
Inkling 2 Mini vs Qwen 3.8: pokonany przez tańszą wersję
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 183 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 568 tok/s
- AlibabaNOWOŚĆQwen: Qwen4 Max2026-11-16$1.50 / $4.50 za 1 mln tokenów · 385 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 87 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 107 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 214 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
Porównanie, które wszyscy przeprowadzają, jest niewłaściwe i schlebia nowemu modelowi. Inkling 2 Mini, opublikowany przez Thinking Machines Lab 20 listopada 2026 r., uzyskuje 20,1 w Artificial Analysis Intelligence Index v5.0.1 — tyle samo co Qwen3.8-27B z wynikiem 20, przy 0,59 USD za zadanie indeksowe wobec 3,53 USD. To bezpośrednie starcie, które Thinking Machines umieściło we własnej tabeli benchmarków, a pod względem kosztu nie ma porównania. Ale Qwen 3.8 to nie jeden model. To generacja pięciu modeli, a wariantem, który faktycznie konkuruje z możliwym do pobrania checkpointem o rozmiarze 20 GB, jest Qwen3.8-Flash, oceniany przez Artificial Analysis na 29 przy 0,57 USD za zadanie indeksowe — o dziewięć punktów więcej przy tym samym koszcie na ukończoną odpowiedź. Mini wygrywa porównanie wydrukowane w poście premierowym i przegrywa to, które przeprowadziłby nabywca.
Źródła, ponieważ to one przesądzają o werdykcie: wyniki indeksu, koszt na zadanie, opóźnienie i dane dotyczące kontekstu to pomiary Artificial Analysis odczytane 21 listopada 2026 r., a każda cena OrcaRouter pochodzi z naszego własnego katalogu. Tabele procentowe to środowisko startowe Thinking Machines, uruchamiane przez dostawcę, oznaczone tam, gdzie występują; twierdzenia samej Alibaby dotyczące poziomów Qwen są przytaczane jako twierdzenia Alibaby i nie zostały tu osobno zweryfikowane.
Najpierw, który Qwen 3.8 masz na myśli
Traktowanie nazwy rodziny jako przeciwnika to błąd, przez który większość tego typu porównań jest bezużyteczna. Qwen 3.8 obejmuje hostowany model flagowy w cenie 2,00/6,00 USD za milion tokenów, otwarty checkpoint o 2,4 biliona parametrów na niestandardowej licencji, gęsty model 27B na licencji Apache 2.0, poziom Flash w cenie 0,15/0,47 USD oraz zapowiedź Flash-Next, którego otwarte wagi kryją się za hostowanym produktem Flash. Poszczególne elementy różnią się ponad dziesięciokrotnie pod względem ceny za token i o dziewięć punktów w tym samym indeksie. Pojedynczy werdykt „vs Qwen 3.8” to werdykt o rozmytym obrazie.
• Qwen3.8-27B — gęsty model 27B, Apache 2.0, tekst, obraz i wideo na wejściu, kontekst 256K, Index 20 przy wysiłku xhigh, cena katalogowa $0.50/$3.00, $3.53 za zadanie indeksowe, 34,5 minuty na zadanie.
• Qwen3.8-Flash — hostowana warstwa produkcyjna w cenie $0.15/$0.47, udostępniająca te same wagi co wersja zapoznawcza Flash-Next; punkt końcowy z routingiem reklamuje okno 1 mln tokenów i maksymalne wyjście 131K, podczas gdy Artificial Analysis odnotowuje 256K dla otwartych wag Flash-Next. Model ten osiąga Index 29, 180B łącznie i 6B aktywnych, $0.57 na zadanie indeksowe, 33,3 minuty.
• Qwen3.8-Max — zamknięty model flagowy, Indeks 34, $2.00/$6.00, $10.02 za zadanie indeksowe. Nie jest konkurentem dla Mini pod względem kosztu ani modelem, z którym należy go porównywać.
• Inkling 2 Mini — łącznie 26,4B, 3,4B aktywnych, Apache 2.0, kontekst 1M na karcie, Index 20,1, 0,15 USD/0,50 USD w Tinker, 0,59 USD za zadanie indeksu, 9,0 minuty.
Zatem użyteczne porównanie ma dwie połowy. W zestawieniu z modelem gęstym 27B, który wybrał post premierowy, Mini jest prawdziwą wygraną kosztową przy równym wyniku. W zestawieniu z poziomem Flash, który kosztuje tyle samo i zdecydowanie go przewyższa w indeksie, argument Mini musi dotyczyć czegoś innego niż cena i wynik — i dotyczy: pliku.

Remis 27B i dlaczego jest prawdziwy
Oba modele są mierzone przez tego samego ewaluatora na tej samej wersji tego samego indeksu, więc 20,1 wobec 20 to prawdziwe porównanie, a nie zbieg okoliczności wynikający z różnych zestawów narzędzi. To także remis na granicy rozdzielczości instrumentu. Indeks jest kompozytem dziewięciu ewaluacji, z których kilka przeprowadzono na zbiorach wydzielonych, a modele różniące się od siebie o mniej niż punkt nie są przez niego wiarygodnie szeregowane. Remis dowodzi, że Mini przechodzi tę samą poprzeczkę co gęsty model 27B, zużywając przy tym 3,4 miliarda aktywnych parametrów zamiast 27 miliardów.
Kolumna kosztów jest tym, co ma tu znaczenie. Przy 0,59 USD za zadanie indeksowania w porównaniu z 3,53 USD, Mini jest około sześć razy tańszy w ukończeniu tej samej ewaluacji i robi to w dziewięć minut w porównaniu z 34 i pół. Szybkość generowania to 280 tokenów na sekundę w porównaniu z 53. Czas do pierwszego tokenu odpowiedzi to 9,72 sekundy w porównaniu ze 144. W pętli agenta, która wykonuje trzydzieści tur, te liczby kumulują się w coś, co użytkownik może odczuć.
Nic z tego nie jest darmowe, a kosztem rekompensującym jest gadatliwość. Mini wyemitował 161 mln tokenów wyjściowych, aby ukończyć przebieg indeksowania, w porównaniu z 128 mln dla modelu Qwen i medianą 85,7 mln wśród modeli porównawczych. Płacenie 0,50 USD za milion tokenów wyjściowych za 1,9-krotność typowej liczby tokenów wyjściowych wciąż jest tanie; budżetowanie stałej liczby tokenów na zadanie dla modelu, który mówi tak dużo, już nie. Zespół, który rozlicza zużycie według tokenów, a nie według zadań, stwierdzi, że sześciokrotna przewaga kurczy się do około trzykrotnej.
Gdzie Mini naprawdę przewyższa każdy poziom Qwen
Tabela wyników kodowania dostawcy to ta część premiery, która sprawia, że model jest interesujący, a zarazem ta, której nikt nie zweryfikował. Każdy wiersz poniżej to własny harness Thinking Machines na własnym checkpoincie, a co najmniej jeden z nich uruchomiono z firmowym szkieletem agenta, a nie neutralnym.
• DeepSWE v1.1 — Inkling 2 Mini 48,2% kontra Qwen3.8-27B 42,2%.
• SWE-bench Pro v2, Hard — 77,9% vs 73,8%.
• SWE-bench Multilingual — 73,7% vs 70,0%.
• SWE-bench Verified — 79,2% vs 77,8%.
• Vibe Code Bench v1.1 — 77,9% wobec 64,9%.
• Terminal Bench v2.1 — 71,6% vs 73,0%, strata; na Terminal Bench v4.0 oba wyświetlają 5,6%.
• BrowseComp — 79,0% vs 61,6%; DeepSearchQA 85,3% vs 79,7%; MCP Atlas 82,7% vs 77,3%.
• MMMU Pro — 74,9% vs 76,3%, kolejna nieznaczna porażka; OmniDocBench v1.6 92,8% vs 91,5%.
Wiersze, w których wygrywa Mini, to te agentowe — patchowanie w skali repozytorium, wyszukiwanie o długim horyzoncie, użycie narzędzi. Wiersze, w których przegrywa, to te dotyczące precyzyjnego przywoływania. To architektura daje o sobie znać: zapętlenie zapewnia obliczenia sekwencyjne na token, a właśnie tego potrzebuje długa trajektoria agenta. Nie zapewnia jednak przechowywanych faktów, a benchmark mocno oparty na wiedzy to zauważa.
Luka w zgodności z faktami między Mini a rodziną jest wyraźniejsza niż w przypadku któregokolwiek z tych wierszy. W AA-Omniscience tabela dostawcy podaje −8,6 dla Mini przy 63,4% wskaźniku braku halucynacji, wobec −6,4 i 71,4% dla Qwen3.8-27B w tej samej kolumnie tej samej tabeli. Ujemny wynik oznacza, że model wypada gorzej niż w przypadku odmowy odpowiedzi. Nie udało mi się znaleźć osobnego wskaźnika omniscience dla Mini publikowanego przez Artificial Analysis, więc ten wiersz opiera się wyłącznie na środowisku testowym dostawcy — a mimo to nadal jest najważniejszą liczbą w porównaniu dla każdego, kto wdraża model bez warstwy wyszukiwania.
Gdzie Flash kończy spór
Teraz tier, który ma znaczenie. Qwen3.8-Flash jest hostowany i wyceniony na 0,15 USD za wejście i 0,47 USD za wyjście — taka sama stawka za wejście, jaką Tinker pobiera za próbkowanie Mini, i o trzy centy taniej na wyjściu. Artificial Analysis ocenia stojące za nim wagi Flash-Next na 29. Na zadanie indeksowe kosztuje 0,57 USD wobec 0,59 USD w przypadku Mini. Dziewięć punktów indeksowych, za dwa centy mniej.
To nie jest wyrównana walka pod względem możliwości ani ceny i na nowo określa, do czego służy Mini. Zalety Mini względem Flash w ogóle nie znajdują odzwierciedlenia w tabeli wyników: to plik 20 GB, który działa bez sieci, na MacBooku lub DGX Spark, bez licznika za token i bez udziału dostawcy. Zalety Flash to dziewięć punktów indeksu, hostowany endpoint i okno 1 mln tokenów w routowanym API, bez niczego do pobrania. Jeśli Twoje obciążenie ma połączenie sieciowe, strona Qwen wygrywa na każdej mierzonej osi. Jeśli nie, nic po stronie Qwen nie jest dla Ciebie w ogóle dostępne.
Porównanie szybkości również przemawia na korzyść Mini — i to w większym stopniu, niż sugerowałaby różnica w wynikach. Mini generuje 280 tokenów wyjściowych na sekundę przy czasie pierwszego tokenu wynoszącym 9,72 sekundy; Flash-Next osiąga 74 tokeny na sekundę, czas pierwszego tokenu to 85,77 sekundy, a jedno zadanie indeksowania zajmuje mu 33,3 minuty. W przypadku agenta interaktywnego to różnica między narzędziem, które odpowiada, a takim, na które trzeba czekać — i to jedyne miejsce, w którym lokalny model o efektywnej liczbie 5,4 mld parametrów ma strukturalną przewagę nad hostowanym modelem o 180 mld parametrów.
Praktyczne rozwiązanie
Oba szczeble Qwen są dostępne w OrcaRouter, dzięki czemu zbudowanie ścieżki eskalacji jest wyjątkowo tanie. Qwen3.8-27B kosztuje $0.33 za milion tokenów wejściowych i $2.40 za milion tokenów wyjściowych — poniżej cennika Alibaba wynoszącego $0.50/$3.00, ponieważ cena dostawcy jest przekazywana bez marży. Qwen3.8-Flash kosztuje $0.15/$0.47 przy oknie 1 mln tokenów. Jeden klucz daje dostęp do obu, z automatycznym przełączaniem awaryjnym oraz DSL routingu, który pozwala najpierw skierować żądanie do tańszego szczebla i eskalować dopiero wtedy, gdy nie przejdzie on weryfikacji.
To jest kształt, jakiego to porównanie faktycznie chce. Mini, jeśli go przyjmiesz, działa na twoim własnym sprzęcie, wykonuje zadania agentowe, w których jest dobry, i nie płaci nic za token. Warianty Qwen stoją za jednym punktem końcowym dla żądań, w których Mini jest słaby — tych, które wymagają poprawnego przypomnienia faktu, przeczytania długiego dokumentu albo trudnego wnioskowania naukowego — a przełączanie awaryjne sprawia, że awaria dostawcy pogarsza odpowiedź, zamiast ją całkowicie psuć. Nie hostujemy Inkling 2 Mini i ten tekst nie będzie udawał, że jest inaczej; router usuwa drugą umowę i drugą integrację dla tej połowy obciążenia, która trafia do Qwen.

Co zmieniłoby werdykt?
Dwie rzeczy, a obie da się sprawdzić tanio. Pierwsza to niezależny przebieg kodowania na publicznych wagach Mini. Jeśli 48,2% na DeepSWE i 77,9% na SWE-bench Pro przetrwają neutralny harness, argument za agentowymi możliwościami Mini staje się znacznie mocniejszy, niż sugeruje wynik 20,1 w indeksie, ponieważ indeks zaniża dokładnie tę pracę o długim horyzoncie, do której model został stworzony. Jeśli się nie utrzymają, tabela z premiery była tabelą dostawcy, a model w gruncie rzeczy jest dwudziestką.
Druga kwestia to, czy dziewięciopunktowa przewaga Qwen3.8-Flash utrzymuje się przy kontroli wysiłku. Jego wynik w indeksie to pojedyncza konfiguracja, a modele Qwen zmieniają się o kilka punktów między ustawieniami wysiłku — model 27B uzyskuje 20 przy xhigh i znacznie mniej, gdy myślenie jest ograniczone. Wersja Flash, która traci dziewięć punktów przy niskim wysiłku, jest innym konkurentem niż ta, która je zachowuje, a nikt nie opublikował tej krzywej dla tego porównania.
Dopóki którakolwiek z tych opcji nie trafi na rynek, uczciwym podsumowaniem jest werdykt niejednoznaczny. Pod względem mierzalnej wydajności na dolara w środowisku hostowanym Qwen 3.8 wygrywa dwukrotnie — model 27B dorównuje Mini pod względem wyniku, ale przegrywa kosztowo, a poziom Flash bije go w obu kategoriach. W kwestiach, których model hostowany nie potrafi w ogóle — działać offline, działać na laptopie, działać bez licznika — Inkling 2 Mini nie ma odpowiedzi Qwen, a plik 20GB jest całym argumentem. Kup wersję do pobrania, jeśli musisz ją uruchomić tam, gdzie nie ma sieci. Kup API, jeśli nie musisz.

Porównane w tym artykule2
Wykryto na podstawie tego artykułu · Benchmarki: Artificial Analysis · aktualizowane codziennie
