Inkling 대 GLM 5.2: 점수에서 어떤 오픈 가중치 모델이 승리하며, 비용에서 어떤 모델이 승리할까?

Inkling vs GLM 5.2 현재 진행 중인 오픈웨이트 릴리스 물결에서 가장 잘 드러나는 대결 중 하나입니다. 두 모델이 서로 다른 것에 최적화되어 있기 때문입니다. GLM 5.2는 Zhipu AI에서 개발한 모델로, 이 비교 세트에서 에이전트 터미널 및 추론 부문 선두주자입니다. 가장 어려운 추론 및 장기 코딩 작업에서 가장 강력한 점수를 기록합니다. Inkling은 Mira Murati의 Thinking Machines Lab에서 처음 출시한 모델로, 극적으로 향상된 토큰 효율성, 적대적 견고성, 네이티브 오디오 및 멀티모달 입력, 100만 토큰 컨텍스트 윈도우, Apache 2.0 라이선스로 맞섭니다. 이 글은 두 모델을 정직하게 비교하며, 원시 벤치마크 차이가 항상 더 높은 실제 비용으로 이어지지는 않는다는 점을 주장합니다.

기준일: 2026-07-16, Inkling 출시 하루 후. 모든 수치는 아래에 출처와 귀속이 명시되어 있으며, 독립적으로 감사되지 않았습니다.

건축자를 위한 참고 사항: 여기에는 검증된 직접 비교 벤치마크가 없으므로, 이는 점수가 아닌 모델과 접근성을 비교합니다. OrcaRouter API 사용 가능 모델을 단일 OpenAI 호환 엔드포인트 뒤에 라우팅하여, 여러 SDK를 연결하지 않고 Inkling 및 GLM 5.2를 시험하고 비교할 수 있습니다.

TL;DR 평결: GLM 5.2를 선택하세요 만약 추론, 수학, 에이전트 터미널 작업에서 가장 높은 원점수를 원하고, 예산이 더 높은 토큰 소비를 감당할 수 있다면. Inkling을 선택하세요 만약 완료된 작업당 비용, 적대적 안전성, 오디오/멀티모달 입력, 또는 1M 토큰 컨텍스트가 리더보드 정상에 오르는 것보다 더 중요하다면.

한 줄 요약: GLM 5.2는 대부분의 벤치마크 행에서 승리합니다; Inkling은 여전히 송장 작업에서 승리할 수 있는데, 그 이유는 약 25K 출력 토큰으로 작업을 완료하는 반면 GLM은 약 43K이기 때문입니다.

주요 시사점

GLM 5.2는 추론/에이전트 카테고리를 선도합니다: HLE, AIME 2026, SWE-bench Verified, 및 — 큰 차이로 — Terminal Bench 2.1.

Inkling은 적대적 안전성 분야에서 앞서고 있습니다: FORTRESS 78.0% 대 71.3%.

Inkling의 주요 카운터는 효율성입니다: 작업당 약 25K 출력 토큰 대비 GLM의 약 43K — 대략 1.7배 차이가 비용에 직접 반영됩니다.

둘 다 오픈 가중치입니다: Inkling은 Apache 2.0입니다; GLM 5.2는 MIT입니다. 둘 다 상업적 사용과 자체 호스팅을 허용합니다.

Inkling은 모달리티와 맥락을 추가합니다: 기본 텍스트 + 이미지 + 오디오 입력 및 최대 1M-token 컨텍스트 창.

주의: 여기의 경쟁업체 수치는 제3자/공급업체의 관점에서 작성되었으며 독립적으로 감사되지 않았습니다.

공시:벤치마크는 출시 시점에 공급업체가 자체 보고한 수치(Effort 0.99)이며, 타사 수치는 Artificial Analysis / MarkTechPost / Vellum / BenchLM에서 가져온 것입니다. 독립적으로 감사된 수치는 없으며, 경쟁사 수치는 해당 공급업체의 자체 보고 수치와 다를 수 있습니다. Inkling의 자체 사양은 Thinking Machines의 모델 카드에서 가져온 것입니다.

한눈에 비교

라이선스. Inkling: Apache 2.0; GLM 5.2 (Zhipu AI): MIT

매개변수 (전체 / 활성). Inkling: 975B / 41B (MoE); GLM 5.2 (Zhipu AI): — (우리 데이터에 없음)

컨텍스트 창. Inkling: 1M 토큰 (호스팅 API에서는 256K); GLM 5.2 (Zhipu AI): — (데이터에 없음)

모달리티 (입력). Inkling: 텍스트 + 이미지 + 오디오; GLM 5.2 (Zhipu AI): — (우리 데이터에 없음)

출력. Inkling: 텍스트만; GLM 5.2 (Zhipu AI): 텍스트

자가 호스팅 / 미세 조정. Inkling: 예 / 예 (Tinker); GLM 5.2 (Zhipu AI): 예 (가중치 사용 가능) / 예

호스팅 가격. Inkling: ~$1.87 입력 / ~$4.68 출력 (1M당); GLM 5.2 (Zhipu AI): — (데이터에 없음)

우리는 소스 세트에 GLM 5.2에 대한 감사된 매개변수, 컨텍스트 또는 가격 수치를 가지고 있지 않으므로, 해당 셀들은 추측된 값 대신 “—”로 표시됩니다.

분야별 수상자

추론/지식 (HLE). 승자: GLM 5.2; 참고사항: 40.1% 대 29.7% (도구 없음)

수학 (AIME 2026). 우승자: GLM 5.2; 참고: 99.2% vs 97.1% — 둘 다 최고치에 가깝습니다

코딩 (SWE-bench Verified). 우승자: GLM 5.2; 참고사항: 80.0% 대 77.6%

에이전틱 터미널 (Terminal Bench 2.1). 우승자: GLM 5.2; 참고: 82.7 대 63.8 — 주요 격차

안전 (FORTRESS adversarial). 승자: Inkling; 참고: 78.0% vs 71.3%

멀티모달 / 오디오. 수상: Inkling; 참고: 기본 오디오 + 이미지 입력

효율성 (토큰/작업). 승자: Inkling; 참고: ~25K 대 ~43K

완료된 작업당 비용. 승자: Inkling; 참고: 적은 토큰 사용이 토큰당 가격을 상쇄

일대일 벤치마크

아래 표는 하나의 일관된 소스 세트(MarkTechPost)를 사용하므로 행 간 비교가 가능합니다. 볼드는 선두를 표시합니다.

HLE (도구 없음). Inkling: 29.7%; GLM 5.2: 40.1%; 출처: MarkTechPost

AIME 2026. Inkling: 97.1%; GLM 5.2: 99.2%; 출처: MarkTechPost

SWE-bench Verified. Inkling: 77.6%; GLM 5.2: 80.0%; 출처: MarkTechPost

Terminal Bench 2.1. Inkling: 63.8%; GLM 5.2: 82.7%; 출처: MarkTechPost

FORTRESS (적대적). Inkling: 78.0%; GLM 5.2: 71.3%; 출처: MarkTechPost

두 개의 추가적인 “조용한 승리” 행은 다른 출처에서 비롯되며 위의 MarkTechPost 세트와 혼합되어서는 안 됩니다:

토큰 효율성 (작업당 출력 토큰, 낮을수록 좋음). Inkling: ~25K; GLM 5.2: ~43K; 출처: Artificial Analysis / BenchLM

SWE-bench Pro (공개). Inkling: 54.3%; GLM 5.2: 62.1%; 출처: Artificial Analysis / BenchLM

HLE는 도구 포함 (도구 없음 행과 분리). Inkling: 46.0; GLM 5.2: 54.7; 출처: Vellum

참고: “HLE with tools” 수치는 Vellum에서 제공된 것이며 MarkTechPost의 no-tools HLE 행과 다른 harness를 사용합니다. 따라서 동일한 테스트로 간주하지 마십시오. 당사 데이터에는 GLM 5.2에 대한 Artificial Analysis Intelligence Index 점수가 없으므로 보고하지 않습니다.

GLM 5.2가 이기는 곳

GLM 5.2는 우리가 가진 수치상으로 더 강력한 원시 추론 및 에이전트 모델입니다. Inkling을 앞서고 있는 분야는 HLE (40.1% vs 29.7%), AIME 2026 (99.2% vs 97.1%), 그리고 SWE-bench Verified (80.0% vs 77.6%). 가장 눈에 띄는 차이는 Terminal Bench 2.1, 여기서 GLM 5.2는 82.7 대 Inkling의 63.8 — 장기적 에이전트 터미널 작업에서 모델이 여러 단계에 걸쳐 계획하고, 명령을 실행하고, 오류로부터 복구해야 하는 크고 실제적인 이점입니다. 이어서 SWE-bench Pro, GLM 5.2 (62.1%)는 다시 Inkling (54.3%)을 앞서며, 또한 도구 증강된 HLE with tools 실행 (54.7 vs 46.0).

만약 당신의 작업 부하가 어려운 추론, 경쟁 수학, 또는 장시간 셸이나 IDE를 작동하는 에이전트에 의해 주도된다면, GLM 5.2는 상한선이 더 높은 선택이며, 에이전트 관련 항목에서 그 격차는 실제 운영 환경에서 중요할 정도로 충분히 큽니다.

Inkling이 승리하는 곳

Inkling의 카운터는 단일 벤치마크가 아닙니다 — 그것은 경제성과 표면적입니다.

토큰 효율성. Inkling은 대략 25K 출력 토큰으로 작업을 완료하는 반면, GLM은 ~43K입니다. 출력 토큰당 비용을 지불하기 때문에, 그 ~1.7배 차이는 직접적인 비용 지렛대입니다. 점수가 몇 점 낮지만 훨씬 적은 토큰을 사용하는 모델은 동일한 토큰당 가격에서도 완료된 작업당 더 저렴할 수 있으며, 종종 더 빠르게 완료됩니다.

적대적 강건성. FORTRESS에서 Inkling이 78.0% 대 71.3%로 앞서고 있습니다. 적대적 또는 안전에 민감한 배포의 경우, 이 행이 가장 중요합니다.

멀티모달리티. Inkling은 텍스트, 이미지, 오디오 입력을 기본적으로 지원합니다 (자체 카드에서 VoiceBench 91.4%, MMAU 77.2%). 우리 데이터에서 GLM 5.2는 텍스트 중심 모델입니다.

컨텍스트 창. Inkling의 가중치는 최대 1M 토큰(호스트된 API에서는 256K)을 지원하며 — 전체 저장소, 긴 문서, 긴 대본 작업에 유용합니다.

라이선싱. 둘 다 허용적이지만, Inkling의 Apache 2.0은 기업에게 친숙하고 특허 조항을 포함하는 선택이며, GLM 5.2는 MIT를 사용합니다. 둘 다 상업적 자체 호스팅에 적합합니다.

가격 및 비용 (TCO)

Inkling vs GLM 5.2 비교의 핵심 통찰은 다음이다: 벤치마크 리더십과 비용 리더십은 동일한 것이 아니다.

Inkling의 가중치는 자체 호스팅에 로열티 프리이며 Apache 2.0 하에서. 서드파티 호스팅 접속(Artificial Analysis의 참조 가격 기준)은 대략 $1.87/백만 입력 토큰 및 $4.68/백만 출력 토큰 이며, 64K 컨텍스트에서 (대략 256K에서는 $3.74 / $9.36), 캐시된 입력은 약 $0.374/백만. 저희 소스 세트에는 GLM 5.2에 대한 게시된 호스팅 가격이 없으므로, 가상의 숫자 대신 구조를 기준으로 비교합니다.

작업당 비용 관점이 중요한 이유는 다음과 같습니다. 어떤 작업이 두 모델에서 동일한 토큰당 비율을 필요로 한다고 가정해 보겠습니다. Inkling은 약 25K 출력 토큰을 소모하고, GLM 5.2는 약 43K를 소모합니다. 이는 GLM 5.2가 대략 동일 작업에 대해 출력 토큰이 72% 더 많이 든다는 뜻입니다, 지연 시간을 고려하기도 전에 말이죠. 따라서 GLM 5.2가 대부분의 벤치마크 항목에서 우세하더라도, 일상적인 작업을 대량으로 처리하는 조직은 Inkling이 더 낮은 총소유비용을 제공한다는 것을 알 수 있습니다. 효율성 우위가 적당한 원점수 차이를 상쇄할 수 있기 때문입니다. 정직한 규칙은: 추가 추론 여유가 추가 토큰을 감수할 가치가 있는 곳에서는 GLM 5.2를 사용하고, 볼륨과 비용이 우선인 곳에서는 Inkling을 사용하십시오.

라이선스 및 배포

두 모델 모두 진정한 오픈웨이트이며 자체 호스팅이 가능합니다:

Inkling — Apache 2.0. 에서 BF16 및 NVFP4 전체 체크포인트Hugging Face. VRAM 계층: BF16 ~2TB (8×B300 / 16×H200); NVFP4 ~600GB (4×B300 / 8×H200); 제약된 환경을 위한 Unsloth 1비트 GGUF도 있습니다. Together AI, Fireworks, Modal, Databricks, Baseten에서 호스팅되며; SGLang, vLLM, TokenSpeed, Unsloth, Hugging Face transformers에서 실행됩니다. 미세 조정은 Tinker (64K/256K 컨텍스트, 출시 할인 50%).

GLM 5.2 — MIT.오픈 가중치는 허용적 MIT 라이선스 하에 상업적 사용 및 자체 호스팅이 가능합니다. 특정 VRAM 및 제공업체 세부 정보는 당사 소스 세트에 포함되어 있지 않으므로 정확한 요구 사항은 Zhipu AI의 릴리스를 확인하십시오.

Inkling과 vLLM을 위한 빠른 시작:

vllm serve thinkingmachines/Inkling --tensor-parallel-size 8

어느 것을 선택해야 할까요?

다음과 같은 경우 GLM 5.2를 선택하세요: 당신이 가장 강력한 순수 추론 및 수학 능력을 원하거나, 장기적인 터미널/에이전트 워크플로우를 구축하는 경우 - 이 모델의 Terminal Bench 2.1 및 SWE-bench Pro 리드가 성과를 발휘하는 곳입니다. 이는 이 쌍 중에서 더 높은 성능 한계를 가진 모델입니다.

Inkling을 선택하세요: 대량 처리 작업을 실행하고 완료된 작업당 비용을 중요시하며, 적대적 강건성(FORTRESS)이 필요하거나, 오디오나 이미지 입력이 필요하거나, 또는 1M-토큰 컨텍스트가 필요한 경우입니다. 그 효율성 이점이 몇 가지 벤치마크 포인트를 넘어서는 이유입니다.

두 가지를 모두 실행하는 것을 고려하세요: 어려운 추론과 복잡한 에이전트 실행은 GLM 5.2로 라우팅하고, 대량의 비용 민감형 또는 멀티모달 트래픽은 Inkling으로 보내십시오. 두 모델 라우터는 GLM의 최대 성능과 Inkling의 효율성을 동시에 활용합니다.

Inkling 자체에 대한 더 깊은 이해를 위해, Inkling AI model review와 What is Inkling AI? 설명을 참조하세요. 다른 직접 대결을 보려면 Inkling vs Kimi K2.6 및 Inkling vs DeepSeek V4 Pro를 확인하세요.

자주 묻는 질문

Inkling이 GLM 5.2보다 더 나은가요? 측정 기준에 따라 다릅니다. GLM 5.2는 이 세트에서 대부분의 원시 벤치마크 행을 우승합니다 — HLE, AIME 2026, SWE-bench Verified, 특히 Terminal Bench 2.1. Inkling은 적대적 안전성(FORTRESS), 토큰 효율성, 멀티모달리티 및 컨텍스트 길이에서 우승합니다. Inkling은 점수가 낮은 경우에도 완료된 작업당 비용 측면에서 "더 나을" 수 있습니다.

코딩에 더 좋은 것은 무엇인가요?GLM 5.2는 SWE-bench Verified(80.0% 대 77.6%)와 SWE-bench Pro(62.1% 대 54.3%)에서 모두 앞서며, Terminal Bench 2.1에서의 리드(82.7 대 63.8)는 에이전트 기반 다단계 코딩에 중요합니다. 원시 코딩 능력에서는 GLM 5.2가 앞서고, 대규모 비용 효율적인 코딩에서는 Inkling의 토큰 효율성이 격차를 좁힙니다.

어느 쪽이 더 저렴한가요?Inkling은 완료된 작업당 더 저렴할 가능성이 높습니다. 작업당 약 25K 출력 토큰을 사용하는 반면, GLM은 약 43K를 사용하므로, 토큰당 요금이 비슷하더라도 청구 가능 토큰을 훨씬 적게 사용합니다. 둘 다 자체 호스팅에 로열티가 없습니다(Inkling은 Apache 2.0, GLM 5.2는 MIT).

GLM 5.2는 오픈 소스인가요? GLM 5.2는 MIT 라이선스 하에 오픈 웨이트(open-weight) 모델로, 상업적 사용과 자체 호스팅이 허용됩니다. 모든 '오픈 웨이트' 모델과 마찬가지로 가중치와 라이선스가 공개되지만, 이는 완전한 오픈 소스(훈련 데이터와 파이프라인이 반드시 공개되는 것은 아님)와 동일하지 않습니다.

GLM 5.2를 자체 호스팅하거나 미세 조정할 수 있나요? 네. GLM 5.2의 MIT 라이선스 가중치는 자체 호스팅 및 미세 조정이 가능합니다. Inkling도 마찬가지로 자체 호스팅(Apache 2.0)이 가능하며 Thinking Machines의 Tinker 플랫폼을 통해 미세 조정할 수 있습니다. 특정 GLM 5.2 하드웨어 요구 사항은 저희 소스 세트에 포함되어 있지 않습니다 — Zhipu AI의 릴리스를 확인하세요.

GLM 5.2는 오디오나 이미지를 지원하나요?우리의 소스 세트에는 GLM 5.2에 대한 오디오 또는 이미지 입력 지원이 나열되어 있지 않으므로, 여기서는 이를 텍스트 중심으로 취급합니다. Inkling은 기본적으로 텍스트, 이미지 및 오디오 입력을 허용하며, 이는 이 비교에서 가장 분명한 장점 중 하나입니다.

결론

GLM 5.2는 이 대결에서 원시 능력의 선두주자로, 추론, 수학, 그리고 가장 결정적으로는 에이전트 터미널 작업에서 Inkling을 앞섰습니다. 하지만 Inkling은 약 1.7배 더 나은 토큰 효율성, 강력한 적대적 안전성, 기본 멀티모달성, 100만 토큰 컨텍스트, 그리고 Apache 2.0 라이선스로 응답합니다. 실질적인 결론: 추론 한계가 추가 토큰을 정당화할 때는 GLM 5.2를 선택하고, 완료된 작업당 비용과 멀티모달성이 중요할 때는 Inkling을 선택하며, 둘 사이를 라우팅하여 두 장점을 모두 얻는 것을 고려하세요.