Inkling vs Kimi K2.6: オープンウェイト・ヘビー級の二大巨頭、直接対決
Inkling vs Kimiは、2026年で最も興味深いオープンウェイトの対決の一つです。なぜなら、この2つのモデルは異なる方向性を持っているからです。Kimi K2.6（Moonshot AI製）はコーディングとエージェント機能に特化した強力なモデルで、いくつかの主要ベンチマークでトップを獲得しています。Inklingは、元OpenAI CTOのMira Muratiが率いるスタートアップThinking Machines Labのデビューモデルで、リーダーボードでの優位性よりもカスタマイズ性を重視した、多用途で効率的なマルチモーダルモデルです。両モデルとも重みをオープンに公開しているため、本当の問いは「どちらが理論的に賢いか」ではなく、「どちらがあなたのワークロード、予算、デプロイメントの制約に合うか」です。この比較では、Kimiが明確に勝っている点も含めて、数値を正直に提示します。
ビルダー向けの注意：ここでは監査済みの直接比較ベンチマークはありません。そのため、モデルとアクセスを比較しており、スコアではありません。 OrcaRouter は、API利用可能なモデルを単一のOpenAI互換エンドポイントの背後にルーティングするため、複数のSDKを接続することなく、InklingとKimi K2.6を試用および比較できます。
ベンチマークは、発売時にベンダーが自己報告したものであり（Effort 0.99）、第三者による数値はArtificial Analysis、MarkTechPost、Vellum、BenchLMからのものです。いずれも独立した監査は行われておらず、競合他社の数値はそれらのベンダーが報告した数値と異なる場合があります。Inklingの独自スペックはThinking Machinesのモデルカードに基づいています。
TL;DR 結論: Kimi K2.6 を選ぶなら より強力な生のコーダーとウェブエージェントを求めており、SWE-bench、ターミナル/エージェントタスク、深い知識（GPQA）、ブラウジングを最も重視する場合。 Inkling を選ぶなら 効率性（タスクあたりのトークン数が少ない）、敵対的プロンプトに対する堅牢性、強力な指示追従、ネイティブな音声＋画像入力、100万トークンのコンテキストウィンドウ、そして最もクリーンなライセンス（Apache 2.0）を求める場合。
重要なポイント
両方ともオープンウェイトですが、ライセンスが異なります:InklingはApache 2.0です。Kimi K2.6は修正MITライセンスのもとで提供されています — 商用展開前にMoonshotの利用規約をお読みください。
Kimiはコーディングとエージェント能力の深さでリードしている: 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)、およびHLE。
Inklingは堅牢性と効率性においてリードしています: FORTRESS adversarial (78.0 vs 65.6)、トークン効率 (~25K vs ~38K 出力トークン/タスク)、IFBench指示追従 (79.8 vs 76.0)、GDPval Elo (1238 vs 1190)、τ³-Banking (24 vs 21).
Inklingは、Kimiにはないモダリティを追加します: ネイティブのオーディオと画像入力、さらに1Mトークンのコンテキストウィンドウ。
楽しい脚注：Inklingの初期の教師ありファインチューニングは、Kimi K2.5の生成を含む合成データに部分的にブートストラップされました — つまり、これら2つのモデルは、小さな意味で関連しています。
一目でわかる比較
メーカー。Inkling: Thinking Machines Lab; Kimi K2.6: Moonshot AI
ライセンス。Inkling: Apache 2.0; Kimi K2.6: Modified-MIT（条件を確認）
Weights. Inkling: オープン (Hugging Face); Kimi K2.6: オープン
パラメータ（総数/アクティブ）。Inkling: 975B / 41B (MoE); Kimi K2.6: 当社のデータでは非開示
コンテキストウィンドウ。インクリング: 最大 1Mトークン （ホストされたAPIでは256K）； Kimi K2.6: 私たちのデータにはない
モダリティ（入力）。インクリング： テキスト + 画像 + 音声； Kimi K2.6: テキスト（当社データによる）
出力。Inkling: テキスト; Kimi K2.6: テキスト
セルフホスト / ファインチューニング。 Inkling: はい、ロイヤリティフリー / Tinker; Kimi K2.6: はい / Moonshot による
ホスト価格（Inkling, AA）。Inkling: ~$1.87 入力 / ~$4.68 出力 per 1M; Kimi K2.6: データにありません
カテゴリ別勝者
推論/知識。勝者: Kimi K2.6; 注記: HLE (35.9 vs 29.7) と GPQA Diamond (91.1 vs 87.2) でリード
数学. 勝者: Inkling (僅差); 注記: AIME 2026 97.1 vs 96.4
コーディング。勝者：Kimi K2.6; 備考: SWE-bench Verified 80.2 vs 77.6; SWE-bench Pro 58.6 vs 54.3
Agentic (terminal/web). 勝者: Kimi K2.6; 注記:Terminal Bench 2.1 71.3 対 63.8; BrowseComp 83.2 対 77.1
Agentic (GDPval / banking). 勝者: Inkling; 注記: GDPval Elo 1238 vs 1190; τ³-Banking 24 vs 21
マルチモーダル / オーディオ。受賞者：Inkling；注記：ネイティブ画像+音声入力；Kimiは我々のデータに含まれていない
指示追従。勝者：Inkling; 注記： IFBench 79.8 vs 76.0
安全性 / 堅牢性。勝者: Inkling; 注記: FORTRESS adversarial 78.0 vs 65.6
効率。 勝者: Inkling; 注記: ~25K vs ~38K 出力トークン/タスク
コンテキスト。勝者: Inkling; 注記: 1Mトークンウィンドウ
コスト／所有権。勝者: —; 注記: 両方ともセルフホストはロイヤリティ無料; ライセンスは異なる
対決型ベンチマーク
以下の5つの行は、一貫したセット（MarkTechPost）からのものであるため、直接比較可能です。 太字 = リーダー。
HLE（ツールなし）. インクリング: 29.7%; Kimi K2.6: 35.9%; 出典: MarkTechPost
AIME 2026. Inkling: 97.1%; Kimi K2.6: 96.4%; 出典: MarkTechPost
SWE-bench Verified. Inkling: 77.6%; Kimi K2.6: 80.2%; 出典: MarkTechPost
Terminal Bench 2.1. Inkling: 63.8%; Kimi K2.6: 71.3%; 出典: MarkTechPost
FORTRESS（敵対的）. Inkling: 78.0%; Kimi K2.6: 65.6%; 出典: MarkTechPost
追加の“quiet win”行。Artificial AnalysisおよびBenchLMから抽出（注意して使用 — 上記のブロックとは異なるハーネス）:
トークン効率（タスクあたりの出力トークン、低いほど良い）。Inkling: 約25K; Kimi K2.6: ~38K; 出典: Artificial Analysis
GDPval-AA v2 Elo (高いほど良い). Inkling: 1238; Kimi K2.6: 1190; 出典: Artificial Analysis
τ³-Banking. Inkling: 24%; Kimi K2.6: 21%; 出典: BenchLM
IFBench (指示追従). Inkling: 79.8; Kimi K2.6: 76.0; 出典: BenchLM
BrowseComp. Inkling: 77.1; Kimi K2.6: 83.2; 出典: BenchLM
SWE-bench Pro. Inkling: 54.3; Kimi K2.6: 58.6; 出典: BenchLM
GPQA Diamond. Inkling: 87.2*; Kimi K2.6: 91.1; 出典: BenchLM
HLE（ツール付き）。 Inkling: 46.0; Kimi K2.6: 54.0; 出典: Vellum
*Inklingの独自のモデルカードでは、GPQA Diamondは87.2%と記載されています。Artificial Analysisの再実行では87.9%と報告されています。ここでは一貫性のために87.2を使用します。注意すべきは、HLEのツール使用数値 (Vellum) は、上記のツールなしHLE行とは別の測定値です — 混同しないでください。
編集者注 — ビジュアルを追加:MarkTechPostの5つの行をグループ化した棒グラフにすれば、「Kimi leads coding/agentic, Inkling leads robustness/math」というストーリーが一目でわかるようになるでしょう。
Kimi K2.6が勝つ場所
Kimiは、これらの数値に基づくと、より強力なモデルであり、ソフトウェアエンジニアリングと自律エージェントにおいてリードしています。SWE-bench Verified（80.2対77.6）とSWE-bench Pro（58.6対54.3）をリードしており、現実世界のコード修正タスクではKimiが優位です。また、Terminal Bench 2.1（71.3対63.8）のエージェンティックターミナルベンチマークでも顕著に優れており、さらにBrowseComp（83.2対77.1）のウェブブラウジングエージェントでも優位です。また、広範な知識と高度な推論においても優位性があります。HLE（ツールなしで35.9対29.7、ツールありで54.0対46.0）とGPQA Diamond（91.1対87.2）です。もしあなたの主なユースケースがコーディングコパイロット、ターミナル/開発エージェント、またはリサーチブラウジングアシスタントであれば、Kimiはすぐに使えるより有能なベースモデルです。
Inklingが勝つ場所
Inklingの利点は、効率性、信頼性、リーチに集約されます。タスクを解決する際、おおよそ25Kの出力トークンに対して、Kimiの約38Kという差があります —これはスケールにおいてコストとレイテンシに意味のある差をもたらします。なぜなら、トークン単位で支払うからです。さらに、はるかに敵対的プロンプトに対して堅牢であり、FORTRESS 78.0 対 65.6 を達成しており、より忠実に指示に従います（IFBench 79.8 vs 76.0）、さらにGDPvalのエージェントElo（1238対1190）およびτ³-Banking（24対21）でわずかに勝ち、AIME 2026の数学（97.1対96.4）で勝利しています。
ベンチマークを超えて、Inklingは私たちのデータでKimiの列にはまったく存在しない機能をもたらします：ネイティブの画像および音声入力、100万トークンのコンテキストウィンドウ（ホスト型APIでは256K）、そして寛容なApache 2.0ライセンス。文書中心、マルチモーダル、または高ボリュームのワークロードにおいて、そして最もクリーンな法的基盤を求めるチームにとって、これらの構造的特徴は、わずかなベンチマークポイントよりも重要であることがよくあります。
価格とコスト / TCO
Inklingは、セルフホスティングがロイヤリティフリーであり、自分のコンピューティング費用のみを支払います。サードパーティ経由のホスト型アクセスは、約1M入力トークンあたり$1.87、1M出力トークンあたり$4.68（64Kコンテキスト、キャッシュ入力約$0.374/1M）、256Kコンテキストでは約$3.74/$9.36に上昇（Artificial Analysis）。ファインチューニングはTinkerプラットフォームで利用可能（64K/256Kコンテキスト、期間限定ローンチ割引50%付き）。
We do not have audited hosted pricing for Kimi K2.6 in our data set, so we won’t quote a number. Qualitatively, both models are open-weight, so the dominant cost lever for either is tokens consumed per task — and here Inkling’s ~25K vs ~38K efficiency edge directly lowers total cost of ownership on comparable hardware. If you plan to self-host, budget primarily by throughput and the token-efficiency of your typical workload rather than by sticker price.
ライセンスと展開
ライセンスの話が最も明確な構造上の違いです。 InklingはApache 2.0です — 商用利用とセルフホスティングは明確にロイヤリティフリーで、最小限の義務があります。 Kimi K2.6は「modified-MIT」ライセンスで提供されています; MITは非常に寛容ですが、 変更点 が重要なので、商用製品を構築する前にMoonshotの正確な条件を読んでください。
を実行するにはInkling、Hugging FaceからBF16またはNVFP4チェックポイントをプルしてください。VRAMの階層：BF16は約2TB（8×B300または16×H200）; NVFP4チェックポイントではそれが約600GB（4×B300または8×H200）; また、制約のある環境向けにUnsloth 1ビットGGUFも存在します。サポートされているランタイムには、SGLang、vLLM、TokenSpeed、Unsloth、およびHugging Face transformers、およびホスト型プロバイダーにはTogether AI、Fireworks、Modal、Databricks、およびBasetenが含まれます。一般的なクイックスタートはワンライナーです：
vllm 実行 thinkingmachines/Inkling --tensor-parallel-size 8
についてはKimi K2.6、重みはオープンでMoonshotのリリースに従ってセルフホスト可能です。具体的なVRAM階層やプロバイダーの詳細は当社の検証済みデータセットの範囲外ですので、Moonshotのモデルカードで確認してください。
どちらを選ぶべきですか？
Coding copilot / 開発エージェント / 端末自動化 → Kimi K2.6。そのSWE-benchとTerminal Benchのリードは、ここで最も意思決定に関連する数値です。
Webブラウジングリサーチエージェント → Kimi K2.6 (BrowseComp 83.2).
大量かつコストに敏感な推論 → Inkling. タスクあたりのトークン数が少ないことで、実際の節約が累積します。
マルチモーダルアプリ（画像/音声入力）または巨大ドキュメントコンテキスト →デフォルトでは、Inkling — Kimi はそれらのデータには含まれていません。
安全性が重要または敵対環境向けの展開 → Inkling (FORTRESS 78.0).
厳格で低摩擦な商用ライセンス → InklingのApache 2.0の方が安全な選択です。
カスタマイズ可能なベースを微調整する→どちらでも機能します。InklingのTinkerパスとApache 2.0の組み合わせが、よりターンキーなストーリーです。
に多くのチームは落ち着くだろう分割: Kimiはコーディング/エージェント層用、Inklingは大量、マルチモーダル、または長文脈の作業用 — どちらもセルフホスト。
よくある質問
InklingはKimi K2.6より優れていますか？どちらも厳密に「優れている」とは言えません。Kimi K2.6はコーディング、エージェント型、幅広い知識のベンチマーク（SWE-bench、Terminal Bench、BrowseComp、GPQA、HLE）でリードしています。Inklingは効率性、堅牢性（FORTRESS）、指示追従、数学（AIME）でリードしており、さらに音声/画像入力と100万トークンのコンテキストを追加します。ワークロードに応じて選択してください。
コーディングにはどちらが良いでしょうか？Kimi K2.6は、これらの数値において——SWE-bench Verified（80.2 vs 77.6）とSWE-bench Pro（58.6 vs 54.3）でリードしています。Inklingは引き続き競争力があり、よりトークン効率が高いため、大規模運用時のコスト面で重要です。
どちらの方が安く運用できますか？両方ともオープンウェイトで、セルフホストにはロイヤリティフリーなので、コストはタスクごとのトークン数によって決まります。Inklingのタスクあたりの出力トークン数が約25Kであるのに対し、Kimiは約38Kであり、比較可能なハードウェア上で構造的な効率（したがってコスト）の優位性があります。Inklingのホスト価格は、100万トークンあたり入力/出力で約1.87ドル/4.68ドルです。Kimiのホスト価格については監査済みの情報はありません。
Kimi K2.6はオープンソースですか？ Kimi K2.6は オープンウェイト の修正MITライセンスのもとで提供されています。これは非常に寛容ですが、「オープンウェイト」は標準のOSIオープンソースライセンスとは同一ではありません。商用利用前にMoonshotの正確な利用条件を確認してください。対照的に、InklingはApache 2.0です。
両方をセルフホストまたはファインチューニングすることはできますか？はい。両方ともダウンロード可能なウェイトを公開しています。InklingはTinkerを介したマネージドファインチューニングパスを提供しています（Together AIやFireworksなどのホスティングプロバイダーが推論用に利用可能）。KimiはMoonshotのリリースによりセルフホスト可能です。Kimiのハードウェア要件をそのモデルカードに照らして確認してください。
これらのベンチマーク数値は信頼できますか？方向性を示すものとして扱ってください。それらはベンダーが発表時に自己報告したもの、またはサードパーティの数値（MarkTechPost, Artificial Analysis, Vellum, BenchLM）であり、独立した監査は受けておらず、競合他社の数値はMoonshot自身の報告数値と異なる可能性があります。
結論
Inkling vs Kimi K2.6は、真のトレードオフであり、ノックアウトではない。Kimi K2.6はより優れたコーダー兼ウェブエージェントであり、代表的な知識ベンチマークで勝利する。一方Inklingは、効率性、堅牢性、指示追従、モダリティ対応範囲で優れており、すべてクリーンなApache 2.0ライセンスの下で提供される。エンジニアリングエージェントの深さを求めるならKimiを、コスト効率が高くマルチモーダルで長文脈、安全性重視の作業にはInklingを選び、両方の使用を検討すべきである。
