Inkling vs Kimi K2.6: Dua Kelas Berat Terbuka, Berhadapan Langsung
Inkling lawan Kimiadalah salah satu pertandingan open-weight yang lebih menarik pada tahun 2026, karena kedua model ini bergerak ke arah yang berbeda. Kimi K2.6, dari Moonshot AI, adalah raksasa yang berfokus pada coding dan agen yang unggul dalam beberapa tolak ukur head-to-head. Inkling, model debut dari Thinking Machines Lab (startup yang dipimpin oleh mantan CTO OpenAI Mira Murati), adalah model multimodal yang serbaguna, efisien, dibangun untuk kustomisasi daripada dominasi papan peringkat. Keduanya merilis bobotnya secara terbuka, jadi pertanyaan sebenarnya bukanlah "mana yang lebih pintar di atas kertas" tetapi "mana yang sesuai dengan beban kerja, anggaran, dan keterbatasan penerapan Anda." Perbandingan ini menyajikan angka-angka dengan jujur — termasuk di mana Kimi jelas menang.
Catatan untuk pengembang: tidak ada tolok ukur head-to-head yang telah diaudit di sini, jadi ini membandingkan model dan akses, bukan skor. OrcaRouter merutekan model yang tersedia melalui API di belakang satu titik akhir yang kompatibel dengan OpenAI, sehingga Anda dapat mencoba dan membandingkan Inkling dan Kimi K2.6 tanpa harus menghubungkan beberapa SDK.
Benchmark dilaporkan sendiri oleh vendor saat peluncuran (Effort 0.99) dan angka pihak ketiga berasal dari Artificial Analysis, MarkTechPost, Vellum, dan BenchLM; tidak ada yang diaudit secara independen, dan angka pesaing mungkin berbeda dari angka yang dilaporkan sendiri oleh vendor tersebut. Spesifikasi Inkling sendiri berasal dari kartu model Thinking Machines.
Kesimpulan TL;DR: Pilih Kimi K2.6 jika Anda menginginkan kemampuan coding mentah dan agen web yang lebih kuat, dan Anda paling peduli dengan SWE-bench, tugas terminal/agen, pengetahuan mendalam (GPQA), dan penjelajahan. Pilih Inkling jika Anda menginginkan efisiensi (lebih sedikit token per tugas), ketahanan terhadap promp adversarial, instruksi yang kuat, input audio + gambar asli, jendela konteks 1M-token, dan lisensi paling bersih yang mungkin (Apache 2.0).
Poin-poin penting
Keduanya memiliki bobot terbuka, tetapi lisensinya berbeda: Inkling adalah Apache 2.0; Kimi K2.6 hadir dengan lisensi MIT yang dimodifikasi — baca ketentuan Moonshot sebelum penggunaan komersial.
Kimi memimpin dalam hal pengkodean dan kedalaman agen: SWE-bench Verified (80.2 vs 77.6), Terminal Bench 2.1 (71.3 vs 63.8), SWE-bench Pro (58.6 vs 54.3), BrowseComp (83.2 vs 77.1), GPQA Diamond (91.1 vs 87.2), dan HLE.
Inkling unggul dalam ketahanan dan efisiensi: FORTRESS adversarial (78,0 vs 65,6), efisiensi token (~25K vs ~38K output tokens/task), IFBench pengikutan instruksi (79,8 vs 76,0), GDPval Elo (1238 vs 1190), dan τ³-Banking (24 vs 21).
Inkling menambahkan modalitas yang tidak dimiliki Kimi: input audio dan gambar native, plus jendela konteks 1M token.
Catatan kaki yang menarik: Penyesuaian halus awal Inkling yang diawasi sebagian dibangun di atas data sintetis yang mencakup generasi Kimi K2.5 — sehingga kedua model ini, dalam skala kecil, saling terkait.
Perbandingan sekilas
Maker. Inkling: Thinking Machines Lab; Kimi K2.6: Moonshot AI
Lisensi. Inkling: Apache 2.0; Kimi K2.6: Modified-MIT (periksa persyaratan)
Bobot. Inkling: Terbuka (Hugging Face); Kimi K2.6: Terbuka
Params (total / aktif). Inkling: 975B / 41B (MoE); Kimi K2.6: Tidak diungkapkan dalam data kami
Jendela konteks. Inkling: Hingga 1M token (256K pada API yang dihosting); Kimi K2.6: Tidak dalam data kami
Modalitas (masuk). Inkling: Teks + gambar + audio; Kimi K2.6: Teks (menurut data kami)
Keluaran. Inkling: Teks; Kimi K2.6: Teks
Self-host / fine-tune. Inkling: Ya, bebas royalti / Tinker; Kimi K2.6: Ya / menurut Moonshot
Harga hosted (Inkling, AA). Inkling: ~$1.87 masuk / ~$4.68 keluar per 1M; Kimi K2.6: Tidak ada dalam data kami
Pemenang berdasarkan kategori
Penalaran / Pengetahuan. Pemenang: Kimi K2.6; Catatan: Memimpin HLE (35.9 vs 29.7) dan GPQA Diamond (91.1 vs 87.2)
Matematika. Pemenang: Inkling (tipis); Catatan: AIME 2026 97.1 vs 96.4
Pengodean. Pemenang: Kimi K2.6; Catatan: SWE-bench Verified 80.2 vs 77.6; SWE-bench Pro 58.6 vs 54.3
Agentic (terminal/web). Pemenang: Kimi K2.6; Catatan: Terminal Bench 2.1 71.3 vs 63.8; BrowseComp 83.2 vs 77.1
Agentic (GDPval / perbankan). Pemenang: Inkling; Catatan: GDPval Elo 1238 vs 1190; τ³-Banking 24 vs 21
Multimodal / Audio. Pemenang: Inkling; Catatan: Input gambar + audio asli; Kimi tidak ada dalam data kami
Mengikuti instruksi. Pemenang: Inkling; Catatan: IFBench 79.8 vs 76.0
Keamanan / Ketahanan. Pemenang: Inkling; Catatan: FORTRESS adversarial 78.0 vs 65.6
Efisiensi. Pemenang: Inkling; Catatan: ~25K vs ~38K token keluaran/tugas
Konteks. Pemenang: Inkling; Catatan: jendela 1M-token
Biaya / kepemilikan. Pemenang: —; Catatan: Keduanya bebas royalti untuk di-host sendiri; lisensi berbeda
Perbandingan langsung tolok ukur
Lima baris di bawah ini berasal dari satu set yang konsisten (MarkTechPost), sehingga dapat dibandingkan secara langsung. Tebal = pemimpin.
HLE (tanpa alat). Inkling: 29.7%; Kimi K2.6: 35.9%; Sumber: MarkTechPost
AIME 2026. Inkling: 97.1%; Kimi K2.6: 96.4%; Sumber: MarkTechPost
SWE-bench Verified. Inkling: 77.6%; Kimi K2.6: 80.2%; Sumber: MarkTechPost
Terminal Bench 2.1. Inkling: 63.8%; Kimi K2.6: 71.3%; Sumber: MarkTechPost
FORTRESS (adversarial). Inkling: 78.0%; Kimi K2.6: 65.6%; Sumber: MarkTechPost
Baris tambahan “quiet win”, yang diambil dari Artificial Analysis dan BenchLM (gunakan dengan hati-hati — perangkat yang berbeda dari blok di atas):
Efisiensi token (token keluar/tugas, lebih rendah lebih baik). Inkling: ~25K; Kimi K2.6: ~38K; Sumber: Artificial Analysis
GDPval-AA v2 Elo (lebih tinggi lebih baik). Inkling: 1238; Kimi K2.6: 1190; Sumber: Artificial Analysis
τ³-Banking. Inkling: 24%; Kimi K2.6: 21%; Sumber: BenchLM
IFBench (pengikut instruksi). Inkling: 79,8; Kimi K2.6: 76,0; Sumber: BenchLM
BrowseComp. Inkling: 77.1; Kimi K2.6: 83.2; Sumber: BenchLM
SWE-bench Pro. Inkling: 54.3; Kimi K2.6: 58.6; Sumber: BenchLM
GPQA Diamond. Inkling: 87.2*; Kimi K2.6: 91.1; Sumber: BenchLM
HLE (dengan alat). Inkling: 46.0; Kimi K2.6: 54.0; Sumber: Vellum
*Kartu model milik Inkling sendiri mencantumkan GPQA Diamond sebesar 87.2%; laporan ulang Artificial Analysis menunjukkan 87.9%. Kami menggunakan 87.2 di sini untuk konsistensi. Perhatikan bahwa HLE dengan alat angka (Vellum) adalah pengukuran terpisah dari baris HLE tanpa alat di atas — jangan mencampurnya.
Catatan editor — tambahkan visual: grafik batang berkelompok dari lima baris MarkTechPost akan membuat cerita “Kimi memimpin coding/agentic, Inkling memimpin robustness/math” langsung dapat dibaca.
Di mana Kimi K2.6 menang
Berdasarkan angka-angka ini, Kimi adalah model yang lebih kuat untuk rekayasa perangkat lunak dan agen otonom. Kimi memimpin di SWE-bench Verified (80.2 vs 77.6) dan SWE-bench Pro (58.6 vs 54.3), sehingga tugas perbaikan kode di dunia nyata cenderung menguntungkannya. Kimi jauh lebih unggul dalam Terminal Bench 2.1 (71.3 vs 63.8), tolok ukur terminal agen, dan dalam BrowseComp (83.2 vs 77.1) untuk agen penjelajah web. Kimi juga unggul dalam pengetahuan luas dan penalaran sulit: HLE (35.9 vs 29.7 tanpa alat, 54.0 vs 46.0 dengan alat) dan GPQA Diamond (91.1 vs 87.2). Jika kasus penggunaan utama Anda adalah copilot pengkodean, agen terminal/pengembang, atau asisten penjelajahan penelitian, Kimi adalah basis yang lebih mampu langsung dari kotaknya.
Di mana Inkling menang
Keuntungan Inkling berkumpul di sekitar efisiensi, keandalan, dan jangkauan. Ia menyelesaikan tugas dengan kira-kira 25K token output versus Kimi's ~38K — perbedaan biaya dan latensi yang signifikan dalam skala besar, karena Anda membayar per token. Ia jauh lebih tahan terhadap prompt adversarial, mengungguli FORTRESS dengan skor 78.0 berbanding 65.6. Ia mengikuti instruksi dengan lebih setia (IFBench 79.8 vs 76.0), unggul pada GDPval agentic Elo (1238 vs 1190) dan τ³-Banking (24 vs 21), dan menang tipis pada AIME 2026 matematika (97.1 vs 96.4).
Di luar tolok ukur, Inkling menghadirkan kemampuan yang sama sekali tidak ada di kolom Kimi dalam data kami: input gambar dan audio asli, jendela konteks 1M-token (256K pada API yang dihosting), dan yang permisif Apache 2.0 lisensi. Untuk beban kerja yang berat pada dokumen, multimodal, atau bervolume tinggi — dan untuk tim yang menginginkan landasan hukum yang paling bersih — fitur struktural tersebut sering kali lebih penting daripada beberapa poin tolok ukur.
Harga & biaya / TCO
Inkling adalah bebas royalti untuk di-host sendiri; Anda hanya membayar untuk komputasi Anda sendiri. Akses yang dihosting melalui pihak ketiga berjalan sekitar $1.87 per 1M input tokens and $4.68 per 1M output tokens (konteks 64K; input cache ~$0.374/1M), naik menjadi kira-kira $3.74/$9.36 pada konteks 256K (Artificial Analysis). Penyetelan halus tersedia di platform Tinker (konteks 64K/256K, dengan diskon peluncuran waktu terbatas 50%).
Kami tidak memiliki harga hosting yang diaudit untuk Kimi K2.6 dalam set data kami, jadi kami tidak akan menyebutkan angka. Secara kualitatif, kedua model bersifat open-weight, sehingga faktor biaya utama untuk keduanya adalah token yang dikonsumsi per tugas — dan di sini keunggulan efisiensi Inkling ~25K vs ~38K secara langsung menurunkan total biaya kepemilikan pada perangkat keras yang sebanding. Jika Anda berencana untuk self-host, buatlah anggaran terutama berdasarkan throughput dan efisiensi token dari beban kerja tipikal Anda, bukan berdasarkan harga dasar.
Lisensi & penerapan
Kisah lisensi adalah perbedaan struktural yang paling jelas. Inkling adalah Apache 2.0 — penggunaan komersial dan hosting mandiri secara eksplisit bebas royalti, dengan kewajiban minimal. Kimi K2.6 dirilis dengan lisensi “modified-MIT”; MIT sangat permisif, tetapi modifikasi adalah yang penting, jadi baca persyaratan pasti Moonshot sebelum Anda membangun produk komersial di atasnya.
Untuk menjalankan Inkling, ambil checkpoint BF16 atau NVFP4 dari Hugging Face. Tingkatan VRAM: BF16 memerlukan sekitar 2TB (8×B300 atau 16×H200); checkpoint NVFP4 mengurangi itu menjadi sekitar 600GB (4×B300 atau 8×H200); dan Unsloth 1-bit GGUF tersedia untuk pengaturan terbatas. Runtime yang didukung termasuk SGLang, vLLM, TokenSpeed, Unsloth, dan Hugging Face transformers, dan penyedia hosting termasuk Together AI, Fireworks, Modal, Databricks, dan Baseten. Panduan cepat yang umum adalah satu baris perintah:
vllm serve thinkingmachines/Inkling --tensor-parallel-size 8
Untuk Kimi K2.6, bobotnya terbuka dan dapat dihosting sendiri sesuai rilis Moonshot; tingkatan VRAM spesifik dan detail penyedia berada di luar set data terverifikasi kami, jadi konfirmasikan terhadap kartu model Moonshot.
Mana yang harus Anda pilih?
Copilot pengkodean / agen pengembang / otomasi terminal →Kimi K2.6. Keunggulan SWE-bench dan Terminal Bench adalah angka-angka yang paling relevan untuk keputusan di sini.
agen riset penjelajahan web → Kimi K2.6 (BrowseComp 83.2).
Inferensi dengan volume tinggi dan sensitif biaya → Inkling. Lebih sedikit token per tugas menghasilkan penghematan nyata.
Aplikasi multimodal (input gambar/audio) atau konteks dokumen besar → Inkling, secara default — Kimi tidak ada dalam data kami untuk hal tersebut.
Penyebaran yang kritis terhadap keselamatan atau berhadapan dengan musuh → Inkling (FORTRESS 78.0).
Lisensi komersial yang ketat dan rendah gesekan →Apache 2.0 milik Inkling adalah pilihan yang lebih aman.
Menyetel dasar yang dapat disesuaikan → salah satu berfungsi; jalur Tinker dari Inkling plus Apache 2.0 adalah cerita yang lebih siap pakai.
Banyak tim akan memilih split: Kimi untuk lapisan coding/agen, Inkling untuk pekerjaan volume tinggi, multimodal, atau konteks panjang — keduanya dihosting sendiri.
FAQ
Apakah Inkling lebih baik daripada Kimi K2.6?Tidak ada yang secara ketat "lebih baik." Kimi K2.6 memimpin dalam tolok ukur pengkodean, agen, dan pengetahuan luas (SWE-bench, Terminal Bench, BrowseComp, GPQA, HLE). Inkling memimpin dalam efisiensi, ketangguhan (FORTRESS), kepatuhan instruksi, matematika (AIME), dan menambahkan input audio/gambar serta konteks 1M token. Pilih berdasarkan beban kerja.
Mana yang lebih baik untuk coding?Kimi K2.6, berdasarkan angka-angka ini — memimpin SWE-bench Verified (80,2 vs 77,6) dan SWE-bench Pro (58,6 vs 54,3). Inkling tetap kompetitif dan lebih efisien token, yang penting untuk biaya pada skala besar.
Mana yang lebih murah untuk dijalankan? Keduanya berbobot terbuka dan bebas royalti untuk dihosting sendiri, sehingga biaya didorong oleh token per tugas. ~25K output token per tugas Inkling vs ~38K Kimi memberikan keunggulan efisiensi struktural (dan karenanya biaya) pada perangkat keras yang sebanding. Harga hosting Inkling adalah ~$1,87/$4,68 per 1M masuk/keluar; kami tidak memiliki harga hosting Kimi yang diaudit.
Apakah Kimi K2.6 bersifat sumber terbuka? Kimi K2.6 adalah bobot terbuka di bawah lisensi modified-MIT. Lisensi tersebut sangat permisif, tetapi "bobot terbuka" tidak identik dengan lisensi sumber terbuka standar OSI — tinjau persyaratan persis Moonshot sebelum penggunaan komersial. Inkling, sebaliknya, adalah Apache 2.0.
Bisakah saya melakukan self-host atau fine-tune keduanya?Ya. Keduanya menerbitkan bobot yang dapat diunduh. Inkling menawarkan jalur fine-tuning terkelola melalui Tinker (dengan penyedia yang dihosting seperti Together AI dan Fireworks untuk inferensi); Kimi dapat di-host sendiri sesuai rilis Moonshot. Konfirmasi persyaratan perangkat keras Kimi terhadap kartu modelnya.
Apakah angka-angka benchmark ini dapat diandalkan? Anggaplah sebagai indikasi. Angka-angka tersebut dilaporkan sendiri oleh vendor saat peluncuran atau merupakan angka pihak ketiga (MarkTechPost, Artificial Analysis, Vellum, BenchLM), tidak ada yang diaudit secara independen, dan angka kompetitor mungkin berbeda dari angka yang dilaporkan sendiri oleh Moonshot.
Kesimpulan
Inkling vs Kimi K2.6 adalah sebuah trade-off yang nyata, bukan sebuah knockout. Kimi K2.6 adalah pembuat kode dan agen web yang lebih kuat dan memenangkan tolok ukur pengetahuan utama; Inkling menang dalam efisiensi, ketangguhan, kepatuhan instruksi, dan jangkauan modalitas, semuanya di bawah lisensi Apache 2.0 yang lebih bersih. Pilih Kimi untuk kedalaman agen teknik, pilih Inkling untuk pekerjaan yang hemat biaya, multimodal, konteks panjang, dan sensitif terhadap keselamatan — dan pertimbangkan untuk menjalankan keduanya.
