
Inkling 2 Mini Hadir dengan 20: Model 20GB yang Berpikir dalam Loop
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 183 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 568 tok/s
- AlibabaBARUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1 juta token · 385 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 87 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 214 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Kecerdasan
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1 juta token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Kecerdasan
Checkpoint-nya sekitar 20GB, dan angka itulah argumennya. Inkling 2 Mini adalah mixture of experts 26,4 miliar parameter dengan 3,4 miliar parameter aktif per token, diterbitkan oleh Thinking Machines Lab pada 20 November 2026 di bawah Apache 2.0 sebagai satu unduhan yang berjalan di Mac dengan memori terpadu 32GB atau satu NVIDIA DGX Spark. Pada hari yang sama, Artificial Analysis mengukur waktu dan memberi skornya: 20,1 pada Intelligence Index v5.0.1, $0,15 per juta token masukan dan $0,50 per juta token keluaran, $0,59 untuk menyelesaikan satu tugas indeks, 280 token keluaran per detik. Bagian yang menarik bukanlah skornya. Melainkan bahwa model ini mencapainya dengan menjalankan dua belas lapisan yang sama sebanyak tiga kali alih-alih menyimpan lebih banyak parameter, yang membuat checkpoint 26B berperilaku seperti model yang lebih besar tanpa membutuhkan memori lebih banyak daripada yang dimiliki laptop.
Campurkan kedua jenis angka itu secara sembarangan, maka rilisnya akan terbaca sebagai kemenangan bersih; pisahkan keduanya dan hasilnya terbaca sebagai sesuatu yang lebih spesifik, dan itulah yang coba dilakukan tulisan ini. Indeks, biaya per tugas, kecepatan, verbositas, dan lisensi adalah pengukuran dan metadata Artificial Analysis yang dibaca pada 21 November 2026. Setiap baris pengodean dan penalaran lebih jauh ke bawah adalah harness milik Thinking Machines sendiri pada checkpoint yang dilatih perusahaan tersebut, dan dinyatakan demikian di tempat baris itu muncul. Tidak ada pihak di luar lab yang mereproduksi baris-baris tersebut.
Apa yang diterbitkan Thinking Machines
Rilis ini mengutamakan bobot. Repositori Hugging Face dibuat pada 17 November dan terakhir dimodifikasi pada tanggal 20, yang lebih mirip checkpoint bertahap daripada rilis kejutan, dan kartu model menyebutkan 20 November 2026 sebagai tanggal rilis. Ada situasi berkas lisensi nyata yang perlu dicatat: kartu tersebut menyatakan Apache 2.0 dalam metadatanya dan tag repositori membawa hal yang sama, jadi ini adalah rilis permisif alih-alih janji akan lisensi permisif seperti yang dibawa Inkling 2 Small saat dirilis pada 5 November.
• Parameter — total 26,4B, 3,4B aktif, dan 5,4B aktivasi bobot efektif per token setelah loop dihitung; Thinking Machines menyebut setiap putaran loop tambahan menambah sekitar 1,0B parameter aktif.
Jejak — satu checkpoint sekitar 20GB, 20 lapisan dalam NVFP4 dan 4 lapisan dalam MXFP8, disertakan dalam presisi saat dilatih, bukan dikuantisasi setelahnya.
• Modalitas — teks dan gambar masuk melalui vision transformer yang diproyeksikan ke ruang tersembunyi bersama, teks keluar.
• Konteks — kartu model menyatakan hingga 1 juta token, dan Artificial Analysis mencatat 1 juta.
• Penyajian — Hugging Face, SGLang, vLLM, TokenSpeed, NVIDIA Dynamo, Unsloth dan GGUFs llama.cpp, Llama App, serta Ollama dan Exo Labs di Apple silicon. Resep pasca-pelatihan tersedia untuk Miles dan SkyRL.
• Di-hosting — Tinker, untuk inferensi dan kustomisasi, dengan playground. Itu adalah endpoint milik vendor sendiri dan satu-satunya; Inkling 2 Mini tidak ada di OrcaRouter, dan tidak ada hal di bawah ini yang menyiratkan sebaliknya.
Model pendamping dikirimkan bersamanya. TML-d24-varloop-research adalah arsitektur yang sama yang dilatih untuk menerima antara satu dan lima putaran loop, dan model ini ada agar para peneliti dapat memvariasikan kedalaman yang pada model produksi ditetapkan sebanyak tiga. Model ini juga tersedia di Hugging Face, dan model inilah objek yang menjadi tempat sebagian besar pekerjaan keterpantauan dalam rilis ini dilakukan.

Loop adalah produknya
Inkling 2 Mini adalah transformer decoder-only 24 lapis dengan lapisan feed-forward mixture-of-experts yang sparse, dibagi menjadi empat blok yang masing-masing terdiri dari enam lapis. Blok pertama dijalankan sekali, blok terakhir dijalankan sekali, dan dua blok tengah — dua belas lapis — dijalankan tiga kali dengan bobot bersama. Dengan demikian, sebuah token melewati 48 penerapan lapis yang diambil dari 24 lapis bobot tersimpan.
Pengulangan bukanlah salinan. Setiap lintasan melalui blok tengah membaca output dari prelude, dan lintasan kedua serta ketiga juga membaca apa yang oleh Thinking Machines disebut pesan: output blok tengah itu sendiri dari lintasan sebelumnya, yang digabungkan melalui gerbang yang dipelajari. Gerbang itu pada awalnya memblokir pesan sepenuhnya, sehingga pelatihan dimulai sebagai model non-looping biasa dan gain pada pesan dinaikkan seiring waktu. Ini adalah trik stabilitas pelatihan, dan juga alasan loop dapat ditambahkan di tengah proses alih-alih dilatih dari nol.
Lapisan mana yang diulang bukanlah hal yang arbitrer. Perusahaan mengukur pengulangan dua belas lapisan tengah dibandingkan dengan pengulangan dua belas lapisan terakhir pada 28 evaluasi dan menemukan bahwa lapisan tengah menang pada 27 di antaranya, dengan keuntungan setara komputasi 1,51–1,91× dibandingkan 1,24–1,36×. Intuisi yang diberikannya adalah bahwa lapisan awal dan akhir sibuk menerjemahkan antara token dan representasi internal, sementara lapisan tengah membawa penalaran abstrak yang diuntungkan oleh lebih banyak langkah serial.
Para expert dipangkas, bukan dirancang. Pelatihan dimulai pada sparsity 48, dengan setiap token dirutekan ke 8 dari 384 expert; pada satu titik selama pelatihan tahap menengah, perusahaan mempertahankan 128 expert yang paling sering digunakan per layer dan memulihkan kerusakan pada 1T token yang didistilasi dari model Inkling internal yang lebih besar, lalu menjalankan SFT dan fase RL dengan total 2,2T token selama 2.000 langkah. Itu adalah campuran pasca-pelatihan yang sama dengan Inkling 2 Small, yang membuat kekuatan kedua model berada di area yang sama.
Dua puluh, dan apa yang ada di bawahnya
Skor utamanya nyata dan diukur secara independen, dan skor itu juga mendekati batas bawah yang masih dapat dibedakan secara berguna oleh indeks. Artificial Analysis menempatkan 20 sebagai jauh di atas rata-rata untuk kelas pembanding model di papan open-weights, yang mediannya 10, tetapi rentang tepat di sekitar 20 padat dengan model yang selisih satu poin di kedua sisinya, dan indeks tidak mengurutkan model sedetail itu. Skor 20 berarti model melewati ambang, bukan bahwa model mengalahkan segala hal yang berada dalam jarak satu poin darinya.
Yang memang didukung oleh skor adalah posisi yang penting bagi model seukuran ini. Klaim Pareto dalam liputan peluncuran — kecerdasan terdepan per parameter aktif — adalah klaim yang didukung oleh ringkasan Artificial Analysis sendiri, yang menyebutnya sebagai salah satu model terdepan dalam kecerdasan untuk kelas ukurannya dan dengan harga yang wajar dibandingkan model open-weights lain berukuran serupa. Itu tercapai karena loop, yang membeli komputasi serial tanpa membeli parameter, dan klaim itu berhenti berlaku begitu Anda meminta model untuk mengetahui sesuatu alih-alih menyelesaikan sesuatu.
Kolom biaya dan kecepatan adalah bagian yang paling menonjol dari rilis ini. Dengan $0,15 untuk masukan dan $0,50 untuk keluaran, harganya berada di dasar tingkat penalaran, dan $0,59 per tugas indeks adalah seperempat dari biaya model dense 27B dalam rentang skor yang sama. Model ini cepat dalam dua hal yang terlihat dalam loop agen: 9,72 detik hingga token jawaban pertama dan 280 token keluaran per detik. Kelemahan yang mengimbanginya adalah verbositas — 161M token keluaran untuk menyelesaikan proses indeks dibandingkan median sejawat 85,7M, sekitar 1,9 kali keluaran model tipikal di kelasnya. Pada tagihan per token, itu tidak masalah. Pada anggaran token tetap, artinya Anda mendapatkan sekitar setengah jumlah tugas.

Baris pengodean, dilaporkan vendor
Tabel yang diterbitkan Thinking Machines adalah bagian terkuat dari argumennya, dan sepenuhnya miliknya sendiri. Angka-angka ini belum direproduksi dan berasal dari harness vendor; beberapa di antaranya dijalankan dengan scaffold agen milik perusahaan itu sendiri, bukan yang netral, jadi bacalah sebagai klaim tentang checkpoint yang dilatih oleh lab tersebut.
• SWE-bench Verified — 79,2%, hanya bash.
• SWE-bench Pro v2, Sulit — 77,9%.
• SWE-bench Multilingual — 73,7%.
• DeepSWE v1.1 — 48,2%, dibandingkan 42,2% yang dilaporkan untuk Qwen3.8-27B.
• Terminal Bench v2.1 — 71,6%, di bawah Qwen3.8-27B dengan 73,0; pada Terminal Bench v4.0 keduanya mencetak 5,6%.
• FrontierCode v2.0 — 15,1%, dibandingkan 14,9% untuk Qwen3.8-27B.
• Pencarian dan alat agentik — BrowseComp 79,0%, DeepSearchQA 85,3%, MCP Atlas 82,7%, masing-masing melampaui angka Qwen3.8-27B dalam tabel yang sama.
• Visi dan dokumen — MMMU Pro 74,9%, OmniDocBench v1.6 92,8%, ScreenSpot Pro 76,5% biasa dan 87,7% dengan perkakas Python.
• Penalaran — HLE-Diamond 15,2%, CritPt v2 31,4%, ARC-AGI 84,5% pada v1 dan 49,3% pada v2, LongBench v2 66,9%.
Bentuk tabel itu konsisten dengan arsitekturnya, dan itu adalah hal paling berguna dalam rilis ini. Baris-baris di mana model terlihat kuat adalah baris-baris yang memberi imbalan pada ketekunan dan penggunaan alat dalam horizon panjang: pencarian, patching berskala repositori, parsing dokumen. Baris-baris di mana model terlihat biasa saja adalah baris-baris yang membutuhkan satu recall yang benar atau inferensi ilmiah yang sulit. Pengulangan menambah langkah serial. Itu tidak menambah fakta yang tersimpan.
Looping memberi penalaran, bukan fakta.
Pembedaan itu adalah tesis rilis ini sendiri, dan perusahaan mengujinya, bukan sekadar menyatakannya. Pada AA-Omniscience, tolok ukur faktualitas, tabel vendor mencetak −8.6 untuk Inkling 2 Mini dengan tingkat non-halusinasi 63,4%. Skor negatif di sana berarti model tersebut lebih buruk daripada menolak menjawab: ia menghasilkan kesalahan dengan penuh keyakinan. Pembingkaian perusahaan adalah bahwa kesenjangan pengetahuan itu sejalan dengan model lain dengan ukuran total yang sama, dan bahwa model tersebut menutupinya dengan kemampuan mencari yang baik — yang persis ditunjukkan oleh baris BrowseComp dan DeepSearchQA, dan persis pula alasan ringkasan jujur untuk model ini adalah "bagus dalam menemukan, lemah dalam mengingat".
Pendamping loop variabel mempertajam poin ini. Horizon waktu tanpa rantai pemikiran — berapa lama suatu tugas dapat diselesaikan dengan keandalan 50% tanpa menuliskan penalaran — naik dari 16 detik pada satu lintasan menjadi 37 detik pada tiga lintasan, lalu mendatar, sementara penalaran serial pada tugas pencarian N-Hop terus meningkat hingga sepuluh lintasan, dua kali kedalaman saat dilatih. Keuntungan terkonsentrasi pada pengambilan multi-hop, penalaran matematika dan sains, serta kerja agentik berhorizon panjang. QA faktual closed-book nyaris tidak berubah.
Hasil keterpantauan adalah bagian yang paling akan menjadi perhatian para peneliti, karena inilah keberatan terhadap model berulang. Jika sebuah model melakukan lebih banyak komputasi di dalam satu token, lebih sedikit penalaran yang muncul dalam rantai pemikiran yang terlihat, dan pemantau rantai pemikiran melihat lebih sedikit. Thinking Machines mengukur ini dan menemukan bahwa efeknya lebih kecil daripada yang dikhawatirkan pada skala ini: penalaran model loop variabel pada lima lintasan kurang dari setengah panjangnya dibandingkan pada satu lintasan (rata-rata 1.661 berbanding 3.703 token) dengan panjang kalimat dan proporsi kata kamus tidak berubah, yang terbaca sebagai penalaran yang lebih langsung, bukan penalaran yang kurang mudah dipahami. Pada evaluasi stealth LinuxArena, Inkling 2 Mini pada 3,9% berada jauh di bawah 20,5% milik Qwen3.8-27B. Tidak satu pun dari itu merupakan jaminan — ini adalah pengukuran pertama pada kelas arsitektur yang sebelumnya belum pernah memiliki bobot yang dapat diunduh, dan perusahaan mengatakan secara terang-terangan bahwa mereka merilis model tersebut sebagian agar orang lain dapat memeriksanya.
Berapa biaya untuk menjalankannya
Self-hosting adalah mode yang diiklankan dan perhitungannya mudah. Checkpoint 20GB pada mesin yang sudah Anda miliki tidak memiliki biaya token marginal sama sekali, dan studi efisiensi milik vendor sendiri — yang dijalankan oleh Hazy Research dan Scaling Intelligence labs Stanford pada akses awal, dengan MXFP8 dan upaya penalaran rendah — menempatkannya pada 0,703 kecerdasan per watt di DGX Spark dibandingkan 0,430 untuk Qwen3.6-35B-A3B dan 0,159 untuk Gemma 4 26B-A4B. Itu adalah hasil yang berdekatan dengan vendor pada satu perangkat, bukan pengukuran armada, tetapi arahnya tidak samar.
Alasan jujur untuk tidak menjalankannya sendiri adalah bahwa arsitektur berulang baru memiliki kematangan layanan sekitar satu hari. SGLang, vLLM, dan lainnya mencantumkan dukungan, dan kartu model memperingatkan dengan kata-katanya sendiri bahwa dukungan runtime untuk model berulang masih baru dan kecepatannya bervariasi. Throughput yang Anda ukur di mesin Anda sendiri bergantung pada mesin inferensi yang Anda pilih dan seberapa baru kernel-nya, dan itu akan berubah lebih cepat daripada aspek lain apa pun dari model ini.
Di sini, nilai sebuah router bukanlah pada melayani Mini — kami tidak menghostingnya. Nilainya ada pada apa yang Anda letakkan di sekitarnya. Evaluasi terhadap arsitektur yang belum terbukti seharusnya tidak pernah menjadi satu-satunya hal yang menghalangi pengguna Anda dari halaman error, dan cara mengaturnya adalah dengan memanggil model yang Anda percaya untuk jalur produksi sementara Mini berjalan di sampingnya.Qwen3.8-Flash tersedia di OrcaRouter dengan harga $0.15 per juta token input dan $0.47 per juta token output, harga daftar dari penyedia yang diteruskan tanpa markup, dan DSL routing serta failover otomatis memungkinkan Anda menempatkan Mini di belakangnya pada hari Mini mencapai endpoint yang dapat kami jangkau. Satu kunci mencakup kedua sisi eksperimen itu, dan itulah keseluruhan argumennya.

Empat hal yang perlu diperhatikan
Yang pertama adalah reproduksi independen. Artificial Analysis memiliki indeks, biaya, kecepatan, dan verbositas — yang diukur — tetapi tabel pengodean itu milik lab. Sampai seseorang di luar Thinking Machines menjalankan SWE-bench Pro v2 atau DeepSWE pada bobot publik, 77,9% dan 48,2% hanyalah klaim.
Yang kedua adalah apakah akan muncul endpoint yang dihosting di luar Tinker. Checkpoint Apache 2.0 berukuran 20GB adalah persis jenis artefak yang cepat diambil oleh penyedia pihak ketiga, dan persaingan harga yang akan membuat $0.59 per tugas tampak berkelanjutan baru dimulai ketika ada penjual kedua.
Yang ketiga adalah loop itu sendiri. Jika pilot berhasil, teknik ini bersifat portabel: tiga lintasan pada lapisan tengah, sebuah gate untuk menggabungkan pesan, tanpa parameter tambahan. Setiap resep model kecil di bidang ini menjadi kandidat untuknya, dan pertanyaan yang menarik bukan lagi apakah model ini mendapat skor 20, melainkan apakah model berikutnya mendapat skor 24 dengan memori yang sama.
Poin keempat adalah bagian yang tidak diselesaikan oleh peluncuran. Model berulang memindahkan penalaran dari rantai pemikiran yang terlihat ke dalam forward pass. Thinking Machines tidak menemukan hilangnya kemampuan pemantauan yang berarti pada 5,4B parameter aktif. Belum ada yang menerbitkan pengukuran yang sama pada 50B. Itulah pertanyaan yang dibuat bisa diajukan oleh rilis ini, dan itu alasan yang lebih baik untuk peduli pada unduhan 20GB daripada skornya.
Bagi siapa pun yang mengambil keputusan minggu ini, pemisahannya jelas. Jika Anda menginginkan pengode agentik yang kompeten yang berjalan offline di perangkat keras yang sudah Anda miliki, dan Anda bersedia menjalankannya dalam sandbox serta menguji daya ingat faktualnya sebelum mempercayainya, Inkling 2 Mini adalah model kecil paling menarik yang tersedia saat ini dan harga untuk mencobanya hanyalah satu unduhan. Jika Anda membutuhkan jawaban yang dapat Anda sajikan di depan pelanggan tanpa lapisan pengambilan di belakangnya, ini bukan model itu, dan nilai 20 pada indeks tidak akan menjadikannya demikian.
