Inkling vs GLM 5.2: Model Open-Weight Mana yang Unggul dalam Skor, dan Mana yang Unggul dalam Biaya?
Inkling vs GLM 5.2 adalah salah satu pertandingan yang paling mengungkap dalam gelombang rilis open-weight saat ini, karena kedua model tersebut dioptimalkan untuk hal yang berbeda. GLM 5.2, dari Zhipu AI, adalah pemimpin terminal agen dan penalaran dalam set perbandingan ini — ia mencatat skor tertinggi pada tugas penalaran tersulit dan pengkodean jangka panjang. Inkling, model pertama dari Thinking Machines Lab milik Mira Murati, melawan dengan efisiensi token yang jauh lebih baik, ketahanan adversarial, input audio asli dan multimodal, jendela konteks 1 juta token, dan lisensi Apache 2.0. Artikel ini membandingkan kedua model secara jujur, dan membuat argumen bahwa kesenjangan tolok ukur mentah tidak selalu diterjemahkan menjadi biaya dunia nyata yang lebih tinggi.
Per: 2026-07-16, satu hari setelah peluncuran Inkling. Semua angka bersumber dan diatribusikan di bawah; tidak ada yang diaudit secara independen.
Catatan untuk pengembang: tidak ada tolok ukur head-to-head yang diaudit di sini, jadi ini membandingkan model dan akses, bukan skor. OrcaRoutermerutekan model yang tersedia melalui API di belakang satu titik akhir yang kompatibel dengan OpenAI, sehingga Anda dapat mencoba dan membandingkan Inkling dan GLM 5.2 tanpa harus menghubungkan beberapa SDKs.
Kesimpulan singkat: Pilih GLM 5.2 jika Anda menginginkan skor mentah tertinggi dalam penalaran, matematika, dan pekerjaan terminal agen, dan anggaran Anda dapat menyerap konsumsi token yang lebih tinggi. Pilih Inkling jika biaya per tugas yang diselesaikan, keamanan adversarial, input audio/multimodal, atau konteks 1M-token lebih penting daripada memuncaki papan peringkat.
Intinya: GLM 5.2 memenangkan sebagian besar baris benchmark; Inkling masih bisa memenangkan Invoice, karena ia menyelesaikan tugas dalam kira-kira 25K token output dibandingkan dengan sekitar 43K milik GLM.
Poin-poin penting
GLM 5.2 memimpin baris penalaran/agen: HLE, AIME 2026, SWE-bench Verified, dan — dengan margin yang lebar — Terminal Bench 2.1.
Inkling memimpin dalam keamanan adversarial: FORTRESS 78.0% vs 71.3%.
Poin utama Inkling adalah efisiensi: ~25K token keluaran per tugas vs ~43K milik GLM — kira-kira perbedaan 1,7x yang langsung berdampak pada biaya.
Keduanya bersifat open-weight: Inkling adalah Apache 2.0; GLM 5.2 adalah MIT. Keduanya mengizinkan penggunaan komersial dan hosting mandiri.
Inkling menambahkan modalitas dan konteks: input teks native + gambar + audio dan jendela konteks hingga 1M token.
Peringatan: angka pesaing di sini dirangkai oleh pihak ketiga/vendor dan tidak diaudit secara independen.
Pengungkapan: Tolok ukur dilaporkan sendiri oleh vendor saat peluncuran (Effort 0.99) dan angka pihak ketiga berasal dari Artificial Analysis / MarkTechPost / Vellum / BenchLM; tidak ada yang diaudit secara independen, dan angka pesaing mungkin berbeda dari angka yang dilaporkan vendor tersebut sendiri. Spesifikasi Inkling sendiri berasal dari kartu model Thinking Machines.
Perbandingan sekilas
Lisensi. Inkling: Apache 2.0; GLM 5.2 (Zhipu AI): MIT
Parameter (total / aktif). Inkling: 975B / 41B (MoE); GLM 5.2 (Zhipu AI): — (tidak dalam data kami)
Jendela konteks. Inkling: 1M token (256K pada API yang di-host); GLM 5.2 (Zhipu AI): — (tidak dalam data kami)
Modalitas (in). Inkling: Teks + gambar + audio; GLM 5.2 (Zhipu AI): — (tidak dalam data kami)
Output. Firasat: Teks saja; GLM 5.2 (Zhipu AI): Teks
Host sendiri / penyetelan halus. Inkling: Ya / ya (Tinker); GLM 5.2 (Zhipu AI): Ya (bobot tersedia) / ya
Harga hosted. Inkling: ~$1.87 masuk / ~$4.68 keluar per 1M; GLM 5.2 (Zhipu AI): — (tidak dalam data kami)
Kami tidak memiliki parameter, konteks, atau angka harga yang diaudit untuk GLM 5.2 dalam set sumber kami, sehingga sel-sel tersebut ditandai “—” daripada ditebak.
Pemenang berdasarkan kategori
Penalaran / pengetahuan (HLE). Pemenang: GLM 5.2; Catatan: 40.1% vs 29.7% (tanpa alat)
Matematika (AIME 2026). Pemenang: GLM 5.2; Catatan: 99.2% vs 97.1% — keduanya mendekati batas atas
Coding (SWE-bench Verified). Pemenang: GLM 5.2; Catatan: 80.0% vs 77.6%
Terminal agen (Terminal Bench 2.1). Pemenang: GLM 5.2; Catatan: 82,7 vs 63,8 — kesenjangan utama
Keamanan (FORTRESS adversarial). Pemenang: Inkling; Catatan: 78.0% vs 71.3%
Multimodal / audio. Pemenang: Inkling; Catatan: Audio asli + input gambar
Efisiensi (token/tugas). Pemenang: Inkling; Catatan: ~25K vs ~43K
Biaya per tugas yang selesai. Pemenang: Inkling; Catatan: Penggunaan token yang lebih rendah mengimbangi harga per token
Perbandingan langsung tolok ukur
Tabel di bawah menggunakan satu set sumber yang konsisten (MarkTechPost) sehingga baris-barisnya dapat dibandingkan. Cetak tebal menandai pemimpin.
HLE (tanpa alat). Inkling: 29.7%; GLM 5.2: 40.1%; Sumber: MarkTechPost
AIME 2026. Inkling: 97.1%; GLM 5.2: 99.2%; Sumber: MarkTechPost
SWE-bench Verified. Inkling: 77.6%; GLM 5.2: 80.0%; Sumber: MarkTechPost
Terminal Bench 2.1. Inkling: 63.8%; GLM 5.2: 82.7%; Sumber: MarkTechPost
FORTRESS (adversarial). Inkling: 78,0%; GLM 5.2: 71,3%; Sumber: MarkTechPost
Dua baris "quiet win" tambahan berasal dari sumber lain dan tidak boleh dicampur dengan set MarkTechPost di atas.
Efisiensi token (token keluaran/tugas, semakin rendah semakin baik). Inkling: ~25K; GLM 5.2: ~43K; Sumber: Artificial Analysis / BenchLM
SWE-bench Pro (Public). Inkling: 54.3%; GLM 5.2: 62.1%; Sumber: Artificial Analysis / BenchLM
HLE dengan alat (dipisahkan dari baris tanpa alat). Inkling: 46.0; GLM 5.2: 54.7; Sumber: Vellum
Catatan: angka “HLE with tools” berasal dari Vellum dan menggunakan harness yang berbeda dari baris MarkTechPost tanpa alat — jangan dibaca sebagai tes yang sama. Kami tidak memiliki skor Artificial Analysis Intelligence Index untuk GLM 5.2 dalam data kami, jadi kami tidak melaporkannya.
Di mana GLM 5.2 menang
GLM 5.2 adalah, berdasarkan angka yang kami miliki, model penalaran mentah dan agen yang lebih kuat. Ia memimpin atas Inkling dalam hal HLE (40.1% vs 29.7%), AIME 2026 (99.2% vs 97.1%), dan SWE-bench Verified (80.0% vs 77.6%). Kesenjangan yang paling mencolok adalah Terminal Bench 2.1, di mana GLM 5.2 mencetak 82.7 dibanding 63.8 milik Inkling — keunggulan yang besar dan nyata pada tugas terminal agenik jangka panjang di mana model harus merencanakan, menjalankan perintah, dan memulihkan dari kesalahan di banyak langkah. Pada SWE-bench Pro, GLM 5.2 (62.1%) kembali unggul dari Inkling (54.3%), dan juga memimpin dalam versi yang diperkaya alat HLE dengan alat pengujian (54.7 vs 46.0).
Jika beban kerja Anda didominasi oleh penalaran keras, matematika kompetisi, atau agen yang mengoperasikan shell atau IDE dalam sesi panjang, GLM 5.2 adalah pilihan dengan batas atas yang lebih tinggi, dan kesenjangannya cukup lebar pada baris-baris agenik untuk menjadi penting dalam produksi.
Di mana Inkling menang
Penangkal Inkling bukanlah sebuah tolok ukur tunggal — melainkan ekonomi dan luas permukaan.
Efisiensi token. Inkling menyelesaikan tugas dalam sekitar 25K token output versus ~43K token milik GLM. Karena Anda membayar per token output, perbedaan ~1,7x itu adalah pengungkit biaya langsung. Model yang mendapat skor beberapa poin lebih rendah tetapi menggunakan token jauh lebih sedikit dapat lebih murah per tugas yang diselesaikan bahkan pada harga per token yang sama — dan sering kali selesai lebih cepat juga.
Ketahanan terhadap serangan adversarial. Di FORTRESS, Inkling memimpin 78.0% berbanding 71.3%. Untuk deployment yang bersifat adversarial atau sensitif terhadap keselamatan, itulah baris yang paling penting.
Multimodalitas. Inkling menerima input teks, gambar, dan audio secara native (VoiceBench 91.4%, MMAU 77.2% pada kartunya sendiri). GLM 5.2 dalam data kami adalah model yang berorientasi pada teks.
Jendela konteks. Bobot Inkling mendukung hingga 1M token (256K pada API yang dihosting) — berguna untuk pekerjaan repositori utuh, dokumen panjang, atau transkrip panjang.
Lisensi. Keduanya permisif, tetapi Apache 2.0 milik Inkling adalah pilihan yang umum dan mencakup klausa paten untuk perusahaan; GLM 5.2 menggunakan MIT. Keduanya baik untuk hosting komersial sendiri.
Harga dan biaya (TCO)
Inti dari perbandingan Inkling vs GLM 5.2 adalah bahwa kepemimpinan tolok ukur dan kepemimpinan biaya bukanlah hal yang sama.
Bobot Inkling adalah bebas royalti untuk di-host sendiri di bawah Apache 2.0. Akses yang dihosting oleh pihak ketiga (melalui harga referensi Artificial Analysis) berkisar sekitar $1.87 per 1M token input dan $4.68 per 1M token output pada konteks 64K (kira-kira $3.74 / $9.36 pada 256K), dengan input cache mendekati $0.374 per 1M. Kami tidak memiliki harga hosting yang dipublikasikan untuk GLM 5.2 dalam set sumber kami, jadi kami membandingkan berdasarkan struktur daripada angka buatan.
Inilah mengapa sudut pandang biaya per tugas penting. Misalkan suatu tugas memerlukan tarif per token yang sama pada kedua model. Inkling menggunakan ~25K token keluaran; GLM 5.2 menggunakan ~43K. Itu berarti GLM 5.2 menghabiskan biaya sekitar 72% lebih banyak dalam token keluaran untuk pekerjaan yang sama, sebelum Anda bahkan memperhitungkan latensi. Jadi meskipun GLM 5.2 memenangkan sebagian besar baris tolok ukur, sebuah organisasi yang menjalankan tugas rutin dalam volume tinggi mungkin menemukan bahwa Inkling memberikan total biaya kepemilikan yang lebih rendah — keunggulan efisiensi dapat mengimbangi kesenjangan skor mentah yang sederhana. Aturan yang jujur: gunakan GLM 5.2 di mana ruang penalaran tambahan sebanding dengan token tambahan; gunakan Inkling di mana volume dan biaya mendominasi.
Lisensi dan Penyebaran
Kedua model benar-benar berbobot terbuka dan dapat di-host sendiri:
Inkling — Apache 2.0. Checkpoint BF16 dan NVFP4 penuh di Hugging Face. Tingkat VRAM: BF16 ~2TB (8×B300 / 16×H200); NVFP4 ~600GB (4×B300 / 8×H200); terdapat sebuah GGUF 1-bit Unsloth untuk pengaturan terbatas. Dihosting di Together AI, Fireworks, Modal, Databricks, dan Baseten; berjalan di SGLang, vLLM, TokenSpeed, Unsloth, dan Hugging Face transformers. Fine-tuning melalui Tinker (konteks 64K/256K, diskon peluncuran 50%).
GLM 5.2 — MIT. Bobot terbuka tersedia untuk penggunaan komersial dan hosting mandiri di bawah lisensi MIT yang permisif. Detail spesifik VRAM dan penyedia tidak ada dalam kumpulan sumber kami, jadi periksa rilis Zhipu AI untuk persyaratan yang tepat.
Mulai Cepat untuk Inkling dengan vLLM:
vllm serve thinkingmachines/Inkling --tensor-parallel-size 8
Mana yang harus Anda pilih?
Pilih GLM 5.2 jika: Anda menginginkan penalaran mentah dan matematika terkuat, atau Anda membangun alur kerja terminal/agen jangka panjang di mana keunggulan Terminal Bench 2.1 dan SWE-bench Pro-nya membuahkan hasil. Ini adalah model dengan batas atas yang lebih tinggi dalam pasangan ini.
Pilih Inkling jika: Anda menjalankan volume tinggi dan peduli dengan biaya per tugas yang selesai, membutuhkan ketahanan adversarial (FORTRESS), memerlukan input audio atau gambar, atau membutuhkan konteks 1M-token. Keunggulan efisiensinya adalah alasan untuk mengabaikan beberapa poin tolok ukur.
Pertimbangkan untuk menjalankan keduanya: arahkan penalaran keras dan operasi agen kompleks ke GLM 5.2, dan kirimkan lalu lintas volume tinggi, sensitif biaya, atau multimodal ke Inkling. Router dua model menangkap batas atas GLM dan efisiensi Inkling pada saat yang sama.
Untuk melihat lebih dalam tentang Inkling itu sendiri, lihat ulasan model AI Inkling kami dan penjelas What is Inkling AI?. Untuk pertandingan head-to-head lainnya, lihat Inkling vs Kimi K2.6 dan Inkling vs DeepSeek V4 Pro.
FAQ
Apakah Inkling lebih baik daripada GLM 5.2? Itu tergantung pada metriknya. GLM 5.2 memenangkan sebagian besar baris benchmark mentah dalam set ini — HLE, AIME 2026, SWE-bench Verified, dan terutama Terminal Bench 2.1. Inkling unggul dalam keamanan adversarial (FORTRESS), efisiensi token, multimodalitas, dan panjang konteks. Inkling bisa menjadi “lebih baik” dalam biaya per tugas yang diselesaikan bahkan di mana skornya lebih rendah.
Mana yang lebih baik untuk coding?GLM 5.2 unggul dalam kedua SWE-bench Verified (80.0% vs 77.6%) dan SWE-bench Pro (62.1% vs 54.3%), dan keunggulannya di Terminal Bench 2.1 (82.7 vs 63.8) signifikan untuk coding agen multi-langkah. Untuk kemampuan coding mentah, GLM 5.2 lebih unggul; untuk coding yang efisien biaya dalam volume besar, efisiensi token Inkling mempersempit kesenjangan.
Mana yang lebih murah? Inkling kemungkinan lebih murah per tugas yang diselesaikan. Ia menggunakan sekitar 25K token output per tugas dibandingkan dengan ~43K milik GLM, sehingga bahkan pada tingkat per token yang serupa, ia mengkonsumsi token yang dapat ditagih jauh lebih sedikit. Keduanya bebas royalti untuk di-host sendiri (Apache 2.0 untuk Inkling, MIT untuk GLM 5.2).
Apakah GLM 5.2 sumber terbuka? GLM 5.2 adalah open-weight di bawah lisensi MIT, yang mengizinkan penggunaan komersial dan hosting mandiri. Seperti semua model "open-weight", bobot dan lisensi dirilis, tetapi itu tidak identik dengan sumber terbuka penuh (data pelatihan dan pipeline belum tentu dipublikasikan).
Dapatkah saya melakukan self-host atau fine-tune pada GLM 5.2? Ya. Bobot GLM 5.2 yang dilisensikan MIT dapat di-self-host dan di-fine-tune. Inkling juga dapat di-self-host (Apache 2.0) dan di-fine-tune melalui platform Tinker milik Thinking Machines. Persyaratan perangkat keras khusus untuk GLM 5.2 tidak ada dalam sumber kami — periksa rilis Zhipu AI.
Apakah GLM 5.2 mendukung audio atau gambar? Set sumber kami tidak mencantumkan dukungan input audio atau gambar untuk GLM 5.2, jadi kami memperlakukannya sebagai berorientasi teks di sini. Inkling secara native menerima input teks, gambar, dan audio, yang merupakan salah satu keunggulannya yang paling jelas dalam perbandingan ini.
Kesimpulan
GLM 5.2 adalah pemimpin kemampuan mentah dalam perbandingan ini, mengungguli Inkling dalam penalaran, matematika, dan — yang paling menentukan — pekerjaan terminal agen. Namun Inkling merespons dengan efisiensi token yang sekitar 1,7x lebih baik, keamanan adversarial yang lebih kuat, multimodalitas asli, konteks 1M token, dan lisensi Apache 2.0. Kesimpulan praktisnya: pilih GLM 5.2 ketika batas penalaran sepadan dengan token tambahan, pilih Inkling ketika biaya per tugas yang selesai dan multimodalitas penting, dan pertimbangkan untuk merutekan di antara keduanya untuk mendapatkan yang terbaik dari keduanya.
