Inkling vs GLM 5.2: Quale modello a pesi aperti vince per punteggio e quale vince per costo?
Inkling contro GLM 5.2 è uno dei confronti più rivelatori nell'attuale ondata di rilasci open-weight, poiché i due modelli ottimizzano per cose diverse. GLM 5.2, di Zhipu AI, è il leader terminale agentico e di ragionamento in questo set di confronto — ottiene i punteggi più alti nei compiti di ragionamento più difficili e di codifica a lungo orizzonte. Inkling, il primo modello di Thinking Machines Lab di Mira Murati, risponde con un'efficienza dei token drammaticamente migliore, robustezza avversaria, input audio nativo e multimodale, una finestra di contesto di 1 milione di token e una licenza Apache 2.0. Questo articolo confronta entrambi i modelli onestamente e sostiene che i divari grezzi nei benchmark non si traducono sempre in un costo reale più elevato.
A partire dal: 2026-07-16, un giorno dopo il lancio di Inkling. Tutti i dati sono stati ottenuti e attribuiti qui sotto; nessuno è stato verificato in modo indipendente.
Una nota per gli sviluppatori: non ci sono benchmark testa a testa certificati qui, quindi questo confronta modelli e accesso, non i punteggi.OrcaRouter instrada i modelli disponibili tramite API dietro un singolo endpoint compatibile con OpenAI, così puoi provare e confrontare Inkling e GLM 5.2 senza dover configurare più SDK.
Verdetto TL;DR: Scegli GLM 5.2 se vuoi i punteggi grezzi più alti in ragionamento, matematica e lavoro terminale agentico, e il tuo budget può assorbire il suo consumo di token più elevato. Scegli Inkling se il costo per attività completata, la sicurezza avversariale, l'input audio/multimodale, o un contesto da 1 milione di token contano più di stare in cima alla classifica.
Il sunto: GLM 5.2 vince la maggior parte delle righe dei benchmark; Inkling può ancora vincere la fattura, perché completa i compiti in circa 25K token di output contro i ~43K di GLM.
Punti chiave
GLM 5.2 è in testa nelle categorie di ragionamento/agentiche: HLE, AIME 2026, SWE-bench Verified e — con ampio margine — Terminal Bench 2.1.
Inkling è in testa nella sicurezza avversariale: FORTRESS 78.0% contro 71.3%.
Il punto di forza principale di Inkling è l'efficienza: ~25K token di output per task contro i ~43K di GLM — una differenza di circa 1,7 volte che si traduce direttamente in costi.
Entrambi sono open-weight: Inkling è Apache 2.0; GLM 5.2 è MIT. Entrambi permettono uso commerciale e self-hosting.
Inkling aggiunge modalità e contesto: input nativo di testo + immagine + audio e una finestra di contesto fino a 1M token.
Avvertenza: i numeri dei concorrenti qui sono inquadrati da terze parti/fornitori e non sono stati verificati in modo indipendente.
Informativa:I benchmark sono auto-dichiarati dal fornitore al lancio (Effort 0.99) e i dati di terze parti provengono da Artificial Analysis / MarkTechPost / Vellum / BenchLM; nessuno è stato verificato in modo indipendente, e i numeri dei concorrenti possono differire da quelli riportati dagli stessi fornitori. Le specifiche di Inkling provengono dalla scheda del modello di Thinking Machines.
Confronto a colpo d'occhio
Licenza. Inkling: Apache 2.0; GLM 5.2 (Zhipu AI): MIT
Parametri (totali / attivi). Inkling: 975B / 41B (MoE); GLM 5.2 (Zhipu AI): — (non nei nostri dati)
Finestra di contesto. Inkling: 1M token (256K sulle API ospitate); GLM 5.2 (Zhipu AI): — (non nei nostri dati)
Modalità (in). Inkling: Testo + immagine + audio; GLM 5.2 (Zhipu AI): — (non nei nostri dati)
Output. Inkling: Solo testo; GLM 5.2 (Zhipu AI): Testo
Auto-ospitare / ottimizzare. Inkling: Sì / sì (Tinker); GLM 5.2 (Zhipu AI): Sì (pesi disponibili) / sì
Prezzo hosted. Inkling: ~$1.87 in / ~$4.68 out per 1M; GLM 5.2 (Zhipu AI): — (non nei nostri dati)
Non abbiamo dati auditati su parametri, contesto o prezzi per GLM 5.2 nel nostro set di fonti, quindi quelle celle sono contrassegnate con “—” piuttosto che stimate.
Vincitore per categoria
Ragionamento / conoscenza (HLE). Vincitore: GLM 5.2; Note: 40.1% vs 29.7% (senza strumenti)
Matematica (AIME 2026). Vincitore: GLM 5.2; Note: 99,2% contro 97,1% — entrambi vicini al massimo
Coding (SWE-bench Verified). Vincitore: GLM 5.2; Note: 80.0% vs 77.6%
Terminale agentico (Terminal Bench 2.1). Vincitore: GLM 5.2; Note: 82.7 vs 63.8 — il divario principale
Sicurezza (FORTRESS adversarial). Vincitore: Inkling; Note: 78.0% vs 71.3%
Multimodale / audio. Vincitore: Inkling; Note: Audio nativo + input immagine
Efficienza (token/attività). Vincitore: Inkling; Note: ~25K vs ~43K
Costo per attività completata. Vincitore: Inkling; Note: Il minor utilizzo di token compensa il prezzo per token
Benchmark a confronto
La tabella sottostante utilizza un set di fonti coerente (MarkTechPost) quindi le righe sono confrontabili. Il grassetto indica il leader.
HLE (nessun strumento). Inkling: 29.7%; GLM 5.2: 40.1%; Fonte: MarkTechPost
AIME 2026. Inkling: 97.1%; GLM 5.2: 99.2%; Fonte: MarkTechPost
SWE-bench Verified. Inkling: 77.6%; GLM 5.2: 80.0%; Fonte: MarkTechPost
Terminal Bench 2.1. Inkling: 63.8%; GLM 5.2: 82.7%; Fonte: MarkTechPost
FORTRESS (avversario). Inkling: 78.0%; GLM 5.2: 71.3%; Fonte: MarkTechPost
Due righe aggiuntive di “vittoria silenziosa” provengono da altre fonti e non devono essere mescolate con il set MarkTechPost sopra menzionato:
Efficienza dei token (token di output/attività, più basso è meglio). Inkling: ~25K; GLM 5.2: ~43K; Fonte: Artificial Analysis / BenchLM
SWE-bench Pro (Pubblico). Inkling: 54,3%; GLM 5.2: 62,1%; Fonte: Artificial Analysis / BenchLM
HLE con strumenti (tenuto separato dalla riga senza strumenti). Inkling: 46.0; GLM 5.2: 54.7; Fonte: Vellum
Nota: i dati “HLE with tools” provengono da Vellum e utilizzano un harness diverso rispetto alla riga HLE senza strumenti di MarkTechPost — non interpretarli come lo stesso test. Non abbiamo un punteggio Artificial Analysis Intelligence Index per GLM 5.2 nei nostri dati, quindi non ne riportiamo uno.
Dove vince GLM 5.2
GLM 5.2 è, in base ai numeri che abbiamo, il modello più forte per ragionamento puro e capacità agentica. Supera Inkling su HLE (40.1% contro 29.7%), AIME 2026 (99.2% contro 97.1%), e SWE-bench Verified (80.0% contro 77.6%). Il divario più sorprendente è Terminal Bench 2.1, dove GLM 5.2 ottiene 82.7 contro i 63.8 di Inkling — un grande e reale vantaggio in compiti terminali agentici a lungo orizzonte, dove un modello deve pianificare, eseguire comandi e riprendersi dagli errori attraverso molti passaggi. Su SWE-bench Pro, GLM 5.2 (62.1%) si porta nuovamente avanti rispetto a Inkling (54.3%), e guida anche la versione potenziata con strumenti di HLE with tools run (54.7 contro 46.0).
Se il tuo carico di lavoro è dominato da ragionamenti complessi, matematica da competizione o agenti che operano su una shell o IDE per lunghe sessioni, GLM 5.2 è la scelta con il tetto più alto, e il divario è abbastanza ampio sulle righe agentiche da essere rilevante in produzione.
Dove Inkling vince
Il contatore di Inkling non è un singolo benchmark — è l'economia e la superficie.
Efficienza dei token. Inkling completa le attività in circa 25K token di output rispetto ai ~43K di GLM. Poiché si paga per token di output, quella differenza di ~1.7x è una leva diretta sui costi. Un modello che ottiene punteggi leggermente inferiori ma utilizza molti meno token può essere più economico per attività completata anche allo stesso prezzo per token — e spesso termina anche più velocemente.
Robustezza avversaria. Su FORTRESS, Inkling è in testa con il 78.0% contro il 71.3%. Per distribuzioni avversarie o sensibili alla sicurezza, quella è la riga che conta di più.
Multimodalità. Inkling accetta nativamente input di testo, immagini e audio (VoiceBench 91.4%, MMAU 77.2% sulla propria scheda). GLM 5.2 nei nostri dati è un modello orientato al testo.
Finestra di contesto. I pesi di Inkling supportano fino a 1 milione di token (256K su API ospitate) — utili per lavori su interi repository, documenti lunghi o trascrizioni lunghe.
Licenza. Entrambe sono permissive, ma l’Apache 2.0 di Inkling è una scelta familiare e inclusiva di clausole sui brevetti per le imprese; GLM 5.2 usa MIT. Entrambe vanno bene per l'hosting commerciale autonomo.
Prezzi e costi (TCO)
Il punto centrale del confronto tra Inkling e GLM 5.2 è che leadership di benchmark e leadership di costo non sono la stessa cosa.
I pesi di Inkling sono esenti da royalty per il self-hosting sotto Apache 2.0. L'accesso ospitato da terze parti (tramite i prezzi di riferimento di Artificial Analysis) costa circa $1.87 per 1M token di input e $4.68 per 1M token di output con contesto di 64K (circa $3.74 / $9.36 a 256K), con input in cache vicino a $0.374 per 1M. Non abbiamo prezzi pubblicati per l'hosting di GLM 5.2 nel nostro set di fonti, quindi confrontiamo la struttura piuttosto che un numero inventato.
Ecco perché l'angolazione del costo per attività è importante. Supponiamo che un'attività abbia bisogno dello stesso tasso per token su entrambi i modelli. Inkling consuma ~25K token di output; GLM 5.2 consuma ~43K. Ciò significa che GLM 5.2 costa circa 72% in più di token di output per lo stesso lavoro, prima ancora di considerare la latenza. Quindi, anche se GLM 5.2 vince la maggior parte delle righe dei benchmark, un'organizzazione che gestisce volumi elevati di attività di routine potrebbe scoprire che Inkling offre un costo totale di proprietà inferiore: il vantaggio in termini di efficienza può compensare un modesto divario nei punteggi grezzi. La regola onesta: usa GLM 5.2 dove il margine di ragionamento extra vale i token extra; usa Inkling dove volume e costo dominano.
Licenze e distribuzione
Entrambi i modelli sono genuinamente a peso aperto e auto-ospitabili:
Inkling — Apache 2.0. Checkpoint completi BF16 e NVFP4 su Hugging Face. Livelli di VRAM: BF16 ~2TB (8×B300 / 16×H200); NVFP4 ~600GB (4×B300 / 8×H200); un Unsloth 1-bit GGUF esiste per configurazioni limitate. Ospitato su Together AI, Fireworks, Modal, Databricks e Baseten; funziona su SGLang, vLLM, TokenSpeed, Unsloth e Hugging Face transformers. Fine-tuning tramite Tinker (contesto 64K/256K, sconto di lancio del 50%).
GLM 5.2 — MIT. I pesi aperti sono disponibili per uso commerciale e self-hosting sotto la licenza permissiva MIT. I dettagli specifici su VRAM e provider non sono nel nostro set di fonti, quindi controlla il rilascio di Zhipu AI per i requisiti esatti.
Guida rapida per Inkling con vLLM:
vllm serve thinkingmachines/Inkling --tensor-parallel-size 8
Quale dovresti scegliere?
Scegli GLM 5.2 se: vuoi il ragionamento grezzo e la matematica più potenti, o costruisci flussi di lavoro terminali/agentici a lungo orizzonte dove i suoi vantaggi su Terminal Bench 2.1 e SWE-bench Pro danno i loro frutti. È il modello dal tetto più alto in questa coppia.
Scegli Inkling se: gestisci volumi elevati e tieni al costo per attività completata, hai bisogno di robustezza avversariale (FORTRESS), richiedi input audio o immagine, o necessiti di un contesto da 1 milione di token. Il suo vantaggio in termini di efficienza è il motivo per guardare oltre qualche punto di riferimento.
Prendi in considerazione l'utilizzo di entrambi: instradare il ragionamento hard e le esecuzioni di agenti complessi verso GLM 5.2, e inviare traffico ad alto volume, sensibile ai costi o multimodale a Inkling. Un router a due modelli cattura il tetto di GLM e l'efficienza di Inkling allo stesso tempo.
Per un approfondimento su Inkling stesso, consulta la nostra recensione del modello Inkling AI e l'explainer Cos'è Inkling AI?. Per altri confronti diretti, vedi Inkling vs Kimi K2.6 e Inkling vs DeepSeek V4 Pro.
Domande frequenti
Inkling è meglio di GLM 5.2? Dipende dalla metrica. GLM 5.2 vince la maggior parte delle righe di benchmark grezzi in questo set — HLE, AIME 2026, SWE-bench Verified, e soprattutto Terminal Bench 2.1. Inkling vince in sicurezza avversaria (FORTRESS), efficienza dei token, multimodalità e lunghezza del contesto. Inkling può essere "migliore" in termini di costo per attività completata anche dove ottiene punteggi inferiori.
Qual è il migliore per la programmazione? GLM 5.2 è in testa sia in SWE-bench Verified (80.0% vs 77.6%) che in SWE-bench Pro (62.1% vs 54.3%), e il suo vantaggio in Terminal Bench 2.1 (82.7 vs 63.8) è significativo per la programmazione agentica e multi-step. Per la capacità di programmazione pura, GLM 5.2 è in vantaggio; per la programmazione efficiente in termini di costi su larga scala, l'efficienza dei token di Inkling riduce il divario.
Qual è il più economico? Inkling è probabilmente più economico per attività completata. Utilizza circa 25K token di output per attività rispetto ai ~43K di GLM, quindi anche a tariffe per token simili consuma molti meno token fatturabili. Entrambi sono esenti da royalty per l'auto-hosting (Apache 2.0 per Inkling, MIT per GLM 5.2).
GLM 5.2 è open source? GLM 5.2 è open-weight con licenza MIT, che permette uso commerciale e self-hosting. Come per tutti i modelli “open-weight”, i pesi e la licenza sono rilasciati, ma ciò non equivale a un vero open-source (i dati di addestramento e la pipeline non vengono necessariamente pubblicati).
Posso auto-ospitare o fare fine-tuning di GLM 5.2? Sì. I pesi con licenza MIT di GLM 5.2 possono essere auto-ospitati e sottoposti a fine-tuning. Analogamente, Inkling può essere auto-ospitato (Apache 2.0) e messo a punto tramite la piattaforma Tinker di Thinking Machines. I requisiti hardware specifici per GLM 5.2 non sono nel nostro set di fonti — controlla il rilascio di Zhipu AI.
GLM 5.2 supporta audio o immagini? Il nostro set di riferimento non elenca il supporto per input audio o immagini per GLM 5.2, quindi lo trattiamo come orientato al testo qui. Inkling accetta nativamente input di testo, immagini e audio, che è uno dei suoi vantaggi più chiari in questo confronto.
Conclusione
GLM 5.2 è il leader in termini di capacità grezze in questo confronto, superando Inkling in ragionamento, matematica e — in modo più decisivo — nel lavoro terminale agentico. Ma Inkling risponde con un'efficienza token circa 1,7x superiore, una sicurezza avversaria più forte, multimodalità nativa, un contesto da 1 milione di token e una licenza Apache 2.0. Il messaggio pratico: scegli GLM 5.2 quando il tetto di ragionamento giustifica i token extra, scegli Inkling quando contano il costo per attività completata e la multimodalità, e considera il routing tra di loro per ottenere il meglio da entrambi.
