Inkling 2 Small שומר על קצב בקידוד עם 17B פרמטרים פעילים — עד שמסתכלים על השונות

שתי שורות בגרף ההשקה של Thinking Machines נפגשות באותו מספר. Inkling 2 Small פותר 54.25 מתוך 69 משימות PMPP-Hard בניסיון בודד ו-64 על פני ארבעה ניסיונות. Claude Opus 5.5 פותר 60 בניסיון בודד ו-64 על פני ארבעה. Inkling 2 Small, שיצא לאור ב-5 בנובמבר 2026, הוא מודל תערובת מומחים עם 594B פרמטרים בסך הכול ו-17B פעילים, והגרף הזה הוא ההצהרה הבהירה ביותר לגבי מה שהארכיטקטורה נותנת ומה היא אינה נותנת: התקרה של מודל חזיתי בעבודה הנדסית קשה, בלי אמינות ברמת הניסיון הבודד של מודל כזה.

הטענה שמסתובבת היא צרה יותר ומחמיאה יותר — שבמבחני קידוד היא בקלות עומדת בקצב של מודלים גדולים ממנה באופן משמעותי. ניתן לבחון את הטענה הזו מול הטבלה של הספק עצמו, שורה אחר שורה, והיא שורדת במקומות אחדים, נכשלת באחרים, ונכשלת באופן המעניין ביותר דווקא מול מודל קטן ממנה בהרבה. המאמר הזה עורך את הקריאה שורה אחר שורה, ואז שואל את השאלה שהטבלה אינה יכולה לענות עליה: כמה הקצב הזה עולה לכל משימה ברגע שהמודל באמת נמצא בחשבון שלך.

שש שורות קידוד, לקרוא בלי הפירוש

כל מה שלמטה לקוח מטבלת ההערכה ש-Thinking Machines פרסמה עם ההכרזה. זהו הארנס שמופעל על ידי הספק — החברה אומרת זאת, ואומרת ששורות הקידוד משתמשות בבדיקות יחידה נסתרות ובבדיקות פרוגרמטיות. דבר כאן לא שוחזר באופן עצמאי, וזה חשוב משום שאותה טבלה מציגה Artificial Analysis Intelligence Index של 30.6 עבור Inkling 2 Small, בעוד שהעמוד החי של Artificial Analysis עצמה מציג 31. זהו הבדל בעיגול, לא מחלוקת, אבל הוא מלמד שהטבלה היא צילום מצב שנלקח על ידי המעבדה ולא לוח חי.

מול Kimi K3, המודל הגדול ביותר עם משקולות פתוחות בהשוואה, טענת הקצב מתקיימת עד לתיקו:

• FrontierCode v2.0 — Inkling 2 Small 25.4% לעומת Kimi K3 17.3%.

• DeepSWE v1.1 — 72.1% לעומת 68.5%.

• SWE-bench Pro v2 (קשה) — 86.3% לעומת 88.2%.

• Vibe Code Bench v1.1 — 81.6% לעומת 85.0%.

• PostTrainBench v1.2 — 31.9% לעומת 31.5%.

• Terminal Bench Science v0.1 — 5.7% לעומת 8.1%.

שלוש שורות בכל אחד. מודל שמריץ 17B פרמטרים לכל טוקן משתווה למודל גדול בסדר גודל מבחינת החישוב שהוא צורך, ועושה זאת בשני קצוות ספקטרום הקידוד שבדרך כלל נפרדים: בנצ'מרק פאצ'ים מאפס ב-FrontierCode ובנצ'מרק סוכני בקנה מידה של מאגר ב-DeepSWE. את DeepSWE כדאי לשקול, מפני שזו השורה שבה המודל חייב להחזיק תוכנית שלמה לאורך קריאות רבות לכלים במקום לייצר diff טוב אחד.

מול DeepSeek V4.1 Flash 1017 התמונה מתהפכת, וזוהי ההשוואה שחשובה מבחינה מסחרית ולא ארכיטקטונית, מפני ששכבת ה-flash של DeepSeek זולה. Inkling 2 Small מפגר בארבע מתוך חמש השורות ששני המודלים הריצו — FrontierCode 25.4% לעומת 28.5%, DeepSWE 72.1% לעומת 77.0%, Vibe Code Bench 81.6% לעומת 87.7%, Terminal Bench Science 5.7% לעומת 12.9% — ומקדים רק ב-PostTrainBench, 31.9% לעומת 30.5%. ל-DeepSeek אין רשומה ב-SWE-bench Pro, וזה מזל רע עבור Thinking Machines, מכיוון ש-86.3% הוא מספר הקידוד הטוב ביותר של Inkling 2 Small וזו הייתה השורה הבודדת המשכנעת ביותר לנצח בה.

המודל הקטן יותר הוא זה שאיתו הוא אינו שומר על קצב.

ההשוואה שחומרי ההשקה לא פותחים בה היא Claude Haiku 5.5, והיא זו שצריכה לגרום לקונה לעצור לרגע. Haiku היא השכבה הקטנה והזולה בקו של Anthropic — ממש לא מודל של 594B — והיא מנצחת בשלוש מתוך חמש שורות הקידוד שהשניים חולקים: FrontierCode 34.9% לעומת 25.4%, Vibe Code Bench 90.4% לעומת 81.6%, ו-Terminal Bench Science 20.0% לעומת 5.7%, שם הפער הוא יותר מפי שלושה.

Inkling 2 Small מנצחת את השניים האחרים באופן חד-משמעי: DeepSWE 72.1% מול 59.9% ו-SWE-bench Pro 86.3% מול 52.9%. כשקוראים את הנתונים יחד, התבנית אינה קשורה לגודל כלל. Haiku מנצחת בשורות שמדרגות תוצר יחיד — דיף, ממשק משתמש, הפעלת מסוף עד להשלמה. Inkling 2 Small מנצחת בשורות שבהן המודל צריך להמשיך לעבוד על בעיה לאורך צעדים רבים ולשפר את התשובה של עצמו. מול Gemini 3.8 Flash זה צמוד אפילו יותר: Inkling מנצחת ב-FrontierCode, SWE-bench Pro ו-Vibe Code Bench, מפסידה ב-DeepSWE בצורה צמודה ב-72.1% מול 73.8%, ומפסידה ב-Terminal Bench Science בצורה קשה ב-5.7% מול 10.0%.

פרט אחד מההכרזה שווה לשמור לכל מי שקורא טבלאות דירוג. Thinking Machines אומרת שהיא בדקה נקודות ביקורת מוקדמות של Inkling 2 Small ב-OpenCode תחת השם Fledge-Alpha. כל ציון של Fledge-Alpha שראיתם בלוח דירוג לקידוד לפני ההשקה היה המודל הזה, תחת שם בדוי, והוא לא היה הגרסה המוגמרת.

מה קונים בארבע ניסיונות, ומה עולות 18.5 דקות

PMPP-Hard כולל 69 משימות, ארבעה ניסיונות עצמאיים, תקציב של עשר שעות, והניקוד הוא ממוצע המשימות שנפתרו. התוצאה 54.25 של Inkling 2 Small טובה אך לא יוצאת דופן — היא נמצאת אחרי GPT-6 Astra עם 63, Kimi K3.1 Pro עם 60.5 ו-Opus 5.5 עם 60, ולפני Kimi K3 עם 55.75, DeepSeek V4.1 Flash עם 55.25, GLM 5.3 עם 52.5 ו-Mistral Large 4 עם 50.25.

ה-Pass@4 שלו של 64 הוא המקום שבו המספר מפסיק להיות רגיל. הנתון הזה משתווה ל-64 של Opus 5.5 ומנצח את 63 של Astra ואת 63 של Kimi K3.1 Pro. תנו לו ארבעה ניסיונות והוא מגיע לאותה תקרה כמו המודלים הטובים ביותר בגרף; תנו לו אחד והוא כמעט שישה משימות מאחור. אם תהליך העבודה שלכם כבר דוגם כמה ניסיונות ובוחר מנצח על ידי הרצת הבדיקות, הפער שמשנה הוא קטן. אם הוא דוגם פעם אחת ומשגר, הפער הוא כל הסיפור.

אותה אסימטריה מופיעה גם בתרשים ה-kernel-autoresearch, ושם היא אינה לטובת Inkling 2 Small. שיפור המהירות הטוב ביותר של ה-kernel לעומת קו הבסיס: Claude Opus 5.5 18.80×, GPT-6 Astra 10.26×, Inkling 2 Small 6.02×, DeepSeek V4.1 Flash 5.66×, GLM 5.3 5.03×, Mistral Large 4 3.43×. בערך שליש משיפור המהירות של החזית באותה משימה, וזה רחוק מלעמוד בקצב.

ואז יש את שעון הקיר. כל הערכה שפורסמה הורצה ב-effort 0.99 — ההגדרה ש-Thinking Machines מכנה xhigh — בטמפרטורה 1.0. Artificial Analysis, הבוחנת את נקודת הקצה החיה ולא את סביבת הפיתוח, מודדת 18.5 דקות לכל משימת Intelligence Index לעומת חציון של 7.0 בקרב מודלים דומים, ו-154M אסימוני פלט לעומת חציון של 89.8M. העלות לכל משימת אינדקס היא $1.18, והמודל מדורג במקום ה-27 מתוך 29 מודלים בלוח. מהירות הפלט היא 135 אסימונים לשנייה, עם 34.15 שניות עד לאסימון התשובה הראשון, לעומת חציון של 11.57 שניות. המודל אינו איטי לכל אסימון. הוא איטי משום שהוא חושב זמן רב וכותב הרבה מאוד תוך כדי כך.

איפה שמספר ה-17B הפעיל באמת משתלם

מודלים של תערובת מומחים מחויבים לפי פרמטרים פעילים, וזהו כל המקרה המסחרי עבור ארכיטקטורה זו. Inkling 2 Small מתומחר ב-$0.30 למיליון טוקנים בקלט וב-$1.00 למיליון בפלט, כשקלט שמור במטמון מקבל הנחה של 90% ל-$0.03 — מחיר משוקלל של $0.18 למיליון ביחס של 7:2:1 בין פגיעות במטמון, קלט ופלט, לפי Artificial Analysis. המודל החציוני באותו לוח גובה $0.24 בקלט ו-$0.87 בפלט, כך ש-Inkling 2 Small מתומחר כמו מודל בינוני, לא כמו מודל של 594B.

תמהיל האימון מסביר את ההדגש. קידוד היווה 38.5% מרולאאוטים של למידת חיזוק ו־65% מהטוקנים — הבלוק הגדול ביותר, ויותר משני שלישים מכל מה שהמודל ייצר במהלך RL. ראייה היוותה 13.9% מהרולאאוטים אך 3% מהטוקנים. יהיה מה שיהיה המודל הזה, הוא עבר פוסט־אימון לכתוב ולתקן קוד בהיקף נרחב.

אז החשבון הכנה הוא לפי ניסיון מוצלח, לא לפי טוקן. Inkling 2 Small במחיר 1.18 דולר למשימת אינדקס וארבעה ניסיונות להגיע לתקרה שלו הוא רכישה שונה ממודל במחיר כפול שמגיע לשם בניסיון אחד. אף אחת מהתצורות אינה שגויה; אלו חוזים שונים מול תקציב ההשהיה שלך.

מה אתה יכול לכנות היום, ומה אתה לא יכול

Inkling 2 Small זמין דרך Tinker להסקה ולכוונון עדין, עם משקלים סגורים וללא ספק שני. Thinking Machines אומרת שהיא מתכוונת לפרסם את המשקלים המלאים תחת Apache 2.0 "בשבוע הבא", לאחר בדיקות בטיחות חיצוניות ו-red-teaming, וזה לא קרה נכון ל-6 בנובמבר 2026. נקודת הקצה ללא שרת מוגשת בהקשר של 256K, צר יותר מחלון ה-1M שאליו אומן המודל להתמודד.

הוא אינו נמצא ב-OrcaRouter, והמאמר הזה לא יעמיד פנים אחרת. מה שכן נמצא ב-OrcaRouter הוא רוב קבוצת ההשוואה שהמאמר הזה זה עבר עליה — Kimi K3, DeepSeek V4.1 Flash 1017, GLM-5.3 Flash, Gemini 3.8 Flash, MiMo V2.6 Pro — נגישים באמצעות מפתח אחד לאורך יותר מ-200 מודלים, עם מחיר המחירון של הספק שמועבר ללא שינוי וללא תוספת תיווך. זה חשוב בדיוק לשימוש שהמאמר הזה מרמז עליו: אם אתם רוצים לגלות אם MoE עם 17B פרמטרים פעילים טוב מספיק עבור המאגר שלכם, הניסוי הזול ביותר הוא להריץ הערכה משלכם מול המודלים משני צדדיו, בחשבון אחד, במקום לחתום על ארבעה חוזים.

המעבר האוטומטי לגיבוי הוא החצי השני של זה. טבלת בנצ'מרקים לא אומרת דבר על השאלה אם ריצת סוכן ארוכה שורדת תקלה זמנית אצל ספק בדקה הארבע־עשרה, והמודלים שנראים הכי קרובים ב-DeepSWE הם בדיוק אלה שביניהם היית מחליף בפועל.

שלושה דברים היו משנים את הקריאה הזו. הרצה חוזרת ובלתי תלויה של FrontierCode או DeepSWE, מפני שהמספרים האלה הם של המעבדה עצמה ושורת ה-SWE-bench Pro עושה חלק ניכר מעבודת השכנוע. שחרור המשקלים, מפני ש-Apache 2.0 יהפוך את המודל בעל 594B לניתן לאירוח עצמי ויעביר את נתון ה-$1.18 לכל משימה לשליטתך. וכל רמה שפורסמה מתחת ל-xhigh, מפני שכל מספר בטקסט הזה הופק במאמץ מרבי — אם הגדרה נמוכה יותר משיגה את רוב הדיוק בשבריר מ-154M טוקנים, טיעון העלות משתפר ואיש עדיין לא הראה זאת.

מערך ההשוואה על מקש אחד

המודלים ש-Inkling 2 Small נמדד מולם בשורות שלמעלה הם, למעט שני יוצאי דופן, מודלים שאפשר לפנות אליהם היום דרך נקודת קצה אחת. שני יוצאי הדופן הם Inkling 2 Small עצמו, שזמין רק דרך Tinker, ו-Claude Haiku 5.5, שאינו בקטלוג של OrcaRouter. יתר הטבלה מורכב מ: Kimi K3, מודל המשקלים הפתוחים שאיתו Inkling 2 Small מגיע לתיקו; DeepSeek V4.1 Flash 1017, המודל הזול ש-Inkling 2 Small מפגר אחריו בארבעה מחמישה שורות; GLM-5.3 Flash, המודל הקטן שהוא מנצח בנוחות; ו-Gemini 3.8 Flash, מודל הביניים שמולו התוצאות מתחלקות.

הסט הזה הוא זה ששווה להריץ, כי השאלה המעניינת עבור צוות היא לא אם מודל תערובת-מומחים עם 17B פרמטרים פעילים הוא מרשים במופשט — הטבלה שלמעלה כבר עונה על זה — אלא אם הוא גובר על המודל שכבר נמצא בייצור במאגר, בחבילת הבדיקות או בקרנל הספציפיים שאיכפת לכם מהם. זו שאלה שרק ה-eval שלכם עונה עליה, והרבה יותר זול לענות עליה על פני ארבעה מודלים במפתח אחד מאשר על פני ארבעה ספקים.

מה שההשקה מבססת צר מכפי שהתגובה לה מרמזת. מודל 594B עם 17B פרמטרים פעילים מחזיק כעת בתיקו מול מודל המשקולות הפתוחים הגדול ביותר בקידוד, מנצח בשתי השורות שמתגמלות עבודה מתמשכת, ומפסיד למודל סגור קטן בשלוש שנותנות ציון לתוצר בודד. זו תוצאה אמיתית והיא אינה תוצאת חזית. העלות של גילוי באיזה צד של הקו נמצא עומס העבודה שלך היא $0.30 ו-$1.00 למיליון טוקנים, 18.5 דקות למשימה קשה, ונכונות לדגום יותר מפעם אחת.