Inkling 2 Small Mampu Mengimbangi dalam Coding dengan 17B Parameter Aktif — Sampai Anda Melihat Variansinya

Dua garis pada grafik peluncuran Thinking Machines bertemu di angka yang sama. Inkling 2 Small menyelesaikan 54,25 dari 69 tugas PMPP-Hard dalam satu percobaan dan 64 dalam empat percobaan. Claude Opus 5.5 menyelesaikan 60 dalam satu percobaan dan 64 dalam empat percobaan. Dirilis pada 5 November 2026, Inkling 2 Small adalah model mixture-of-experts dengan 594B parameter total dan 17B parameter aktif, dan grafik itu adalah pernyataan paling jelas tentang apa yang diperoleh arsitektur ini dan apa yang tidak: batas atas sebuah model frontier dalam pekerjaan rekayasa yang sulit, tanpa keandalan per percobaan seperti yang dimilikinya.

Klaim yang beredar lebih sempit dan lebih menyanjung — bahwa dalam tolok ukur pengodean, model itu dengan mudah mengimbangi model yang jauh lebih besar. Klaim tersebut dapat diuji terhadap tabel milik vendor sendiri, baris demi baris, dan klaim itu bertahan di beberapa tempat, gagal di tempat lain, dan gagal paling menarik ketika dihadapkan pada model yang jauh lebih kecil darinya. Tulisan ini melakukan pembacaan baris demi baris, lalu mengajukan pertanyaan yang tidak dapat dijawab tabel: berapa biaya kecepatan itu per tugas setelah model benar-benar masuk ke tagihan Anda.

Enam baris pengodean, dibaca tanpa gloss

Semua yang ada di bawah ini berasal dari tabel evaluasi yang diterbitkan Thinking Machines bersama pengumumannya. Ini adalah harness yang dijalankan vendor — perusahaan menyatakannya sendiri, dan menyatakan bahwa baris coding menggunakan unit test tersembunyi serta pemeriksaan programatik. Tidak ada satu pun di sini yang telah direproduksi secara independen, dan itu penting karena tabel yang sama mencantumkan Artificial Analysis Intelligence Index sebesar 30,6 untuk Inkling 2 Small, sementara halaman resmi Artificial Analysis mencantumkan 31. Itu perbedaan pembulatan, bukan sengketa, tetapi itu menunjukkan bahwa tabel tersebut adalah cuplikan yang diambil oleh lab, bukan papan langsung.

Terhadap Kimi K3, model open-weights terbesar dalam perbandingan, klaim soal kecepatan itu berakhir imbang:

• FrontierCode v2.0 — Inkling 2 Small 25,4% vs Kimi K3 17,3%.

• DeepSWE v1.1 — 72,1% vs 68,5%.

• SWE-bench Pro v2 (Hard) — 86,3% vs 88,2%.

• Vibe Code Bench v1.1 — 81,6% vs 85,0%.

• PostTrainBench v1.2 — 31,9% vs 31,5%.

• Terminal Bench Science v0.1 — 5,7% vs 8,1%.

Masing-masing tiga baris. Sebuah model yang menjalankan 17B parameter per token menyamai model yang satu orde lebih besar dalam hal komputasi yang digunakannya, dan melakukannya di dua ujung spektrum coding yang biasanya terpisah: benchmark patch dari nol di FrontierCode dan benchmark agentic berskala repositori di DeepSWE. DeepSWE adalah yang perlu ditimbang, karena itulah baris di mana sebuah model harus menjaga rencana tetap utuh di banyak panggilan alat, bukan sekadar menghasilkan satu diff yang bagus.

Dibandingkan dengan DeepSeek V4.1 Flash 1017, gambaran berbalik, dan inilah perbandingan yang penting secara komersial ketimbang secara arsitektural, karena tier flash DeepSeek murah. Inkling 2 Small tertinggal pada empat dari lima baris yang dijalankan kedua model — FrontierCode 25,4% vs 28,5%, DeepSWE 72,1% vs 77,0%, Vibe Code Bench 81,6% vs 87,7%, Terminal Bench Science 5,7% vs 12,9% — dan hanya unggul pada PostTrainBench, 31,9% vs 30,5%. DeepSeek tidak memiliki entri SWE-bench Pro, yang kurang menguntungkan bagi Thinking Machines, karena 86,3% adalah angka coding terbaik Inkling 2 Small dan itu akan menjadi baris tunggal paling persuasif untuk dimenangkan.

Model yang lebih kecil adalah model yang tidak dapat diimbanginya.

Perbandingan yang tidak dijadikan sorotan utama dalam materi peluncuran adalah Claude Haiku 5.5, dan justru inilah yang seharusnya membuat calon pembeli ragu. Haiku adalah tingkat kecil dan murah dalam lini Anthropic — sama sekali bukan model 594B — dan ia menang di tiga dari lima kategori coding yang sama-sama diikuti keduanya: FrontierCode 34,9% vs 25,4%, Vibe Code Bench 90,4% vs 81,6%, dan Terminal Bench Science 20,0% vs 5,7%, dengan selisih lebih dari tiga kali lipat.

Inkling 2 Small memenangkan dua lainnya secara meyakinkan: DeepSWE 72,1% berbanding 59,9% dan SWE-bench Pro 86,3% berbanding 52,9%. Jika dibaca bersama, polanya sama sekali bukan tentang ukuran. Haiku menang pada baris yang menilai satu artefak yang dihasilkan — sebuah diff, UI, sesi terminal yang dijalankan hingga selesai. Inkling 2 Small menang pada baris ketika model harus terus mengerjakan suatu masalah selama banyak langkah dan meningkatkan jawabannya sendiri. Melawan Gemini 3.8 Flash, hasilnya bahkan lebih ketat: Inkling memenangkan FrontierCode, SWE-bench Pro, dan Vibe Code Bench, kalah tipis di DeepSWE dengan 72,1% berbanding 73,8%, dan kalah cukup jauh di Terminal Bench Science dengan 5,7% berbanding 10,0%.

Satu detail dari pengumuman itu layak dicatat bagi siapa pun yang membaca papan peringkat. Thinking Machines mengatakan pihaknya menguji checkpoint awal Inkling 2 Small pada OpenCode dengan nama Fledge-Alpha. Skor Fledge-Alpha apa pun yang Anda lihat di papan coding sebelum peluncuran adalah model ini, dengan nama samaran, dan itu bukan versi finalnya.

Apa yang diperoleh dari empat percobaan, dan berapa biaya 18.5 menit

PMPP-Hard adalah 69 tugas, empat percobaan independen, anggaran sepuluh jam, dinilai berdasarkan rata-rata tugas yang diselesaikan. Skor 54,25 milik Inkling 2 Small bagus tetapi tidak luar biasa — berada di belakang GPT-6 Astra dengan 63, Kimi K3.1 Pro dengan 60,5 dan Opus 5.5 dengan 60, serta di depan Kimi K3 dengan 55,75, DeepSeek V4.1 Flash dengan 55,25, GLM 5.3 dengan 52,5 dan Mistral Large 4 dengan 50,25.

Pass@4-nya sebesar 64 adalah titik ketika angka itu tidak lagi biasa. Angka itu menyamai 64 milik Opus 5.5 dan mengalahkan 63 milik Astra serta 63 milik Kimi K3.1 Pro. Beri ia empat kesempatan dan ia mencapai plafon yang sama dengan model-model terbaik dalam grafik; beri satu kesempatan dan ia tertinggal hampir enam tugas. Jika alur kerja Anda sudah mengambil beberapa percobaan dan memilih pemenang dengan menjalankan pengujian, selisih yang penting menjadi kecil. Jika alur kerja itu hanya mengambil satu sampel lalu langsung merilis, selisih itu adalah seluruh ceritanya.

Asimetri yang sama juga terlihat pada grafik kernel-autoresearch, dan di sana hal itu tidak menguntungkan Inkling 2 Small. Percepatan kernel terbaik dibandingkan baseline: 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×. Kira-kira sepertiga dari percepatan yang dicapai para pesaing terdepan pada tugas yang sama, yang jauh dari cukup untuk sekadar mengimbangi.

Lalu ada wall clock. Setiap evaluasi yang diterbitkan dijalankan pada effort 0,99 — pengaturan yang oleh Thinking Machines disebut xhigh — pada temperature 1,0. Artificial Analysis, yang menguji endpoint live alih-alih harness pengembangan, mengukur 18,5 menit per tugas Intelligence Index dibandingkan median sejawat 7,0, dan 154M token keluaran dibandingkan median 89,8M. Biaya per tugas indeks adalah $1,18, menempati peringkat ke-27 dari 29 model pada papan tersebut. Kecepatan keluaran adalah 135 token per detik dengan 34,15 detik hingga token jawaban pertama, dibandingkan median 11,57 detik. Model ini tidak lambat per token. Model ini lambat karena berpikir lama dan menulis banyak selama melakukannya.

Di mana angka aktif 17B benar-benar membuahkan hasil

Model mixture-of-experts ditagih berdasarkan parameter aktif, dan itulah seluruh alasan komersial untuk arsitektur ini. Inkling 2 Small dihargai $0,30 per juta token input dan $1,00 per juta token output, dengan input yang di-cache didiskon 90% menjadi $0,03 — campuran $0,18 per juta pada rasio cache-hit terhadap input terhadap output 7:2:1, menurut Artificial Analysis. Model median di papan tersebut mengenakan biaya $0,24 untuk input dan $0,87 untuk output, jadi Inkling 2 Small dihargai seperti model kelas menengah, bukan seperti model 594B.

Campuran pelatihan menjelaskan penekanan tersebut. Pengodean mencakup 38,5% rollout pembelajaran penguatan dan 65% token — blok tunggal terbesar, dan lebih dari dua pertiga dari semua yang dihasilkan model selama RL. Visi mencakup 13,9% rollout tetapi 3% token. Apa pun juga model ini, ia telah dilatih lanjut untuk menulis dan memperbaiki kode secara panjang lebar.

Jadi perhitungan yang jujur adalah per percobaan yang berhasil, bukan per token. Inkling 2 Small dengan $1.18 per tugas indeks dan empat percobaan untuk mencapai batas kemampuannya adalah pembelian yang berbeda dari model dengan harga dua kali lipat yang mencapainya dalam satu percobaan. Tidak ada konfigurasi yang salah; keduanya adalah kontrak yang berbeda dengan anggaran latensi Anda.

Apa yang bisa Anda sebut hari ini, dan apa yang tidak bisa

Inkling 2 Small tersedia melalui Tinker untuk inferensi dan fine-tuning, dengan bobot tertutup dan tanpa penyedia kedua. Thinking Machines mengatakan bahwa pihaknya berniat menerbitkan bobot lengkapnya di bawah Apache 2.0 "pekan depan," setelah pengujian keamanan eksternal dan red-teaming, dan hal itu belum terjadi per 6 November 2026. Endpoint serverless disajikan pada konteks 256K, lebih sempit daripada jendela 1M yang menjadi kapasitas penanganan saat model dilatih.

Itu tidak ada di OrcaRouter, dan tulisan ini tidak akan berpura-pura sebaliknya. Yang ada di OrcaRouter adalah sebagian besar kumpulan pembanding yang baru saja diuraikan artikel ini — Kimi K3, DeepSeek V4.1 Flash 1017, GLM-5.3 Flash, Gemini 3.8 Flash, MiMo V2.6 Pro — dapat diakses dengan satu kunci di lebih dari 200 model, dengan harga daftar penyedia diteruskan tanpa diubah dan tanpa markup tambahan. Itu penting untuk tepatnya penggunaan yang tersirat dalam artikel ini: jika Anda ingin mengetahui apakah MoE aktif 17B cukup baik untuk repositori Anda, eksperimen termurah adalah menjalankan evaluasi Anda sendiri terhadap model-model di kedua sisinya, dalam satu tagihan, alih-alih menandatangani empat kontrak.

Failover otomatis adalah separuh lainnya dari itu. Tabel benchmark tidak menjelaskan apa pun tentang apakah proses agentic yang panjang tetap bertahan saat penyedia mengalami gangguan sesaat pada menit keempat belas, dan model-model yang terlihat paling berdekatan pada DeepSWE justru adalah model yang sebenarnya akan Anda pertukarkan.

Tiga hal akan mengubah pembacaan ini. Uji ulang independen FrontierCode atau DeepSWE, karena angka-angka ini milik lab itu sendiri dan baris SWE-bench Pro memainkan peran persuasif yang besar. Rilis bobot, karena Apache 2.0 akan membuat model 594B dapat di-hosting sendiri dan menempatkan angka $1,18 per tugas di bawah kendali Anda. Dan tier terbit apa pun di bawah xhigh, karena setiap angka dalam tulisan ini dihasilkan pada upaya maksimum — jika pengaturan yang lebih rendah memperoleh sebagian besar akurasi dengan sebagian kecil dari 154M token, kasus biaya membaik dan belum ada yang menunjukkan itu.

Perbandingan diatur pada satu kunci

Model-model yang dibandingkan dengan Inkling 2 Small pada baris di atas, dengan dua pengecualian, adalah model yang dapat Anda panggil dari satu endpoint saat ini. Dua pengecualiannya adalah Inkling 2 Small sendiri, yang hanya tersedia di Tinker, dan Claude Haiku 5.5, yang tidak ada dalam katalog OrcaRouter. Sisanya dalam tabel adalah: Kimi K3, model open-weight yang disamai Inkling 2 Small; DeepSeek V4.1 Flash 1017, model murah yang unggul atasnya pada empat dari lima baris; GLM-5.3 Flash, model kecil yang dikalahkannya dengan nyaman; dan Gemini 3.8 Flash, model ukuran menengah yang hasilnya imbang dengannya.

Himpunan itulah yang layak dijalankan, karena pertanyaan menarik bagi sebuah tim bukanlah apakah model mixture-of-experts dengan 17B aktif mengesankan secara abstrak — tabel di atas sudah menjawabnya — melainkan apakah model itu mengalahkan model yang sudah ada di produksi pada repositori, rangkaian pengujian, atau kernel spesifik yang Anda pedulikan. Itu adalah pertanyaan yang hanya dapat dijawab oleh evaluasi Anda sendiri, dan jauh lebih murah untuk menjawabnya pada empat model dengan satu kunci daripada pada empat vendor.

Apa yang ditetapkan oleh peluncuran ini lebih sempit daripada yang disiratkan oleh reaksi terhadapnya. Model 594B dengan 17B parameter aktif kini menahan imbang model open-weights terbesar dalam coding, memenangkan dua baris yang memberi imbalan atas kerja berkelanjutan, dan kalah dari model tertutup kecil pada tiga baris yang menilai satu artefak. Itu hasil nyata dan bukan hasil frontier. Biaya untuk mengetahui di sisi mana beban kerja Anda berada adalah $0.30 dan $1.00 per juta token, 18,5 menit per tugas sulit, dan kemauan untuk mengambil sampel lebih dari sekali.