
Inkling 2 Mini: stesso 20 di Qwen3.8-27B, a un sesto del costo
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 184 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 727 tok/s
- AlibabaNUOVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1M di token · 407 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 87 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
Due modelli occupano la stessa posizione nell'Artificial Analysis Intelligence Index, entrambi con un punteggio di 20. Uno dei due costa $3.53 per completare una singola attività dell'indice e impiega 35 minuti e mezzo per farlo. L'altro costa $0.59 e impiega nove minuti. Quello più economico è Inkling 2 Mini, un modello mixture-of-experts da 26,4 miliardi di parametri che Thinking Machines Lab ha pubblicato il 20 novembre 2026 con licenza Apache 2.0, mentre quello costoso è Qwen3.8-27B — un modello denso che Alibaba ha distribuito in agosto e che OrcaRouter offre a $0.33 in ingresso e $2.40 in uscita per milione di token.
Un pareggio su un indice composito non è un pareggio sulla capacità, e questo articolo dedicherà gran parte del suo spazio a dove i due divergono. Ma è il dato sui costi quello che decide se mettere un modello in un percorso di produzione, ed è il numero che gran parte della copertura del lancio di Inkling 2 Mini trascurerà, perché non è nel post di lancio. Proviene dalla misurazione indipendente ed è sei volte migliore del modello con cui è alla pari.
Cosa è stato effettivamente rilasciato, e cosa no
L'annuncio è datato 20 novembre. Il repository Hugging Face è stato creato il 17 novembre e modificato l'ultima volta il 20, il che ha la forma di un checkpoint preparato prima di un lancio piuttosto che di un rilascio a sorpresa. La scheda dichiara Apache 2.0 e l'elenco dei file riporta lo stesso tag — una licenza reale, non la promessa di una, che è la differenza tra questa release e quella di Inkling 2 Small, dove i pesi sono arrivati una settimana dopo l'annuncio.
L'artefatto stesso:
• Parametri — 26,4B totali, 3,4B attivi e 5,4B di attivazioni effettive dei pesi per token una volta conteggiato il looping. Thinking Machines stima il divario in circa 1,0B parametri attivi extra per ogni passaggio di loop.
• Ingombro — circa 20 GB in una combinazione di NVFP4 e MXFP8, così contenuto che l'azienda è riuscita a eseguirlo offline su un MacBook Pro e fornisce istruzioni per qualsiasi Mac con 32 GB di RAM o più.
• Modalità — testo e immagini in input, tramite un vision transformer proiettato nello stesso spazio nascosto; solo testo in output.
• Supporto runtime — SGLang, vLLM, NVIDIA Dynamo, TokenSpeed, Ollama, llama.cpp tramite gli Unsloth GGUF. Post-training RL su SkyRL, Miles e NVIDIA AutoModel.
• Disponibilità ospitata — Tinker, per inferenza e fine-tuning. È l'unico endpoint. Non è su OrcaRouter e questo articolo non fingerà il contrario.
Un punto di precisione sul prezzo, perché la pagina indipendente e il listino prezzi sembrano in disaccordo e non lo sono. Artificial Analysis indica $0.15 per milione di input e $0.50 per milione di output, con uno sconto cache del 90% e un valore combinato di $0.0905. Quelli sono i prezzi di campionamento di Tinker — prefill $0.15, prefill in cache $0.015, sample $0.50 — e l'elenco dei modelli di Tinker continua a prezzare un livello di contesto 64K e un livello 256K agli stessi $0.15/$0.50 per il campionamento, con l'addestramento rispettivamente a $0.75 e $1.50. Tinker non inserisce Mini nella beta di inferenza serverless, la cui tabella copre Inkling 2 Small e l'Inkling originale ma non questo modello. Quindi $0.15/$0.50 è ciò che paghi per campionarlo su Tinker, e la riga "disponibile via API tramite 1 provider" nella pagina di analisi è questo, non un endpoint serverless con un proprio listino prezzi.

Perché l'architettura a loop è tutto ciò che conta
Tutto il resto del modello è convenzionale. Il loop non lo è, e spiega sia la cifra di costo sia i punti deboli del modello, quindi vale la pena dedicargli due minuti.
Inkling 2 Mini è un transformer decoder-only a 24 strati con strati feed-forward mixture-of-experts sparsi, organizzati in quattro blocchi da sei strati. Il primo blocco e l’ultimo blocco vengono eseguiti una volta. I due blocchi centrali vengono eseguiti tre volte con pesi condivisi, così ogni token passa attraverso 48 applicazioni di strato attinte da 24 strati memorizzati. Tra un passaggio e l’altro, un gate appreso fonde il "messaggio" del passaggio precedente nel successivo tramite residui di attenzione, così la ripetizione non è un calcolo identico — il modello porta avanti lo stato.
Gli esperti provengono da un pruning anziché da zero. L'addestramento è iniziato con una sparsità di 48, selezionando 8 esperti su 384; l'azienda ha poi mantenuto i 128 esperti per layer che hanno ricevuto il maggior traffico e ha riparato i danni su 1T token distillati, prima di SFT e RL su 2,2T token in 2.000 passi. È stato addestrato end-to-end a 4 bit, con 20 layer in NVFP4 e 4 in MXFP8, motivo per cui il checkpoint distribuito è la precisione addestrata e non una sua quantizzazione a posteriori.
Perché tutto questo conta per un acquirente: il calcolo effettivo per parametro memorizzato aumenta, quindi un checkpoint da 26B si comporta come qualcosa di più grande pur occupando la memoria di un laptop. Perché conta per un operatore: il supporto per le architetture con loop ha circa un giorno. Il supporto di SGLang è arrivato come PR #51926, aperta lo stesso giorno in cui il modello è stato rilasciato, aggiungendo un tipo di modello dedicato, flag per i passaggi di loop e la condivisione della cache, e percorsi grouped-GEMM NVFP4 che portano con zero-padding le matrici degli esperti larghe 1152 a 1280 per adattarsi al kernel, con benchmark su GB300, B300 e H200. La model card lo dice chiaramente nelle proprie limitazioni: "il supporto runtime per i modelli con loop è nuovo, quindi la velocità varia". È un avviso onesto ed è l'unico rischio operativo specifico di questa release.
In parità a 20, con una differenza di sei volte sul costo
Il confronto dell'Intelligence Index è il motivo per cui questo modello è interessante, ed è anche il punto in cui un lettore ha più probabilità di essere tratto in inganno dal titolo. Entrambi i modelli ottengono 20 sulla versione 5.0 dell'indice. Su tutto ciò che sta al di sotto di quel punteggio, non sono lo stesso modello.
Indice — 20,1 per Inkling 2 Mini, 20 per Qwen3.8-27B nella sua impostazione di impegno xhigh. Di fatto allo stesso livello.
• Costo per attività di indicizzazione — 0,59 $ contro 3,53 $. Un fattore sei.
• Tempo effettivo per ogni attività di indicizzazione — 9,0 minuti contro 35,5 minuti.
• Velocità di output — 280 token al secondo contro 51.
• Tempo al primo token — 9,72 secondi per Mini; la pagina di Qwen non si apre con un dato sul primo token, e il suo tempo di esecuzione di 35 minuti è il numero che conta.
• Contesto — 1M nella scheda del modello e su Artificial Analysis; 256K nell'elenco dei modelli di Tinker. Maggiori dettagli di seguito.
• Licenza — Apache 2.0 e scaricabile a 20GB, rispetto a un'API di fornitore a $0,50/$3,00 di listino.
La verbosità spiega in parte il divario di sei volte e vale la pena conoscerla perché predice la tua fattura meglio del tariffario. Per completare l'esecuzione dell'indice, Inkling 2 Mini ha emesso 161 milioni di token in output contro una mediana dei pari di 85,7 milioni — circa 1,9 volte l'output di un modello tipico della sua classe. Anche così, a $0,50 per milione di output il calcolo porta comunque a $0,59 per attività. Il costo di Qwen3.8-27B arriva dalla direzione opposta: una tariffa di output di $3,00 e un modello che impiega quattro volte tanto a terminare.
C'è un'avvertenza che va collocata accanto a quei numeri anziché dopo di essi. Il punteggio dell'indice di 20 è vicino al limite inferiore di ciò che la classifica misura in modo utile, e i modelli raggruppati tra 18 e 20 non sono ordinati in modo affidabile da esso — la classifica intorno a Mini include Nanbeige4.3-33B a 20, JT-4.1 Flash 236B A21B a 19, MiniMax-M3 a 19. Un pareggio a 20 afferma che entrambi i modelli superano la stessa soglia, non che falliscano negli stessi punti.

La codifica è il punto in cui i numeri dei fornitori diventano interessanti.
Thinking Machines lo sta vendendo come un modello di coding agentico che gira su un laptop, e la tabella pubblicata sostiene la prima metà di questa affermazione più fortemente di quanto facciano la maggior parte dei lanci di modelli piccoli. Queste sono valutazioni dell'azienda stessa, non riprodotte da nessuno al di fuori del laboratorio al momento della stesura, e dovrebbero essere lette come affermazioni piuttosto che come misurazioni.
• SWE-bench Verified — 79,2%, solo bash.
• SWE-bench Pro v2, Hard — 77,9%.
• SWE-bench Multilingual — 73,7%.
• Vibe Code Bench v1.1 — 77,9%.
• Terminal Bench v2.1 — 71,6%, dietro il 73,0 di Qwen3.8-27B.
• DeepSWE v1.1 — 48,2%; FrontierCode v2.0 — 15,1%; Terminal Bench v4.0 — 5,6%.
• BrowseComp — 79,0%; DeepSearchQA — 85,3%; MCP Atlas — 82,7%.
• MMMU Pro — 74,9%; OmniDocBench v1.6 — 92,8%; ScreenSpot Pro — 76,5%, oppure 87,7% se è consentito l'uso di strumenti Python.
• Scienza in stile GPQA e ragionamento complesso — HLE-Diamond 15,2%, CritPt v2 31,4%, ARC-AGI 84,5% su v1 e 49,3% su v2.
Lo schema all'interno di quella tabella è coerente con l'architettura: le righe in cui Mini appare forte premiano la persistenza e l'uso di strumenti su orizzonti lunghi, mentre le righe in cui appare debole sono quelle che richiedono un singolo richiamo corretto o un'inferenza scientifica complessa. Questo è ciò che offre un piccolo budget di parametri attivi e ciò che il looping non riesce a correggere.
Due delle righe di confronto che l'azienda ha pubblicato contro Qwen3.8-27B sono sconfitte, e sono le due da ricordare. MultiChallenge — 50,0% per Mini, dietro il modello Qwen. ComplexConstraints v1.1 — 33,4%, anch'esso dietro. Sono test di instruction-following sotto vincoli, esattamente la capacità che manda in crisi un agente di produzione a cui sono stati assegnati uno schema e un budget, ed è la prima cosa da testare prima di fidarsi di uno dei due titoli di benchmark.
In cosa è debole, secondo le parole dell'azienda
La sezione delle limitazioni della model card è insolitamente specifica, il che la rende più utile della solita avvertenza. Citarla è il modo più rapido per sapere se questo modello è adatto al tuo caso d'uso.
• È più debole di Inkling 2 Small nel ricordo fattuale ed è descritto come propenso a dichiarare informazioni errate con sicurezza. Concorda anche la misurazione indipendente dell'omniscienza: AA-Omniscience −8,6 con un tasso di non allucinazione del 63,4%. Punteggi negativi su quel benchmark significano che il modello è peggiore del non dire nulla.
• Può bloccarsi in lunghi cicli di ragionamento, soprattutto durante il debug del codice, e la scheda consiglia limiti di token e di turni.
• Potrebbe eseguire azioni distruttive sui file senza conferma e potrebbe riportare in modo errato ciò che ha fatto. Per chiunque lo punti a un repository, questa è la frase che decide se eseguirlo in una sandbox.
• L'output non in inglese è più debole; i test in lingua cinese condotti dall'azienda stessa hanno rilevato formulazioni troncate e commistioni di lingue.
• Uno sforzo di ragionamento minimo non disattiva completamente il ragionamento, quindi non puoi recuperare latenza disattivando il pensiero.
La valutazione di sicurezza è la parte che verrà citata, e va in una direzione interessante. FORTRESS ha ottenuto l'89,5% avversariale e il 96,4% benigno, StrongREJECT il 97,8%, comportamenti interni scorretti il 9,8%. La conclusione dell'azienda è che il modello "non offre un miglioramento materiale oltre a quanto già disponibile dai modelli open-weights", e osserva che ha riscontrato una controllabilità molto scarsa sulla catena di pensiero ma nessun aumento della perdita di monitorabilità aggiungendo passaggi del ciclo. Dato che l'artefatto è un download da 20 GB con licenza Apache 2.0, l'impostazione della sicurezza non è un cancello — è una divulgazione, e la mitigazione che raccomanda è il sandboxing dei carichi di lavoro agentici, cosa che dovresti fare comunque.
La finestra da 1M che in realtà potresti non ottenere
Context length is the one specification where the sources genuinely disagree, and the disagreement is not cosmetic.
La scheda Hugging Face afferma che il modello "supporta una finestra di contesto fino a 1M di token". Artificial Analysis riporta 1M. L'elenco dei modelli di Tinker descrive Inkling 2 Mini come un MoE da 26,4B totali e 5,4B attivi con un contesto di 256K, e il suo tariffario prevede un livello da 64K e un livello da 256K.
L'interpretazione più probabile è che 1M sia una capacità dell'architettura e che 256K sia ciò per cui il percorso di campionamento ospitato è configurato e fatturato — lo stesso schema mostrato da Inkling 2 Small, in cui 1M è stato addestrato e valutato ma il livello erogabile era più ristretto. Se il tuo carico di lavoro dipende dalla finestra lunga, non prendere il numero della scheda come garanzia operativa. Anche le valutazioni sul contesto lungo nella tabella del fornitore sono miste anziché trionfali: MRCR v2 al 46,4%, LongBench v2 al 66,9%, GraphWalks BFS a 256K al 69,7%. Un modello che pubblicizza un milione di token e ottiene 46 nella coreferenza multi-round è un modello la cui finestra lunga è reale ma non gratuita.
Eseguirlo da soli, e cosa cambia
La cosa interessante di un checkpoint Apache 2.0 da 20 GB con 3,4 miliardi di parametri attivi è che il costo marginale di un esperimento scende quasi a zero. Su Tinker paghi 0,15 $ per milione di prefill e 0,50 $ per milione di sample. Sul tuo hardware — un Mac con 32 GB, oppure una DGX Spark, per cui l'azienda dichiara 0,703 di intelligenza per watt — paghi la macchina e nient'altro.
Questo è l'argomento a favore del self-hosting, e c'è un argomento corrispondente contro. Un'architettura a loop nuovissima ha un giorno di supporto a SGLang, throughput variabile a seconda del runtime che scegli, una tendenza documentata a entrare in loop durante il debug e una tendenza documentata a eseguire comandi distruttivi senza chiedere. Scommettere su un percorso di produzione basato su questo alla prima settimana non è una decisione di routing, è una scommessa su un runtime.
Questa è la forma di problema per cui è costruito un router, e vale la pena essere concreti su cosa significhi qui invece di alludervi. Inkling 2 Mini non è su OrcaRouter, quindi oggi non c'è nulla verso cui instradarlo. Quello che c'è su OrcaRouter è il modello a cui si lega: Qwen3.8-27B, a $0,33 per milione di token in input e $2,40 per milione in output — meno caro del listino di Alibaba a $0,50/$3,00, con il prezzo di listino del provider passato tal quale anziché maggiorato. L'accordo pratico per le prossime settimane è chiamare Qwen3.8-27B per qualunque cosa abbia forma di produzione mentre valutate Mini sul vostro hardware, e usare failover e il DSL di routing per mettere Mini dietro un fallback il giorno in cui raggiungerà un endpoint ospitato. È così che si dà un'occhiata a un'architettura non provata senza renderla l'unica cosa che separa i vostri utenti da una pagina di errore.

Cosa guardare dopo
Tre cose decideranno se Inkling 2 Mini finirà per contare davvero al di là di una buona tabella di benchmark.
Il primo è la riproduzione indipendente. Ogni numero relativo al coding in questo pezzo è riportato dal fornitore. Artificial Analysis ha il punteggio dell’indice, il costo, la velocità e la verbosità — tutti misurati — ma non un indice di coding per questo modello, e finché qualcuno esterno a Thinking Machines non eseguirà SWE-bench Pro v2 o Terminal Bench sui pesi rilasciati, il 77,9% è un’affermazione su un checkpoint addestrato dall’azienda.
Il secondo è la maturità del runtime. Il divario tra i 280 token al secondo nella pagina di analisi e qualunque valore si ottenga sul proprio hardware dipende attualmente dall'engine che si sceglie e da quanto è recente il suo supporto ai loop. Un mese di lavoro sul kernel cambia quel numero più di un mese di qualsiasi altra cosa.
Il terzo punto è se qualcuno oltre a Tinker lo fornisca. Un modello con endpoint ospitato da un unico fornitore e pesi aperti è un prodotto diverso da uno con tre fornitori dietro un’API comune, e la concorrenza sui prezzi che fa sembrare sostenibile la cifra di costo di 0,59 dollari inizia solo quando c’è qualcuno con cui competere.
Per ora il riassunto onesto è più ristretto dell'inquadramento di lancio. Inkling 2 Mini è un download da 20 GB che eguaglia un modello denso da 27B su un indice composito a circa un sesto del costo per attività e quattro volte la velocità, da un laboratorio che ha rilasciato i pesi il primo giorno invece di una settimana dopo. È anche un modello che allucina con sicurezza, entra in loop durante il debug e chiede una sandbox prima che tu lo lasci toccare un filesystem. Entrambe le metà di quella frase sono vere, e la seconda metà è quella che decide come lo distribuisci.
