בן 27B שפוסט ההשקה בחר בו, Mini הוא יתרון עלות אמיתי באותו ניקוד. מול שכבת Flash, שעולה אותו דבר ומשאירה אותו הרחק מאחור במדד, הטיעון של Mini חייב לעסוק במשהו אחר מלבד מחיר וניקוד — והוא אכן עוסק בכך: הקובץ.

Screenshot of the Artificial Analysis model page for Qwen3.8-Flash-Next, showing it above average in intelligence and well priced for its size but notably slow per task and very verbose, a score of 29 on the Intelligence Index against a median of 23, 156M tokens generated during the index run against a 104M median, pricing of $0.15 per 1M input and $0.47 per 1M output tokens, $0.57 per index task, 33.3 minutes per task, an 85.77-second time to first token, 74 output tokens per second, and a listed 256K-token context window.

התיקו של 27B, ולמה הוא אמיתי

שני המודלים נמדדים על ידי אותו מעריך על אותה גרסה של אותו מדד, כך ש-20.1 מול 20 הוא השוואה אמיתית ולא צירוף מקרים של מערכי בדיקה. זה גם תיקו בגבול הרזולוציה של כלי המדידה. המדד הוא שילוב של תשע הערכות, כמה מהן על קבוצות שנשמרו מחוץ לאימון, ומודלים שנמצאים במרחק של פחות מנקודה זה מזה אינם מסודרים באופן מהימן לפיו. מה שהתיקו קובע הוא ש-Mini עובר את אותו רף כמו מודל dense בגודל 27B בעודו מפעיל 3.4 מיליארד פרמטרים פעילים במקום 27 מיליארד.

עמודת העלות היא המקום שבו זה חשוב. במחיר של $0.59 לכל משימת אינדוקס לעומת $3.53, ‏Mini זול בבערך פי שישה להשלמת אותה הערכה, והוא עושה זאת בתשע דקות לעומת 34 וחצי. מהירות הפלט היא 280 אסימונים לשנייה לעומת 53. הזמן עד לאסימון התשובה הראשון הוא 9.72 שניות לעומת 144. בלולאת סוכן שפועלת שלושים סבבים, המספרים האלה מצטברים למשהו שהמשתמש יכול להרגיש.

שום דבר מזה אינו בחינם, והעלות המפצה היא אריכות דברים. Mini הפיק 161 מיליון טוקני פלט כדי להשלים את ריצת האינדקס, לעומת 128 מיליון עבור מודל Q​wen וחציון של 85.7 מיליון בקרב מודלים דומים. תשלום של $0.50 למיליון פלט עבור פי 1.9 מהפלט האופייני הוא עדיין זול; תקצוב מספר קבוע של טוקנים לכל משימה עבור מודל שמדבר כל כך הרבה אינו זול. צוות שמודד לפי טוקנים ולא לפי משימות יגלה שהיתרון של פי שישה מצטמצם לקראת פי שלושה.

היכן ש-Mini באמת מתעלה על כל דרג של Q​wen

טבלת הקידוד של הספק היא החלק בהשקה שהופך את המודל למעניין, והיא גם החלק שאף אחד לא בדק. כל שורה למטה היא הרנס של Thinking Machines על הצ'קפוינט שלה עצמה, ולפחות אחת מהן הורצה עם שלד הסוכן של החברה ולא עם שלד ניטרלי.

• DeepSWE v1.1 — Inkling 2 Mini 48.2% לעומת Qwen3.8-27B 42.2%.

• SWE-bench Pro v2, Hard — 77.9% לעומת 73.8%.

• SWE-bench Multilingual — 73.7% לעומת 70.0%.

• SWE-bench Verified — 79.2% לעומת 77.8%.

• Vibe Code Bench v1.1 — 77.9% לעומת 64.9%.

• Terminal Bench v2.1 — 71.6% לעומת 73.0%, הפסד; ב-Terminal Bench v4.0 שניהם מציגים 5.6%.

• BrowseComp — 79.0% לעומת 61.6%; DeepSearchQA 85.3% לעומת 79.7%; MCP Atlas 82.7% לעומת 77.3%.

• MMMU Pro — 74.9% לעומת 76.3%, עוד הפסד בפער קטן; OmniDocBench v1.6 92.8% לעומת 91.5%.

השורות שבהן Mini מנצח הן אלה הסוכניות — תיקון בקנה מידה של מאגר קוד, חיפוש לטווח ארוך, שימוש בכלים. השורות שבהן הוא מפסיד הן אלה של שליפה מדויקת. זו האדריכלות שמבצבצת מבעד: לופינג קונה חישוב סדרתי לכל טוקן, וחישוב סדרתי הוא מה שמסלול סוכן ארוך צריך. הוא לא קונה עובדות מאוחסנות, ובנצ'מרק עתיר-ידע מבחין בכך.

פער העובדתיות בין Mini לבין המשפחה חד יותר מכל אחת מהשורות האלה. ב-AA-Omniscience, טבלת הספק מציגה −8.6 עבור Mini עם שיעור אי-הזיה של 63.4%, לעומת −6.4 ו-71.4% עבור Qwen3.8-27B באותה עמודה של אותה טבלה. ציון שלילי פירושו שהמודל גרוע יותר מאשר להימנע מלענות. Artificial Analysis אינה מפרסמת נתון Omniscience נפרד עבור Mini שיכולתי למצוא, ולכן השורה הזו נשענת כולה על מערך הבדיקה של הספק — ועדיין זה המספר החשוב ביותר בהשוואה לכל מי שפורס בלי שכבת אחזור.

היכן שפלאש מסיים את הוויכוח

עכשיו השכבה שבאמת חשובה. Qwen3.8-Flash מתארח ומתומחר ב-$0.15 בקלט ו-$0.47 בפלט — אותו תעריף קלט ש-Tinker גובה עבור דגימת Mini, ושלושה סנטים זול יותר בפלט. Artificial Analysis נותן למשקולות Flash-Next שמאחוריו ציון של 29. לכל משימת אינדקס הוא עולה $0.57, לעומת $0.59 של Mini. תשע נקודות אינדקס, בשני סנטים פחות.

זו לא החלטה צמודה מבחינת יכולת או מחיר, והיא ממסגרת מחדש למה מיועד Mini. היתרונות של Mini על פני Flash כלל לא נמצאים על לוח התוצאות: זהו קובץ של 20GB שרץ בלי רשת, על MacBook או על DGX Spark, בלי מונה לפי טוקן ובלי ספק בתמונה. היתרונות של Flash הם תשע נקודות מדד, נקודת קצה מתארחת, וחלון של 1M טוקנים ב-API המנותב בלי שום דבר להוריד. אם עומס העבודה שלך כולל חיבור לרשת, צד ה-Q​wen מנצח בכל ציר שנמדד. אם לא, שום דבר בצד ה-Q​wen לא זמין לך בכלל.

{{1}}השוואת המהירות גם מעדיפה את Mini, ובמידה גדולה יותר ממה שפער הניקוד מרמז שהיא צריכה.{{/1}} {{2}}Mini פועל בקצב של 280 טוקני פלט לשנייה עם טוקן ראשון של 9.72 שניות{{/2}}; {{3}}Flash-Next מגיע ל-74 טוקנים לשנייה עם טוקן ראשון של 85.77 שניות ו-33.3 דקות למשימת אינדקס.{{/3}} {{4}}עבור סוכן אינטראקטיבי, זהו ההבדל בין כלי שמגיב לבין כזה שמחכים לו{{/4}} — {{5}}וזה המקום היחיד שבו למודל מקומי עם 5.4B פרמטרים אפקטיביים יש יתרון מבני על מודל מתארח עם 180B.{{/5}}

ההסדר המעשי

שתי שכבות Qwen נמצאות ב-OrcaRouter, מה שהופך את מסלול ההסלמה לזול במיוחד לבנייה. Qwen3.8-27B מנותב במחיר $0.33 למיליון קלט ו-$2.40 למיליון פלט — מתחת למחירון של Alibaba של $0.50/$3.00, משום שמחיר הספק מועבר הלאה ולא מתומחר ביתר. Qwen3.8-Flash מנותב במחיר $0.15/$0.47 בחלון של 1M טוקנים. מפתח אחד מגיע לשניהם, עם מעבר אוטומטי בין שרתים ו-DSL לניתוב כדי לשלוח בקשה קודם לשכבה הזולה ולהסלים רק כשהיא נכשלת בבדיקה.

זו הצורה שההשוואה הזו בעצם רוצה. Mini, אם תאמצו אותו, יושב על החומרה שלכם ועושה את העבודה האגנטית שהוא טוב בה, בלי לשלם כלום לכל טוקן. שכבות ה-Qwen יושבות מאחורי נקודת קצה יחידה עבור הבקשות ש-Mini גרוע בהן — אלה שדורשות עובדה שתיזכר נכון, קריאת מסמך ארוך, או הסקה מדעית קשה — ומנגנון ה-failover אומר שהשבתה של ספק מפחיתה את איכות התשובה במקום לשבור אותה. אנחנו לא מארחים את Inkling 2 Mini והטקסט הזה לא יעמיד פנים אחרת; מה שהראוטר מסיר הוא החוזה השני והאינטגרציה השנייה עבור החצי מעומס העבודה שהולך ל-Qwen.

Screenshot of OrcaRouter's model page for Qwen3.8 Flash, showing the model id qwen/qwen3.8-flash, vision, tools, JSON and reasoning tags, a dated description of it as Alibaba's multimodal reasoning model for coding, agentic workflows and long-video analysis, an OpenAI-compatible /v1/chat/completions endpoint at api.orcarouter.ai, an input price of $0.15 and output price of $0.47 per 1M tokens, a 1M-token context window with a 131K maximum output, a p50 time to first token of 10.00 seconds, and an option to add it to a comparison.

מה היה משנה את פסק הדין

שני דברים, ושניהם קלים לבדיקה. הראשון הוא הרצת קידוד עצמאית על המשקלים הציבוריים של Mini. אם 48.2% ב-DeepSWE ו-77.9% ב-SWE-bench Pro ישרדו הרנס ניטרלי, הטיעון האג'נטי של Mini נעשה חזק בהרבה ממה שציון אינדקס של 20.1 מרמז, כי האינדקס נותן משקל חסר בדיוק לעבודה לטווח ארוך שהמודל בנוי עבורה. אם הם לא ישרדו, טבלת ההשקה הייתה טבלת ספק והמודל הוא 20 במהותו.

השאלה השנייה היא האם יתרון תשע הנקודות של Qwen3.8-Flash מחזיק תחת בקרות מאמץ. נתון האינדקס שלו הוא תצורה אחת, ומודלי Qwen נעים בכמה נקודות בין הגדרות מאמץ — מודל ה-27B משיג 20 ב-xhigh ונמוך באופן מהותי כשהחשיבה מצומצמת. שכבת Flash שמאבדת תשע נקודות במאמץ נמוך היא מתחרה שונה מזו ששומרת עליהן, ואיש לא פרסם את העקומה הזו עבור ההשוואה הזאת.

עד שאחד מאלה יגיע, הסיכום הכנה הוא הכרעה מפוצלת. ביכולת מדודה לדולר בסביבה מתארחת, Q​wen 3.8 מנצח פעמיים — מודל ה-27B משתווה ל-Mini בציון ומפסיד בעלות, ושכבת ה-Flash מנצחת אותו בשניהם. בדברים שמודל מתארח לא יכול לעשות בכלל — לרוץ לא מקוון, לרוץ על מחשב נייד, לרוץ בלי מונה — ל-Inkling 2 Mini אין תשובת Q​wen, וקובץ ה-20GB הוא כל הטיעון. קנה את ההורדה אם אתה צריך שהיא תרוץ במקום שאין בו רשת. קנה את ה-API אם לא.

A generated two-column scoreboard titled 'Inkling 2 Mini vs Qwen3.8-Flash — the scoreboard'. The Inkling 2 Mini column reads Intelligence Index 20.1, active parameters 3.4B, cost per index task $0.59, output speed 280 tokens per second, first token 9.72 seconds, and runs offline: yes, 20GB. The Qwen3.8-Flash column reads Intelligence Index 29, active parameters 6B, cost per index task $0.57, output speed 74 tokens per second, first token 85.77 seconds, and runs offline: no, hosted only. A footer states that both columns are per Artificial Analysis and coding rows are vendor-reported.

השוואות במאמר הזה1

זוהה מתוך המאמר הזה