Inkling 2 Small dotrzymuje tempa w kodowaniu przy 17B aktywnych parametrów — dopóki nie spojrzysz na wariancję

Dwie linie na wykresie premiery Thinking Machines spotykają się przy tej samej liczbie. Inkling 2 Small rozwiązuje 54,25 z 69 zadań PMPP-Hard przy pojedynczej próbie, a 64 w czterech. Claude Opus 5.5 rozwiązuje 60 przy pojedynczej próbie i 64 w czterech. Wydany 5 listopada 2026 r. Inkling 2 Small to model typu mixture-of-experts o łącznej liczbie 594B parametrów i 17B aktywnych, a ten wykres jest najczystszym wyrazem tego, co daje ta architektura, a czego nie: górnej granicy modelu czołowego w trudnej pracy inżynierskiej, bez niezawodności takiego modelu przy każdej próbie.

Krążące twierdzenie jest węższe i bardziej pochlebne — że w benchmarkach kodowania bez trudu dorównuje znacznie większym modelom. To twierdzenie można sprawdzić na tabeli samego dostawcy, wiersz po wierszu, i broni się ono w niektórych miejscach, w innych zawodzi, a najciekawiej zawodzi w starciu z modelem znacznie mniejszym od siebie. Ten tekst odczytuje ową tabelę wiersz po wierszu, a potem zadaje pytanie, na które tabela nie potrafi odpowiedzieć: ile to tempo kosztuje na zadanie, gdy model faktycznie obciąża twój rachunek.

Sześć wierszy kodu, czytanych bez objaśnień

Wszystko poniżej pochodzi z tabeli ewaluacyjnej, którą Thinking Machines opublikowało wraz z ogłoszeniem. To środowisko testowe uruchamiane przez dostawcę — firma tak twierdzi i mówi, że wiersze dotyczące kodowania wykorzystują ukryte testy jednostkowe i automatyczne kontrole programistyczne. Nic z tego nie zostało niezależnie odtworzone, co ma znaczenie, ponieważ ta sama tabela podaje Artificial Analysis Intelligence Index na poziomie 30,6 dla Inkling 2 Small, podczas gdy własna bieżąca strona Artificial Analysis podaje 31. To różnica wynikająca z zaokrąglenia, a nie spór, ale pokazuje, że tabela jest migawką wykonaną przez laboratorium, a nie bieżącą tablicą wyników.

W starciu z Kimi K3, największym modelem o otwartych wagach w tym porównaniu, teza o tempie utrzymuje się i prowadzi do remisu:

• FrontierCode v2.0 — Inkling 2 Small 25,4% vs Kimi K3 17,3%.

• DeepSWE v1.1 — 72,1% wobec 68,5%.

• SWE-bench Pro v2 (Hard) — 86,3% vs 88,2%.

Vibe Code Bench v1.1 — 81,6% vs 85,0%.

• PostTrainBench v1.2 — 31,9% w porównaniu z 31,5%.

• Terminal Bench Science v0.1 — 5,7% wobec 8,1%.

Każdy po trzy wiersze. Model uruchamiający 17B parametrów na token dorównuje modelowi o rząd wielkości większemu pod względem zużywanej mocy obliczeniowej — i robi to na dwóch krańcach spektrum kodowania, które zwykle się rozdzielają: w benchmarku łatek tworzonych od zera w FrontierCode oraz w agentowym benchmarku w skali repozytorium w DeepSWE. To DeepSWE jest tym, który trzeba rozważyć, ponieważ to wiersz, w którym model musi utrzymać spójny plan przez wiele wywołań narzędzi, a nie wygenerować jeden dobry diff.

W porównaniu z DeepSeek V4.1 Flash 1017 obraz się odwraca i to jest porównanie, które ma znaczenie komercyjne, a nie architektoniczne, ponieważ tier flash DeepSeeka jest tani. Inkling 2 Small wypada gorzej w czterech z pięciu wierszy, w których uruchomiono oba modele — FrontierCode 25,4% do 28,5%, DeepSWE 72,1% do 77,0%, Vibe Code Bench 81,6% do 87,7%, Terminal Bench Science 5,7% do 12,9% — a wyprzedza tylko w PostTrainBench, 31,9% do 30,5%. DeepSeek nie ma wpisu SWE-bench Pro, co jest pechowe dla Thinking Machines, ponieważ 86,3% to najlepszy wynik Inkling 2 Small w kodowaniu i byłby to najbardziej przekonujący pojedynczy wiersz, jaki można by wygrać.

Mniejszy model to ten, za którym nie nadąża.

Materiały premierowe nie rozpoczynają od porównania z Claude Haiku 5.5, a to ono powinno dać kupującemu do myślenia. Haiku to mała, tania klasa w ofercie Anthropic — nic podobnego do modelu 594B — i wygrywa trzy z pięciu wspólnych dla obu pozycji kodowania: FrontierCode 34,9% do 25,4%, Vibe Code Bench 90,4% do 81,6% oraz Terminal Bench Science 20,0% do 5,7%, gdzie różnica jest ponad trzykrotna.

Inkling 2 Small zdecydowanie wygrywa pozostałe dwie: DeepSWE 72,1% do 59,9% i SWE-bench Pro 86,3% do 52,9%. Analizowane łącznie, ten wzorzec wcale nie dotyczy rozmiaru. Haiku wygrywa w wierszach oceniających pojedynczy wytworzony artefakt — diff, UI, sesję terminala doprowadzoną do ukończenia. Inkling 2 Small wygrywa w wierszach, w których model musi pracować nad problemem przez wiele kroków i poprawiać własną odpowiedź. W starciu z Gemini 3.8 Flash jest jeszcze bliżej: Inkling wygrywa FrontierCode, SWE-bench Pro i Vibe Code Bench, nieznacznie przegrywa DeepSWE 72,1% do 73,8% i wyraźnie przegrywa Terminal Bench Science 5,7% do 10,0%.

Jeden szczegół z ogłoszenia warto zapisać sobie na przyszłość, jeśli ktoś przegląda rankingi. Thinking Machines twierdzi, że testowało wczesne checkpointy Inkling 2 Small na OpenCode pod nazwą Fledge-Alpha. Każdy wynik Fledge-Alpha, jaki widzieliście na tablicy koderskiej przed premierą, należał do tego modelu pod pseudonimem — i nie był to model ukończony.

Co dają cztery próby i ile kosztuje 18,5 minuty

PMPP-Hard obejmuje 69 zadań, cztery niezależne próby i dziesięciogodzinny budżet, a ocena to średnia liczba rozwiązanych zadań. Wynik 54,25 Inkling 2 Small jest dobry, ale nie wybitny — plasuje się za GPT-6 Astra z 63, Kimi K3.1 Pro z 60,5 i Opus 5.5 z 60, a przed Kimi K3 z 55,75, DeepSeek V4.1 Flash z 55,25, GLM 5.3 z 52,5 i Mistral Large 4 z 50,25.

Jego Pass@4 równe 64 to moment, w którym ta liczba przestaje być zwyczajna. Ta wartość dorównuje wynikowi 64 modelu Opus 5.5 i przewyższa wyniki 63 modeli Astra i Kimi K3.1 Pro. Daj mu cztery próby, a sięgnie tego samego pułapu co najlepsze modele na wykresie; daj mu jedną, a będzie o niemal sześć zadań z tyłu. Jeśli Twój workflow już próbkuje kilka podejść i wybiera zwycięzcę, uruchamiając testy, istotna luka jest niewielka. Jeśli próbkuje raz i wdraża, luka jest całą historią.

Ta sama asymetria uwidacznia się na wykresie automatycznych badań nad jądrami i tam nie działa na korzyść Inkling 2 Small. Najlepsze przyspieszenie jądra względem baseline'u: Claude Opus 5.5 18,80×, GPT-6 Astra 10,26×, Inkling 2 Small 6,02×, DeepSeek V4.1 Flash 5,66×, GLM 5.3 5,03×, Mistral Large 4 3,43×. Mniej więcej jedna trzecia przyspieszenia czołówki w tym samym zadaniu, co jest dalekie od dotrzymywania kroku.

Jest jeszcze kwestia czasu zegarowego. Każda opublikowana ewaluacja została przeprowadzona przy effort 0.99 — ustawieniu, które Thinking Machines nazywa xhigh — oraz temperaturze 1.0. Artificial Analysis, testując działający endpoint, a nie deweloperskie środowisko testowe, mierzy 18,5 minuty na zadanie Intelligence Index wobec mediany 7,0 u konkurencyjnych modeli oraz 154 mln tokenów wyjściowych wobec mediany 89,8 mln. Koszt na zadanie indeksu wynosi 1,18 USD, co daje 27. miejsce spośród 29 modeli w tym zestawieniu. Prędkość generowania to 135 tokenów na sekundę, a czas do pierwszego tokenu odpowiedzi wynosi 34,15 sekundy wobec mediany 11,57 sekundy. Model nie jest wolny w przeliczeniu na token. Jest wolny, ponieważ długo myśli i wiele pisze w trakcie.

Gdzie liczba 17B aktywnych parametrów faktycznie się opłaca

Modele mieszaniny ekspertów są rozliczane na podstawie aktywnych parametrów i to jest całe uzasadnienie komercyjne tej architektury. Inkling 2 Small kosztuje 0,30 USD za milion tokenów wejściowych i 1,00 USD za milion tokenów wyjściowych, przy czym wejście z pamięci podręcznej ma 90% zniżki do 0,03 USD — co daje łączną stawkę 0,18 USD za milion przy stosunku trafień w pamięć podręczną do wejścia do wyjścia wynoszącym 7:2:1, według Artificial Analysis. Mediana modeli na tej liście pobiera 0,24 USD za wejście i 0,87 USD za wyjście, więc Inkling 2 Small jest wyceniany jak model średniej klasy, a nie jak model z 594B parametrami.

Skład treningowy wyjaśnia ten nacisk. Kodowanie stanowiło 38,5% rolloutów uczenia ze wzmocnieniem i 65% tokenów — największy pojedynczy blok i ponad dwie trzecie wszystkiego, co model wygenerował podczas RL. Wizja stanowiła 13,9% rolloutów, ale tylko 3% tokenów. Czymkolwiek jeszcze jest ten model, został poddany treningowi końcowemu ukierunkowanemu na obszerne pisanie i poprawianie kodu.

Uczciwa arytmetyka opiera się na udanej próbie, a nie na tokenie. Inkling 2 Small przy $1.18 za zadanie indeksowania i czterech próbach osiągnięcia swojego sufitu to inny zakup niż model za dwukrotnie wyższą cenę, który dociera tam za pierwszym razem. Żadna z tych konfiguracji nie jest błędna; to różne kontrakty z twoim budżetem opóźnień.

Co możesz dziś nazwać, a czego nie możesz

Inkling 2 Small jest dostępny przez Tinker do wnioskowania i dostrajania, z zamkniętymi wagami i bez drugiego dostawcy. Thinking Machines twierdzi, że zamierza opublikować pełne wagi na licencji Apache 2.0 „w przyszłym tygodniu”, po zewnętrznych testach bezpieczeństwa i red-teamingu, i do 6 listopada 2026 r. to nie nastąpiło. Endpoint serverless jest udostępniany z kontekstem 256K, węższym niż okno 1M, do którego model był trenowany.

Nie ma go w OrcaRouter i ten tekst nie będzie udawał, że jest inaczej. W OrcaRouter jest natomiast większość zestawu porównawczego, który ten artykuł właśnie omówił — Kimi K3, DeepSeek V4.1 Flash 1017, GLM-5.3 Flash, Gemini 3.8 Flash, MiMo V2.6 Pro — dostępnych za pomocą jednego klucza wśród ponad 200 modeli, z ceną listową dostawcy przekazywaną bez zmian i bez doliczanej marży. Ma to znaczenie dokładnie dla zastosowania, które sugeruje ten artykuł: jeśli chcesz sprawdzić, czy MoE z 17 mld aktywnych parametrów wystarczy do Twojego repozytorium, najtańszym eksperymentem jest przeprowadzenie własnej ewaluacji na modelach po obu jego stronach, na jednym rachunku, zamiast podpisywania czterech umów.

Automatyczne przełączanie awaryjne to druga połowa tego. Tabela benchmarków nie mówi nic o tym, czy długi przebieg agentowy przetrwa chwilową awarię dostawcy w czternastej minucie, a modele, które na DeepSWE wypadają najbliżej siebie, to właśnie te, między którymi realnie byś się przełączał.

Trzy rzeczy zmieniłyby ten odczyt. Niezależne ponowne uruchomienie FrontierCode lub DeepSWE, ponieważ te liczby pochodzą z samego laboratorium, a wiersz SWE-bench Pro odgrywa dużą rolę w przekonywaniu. Udostępnienie wag, ponieważ Apache 2.0 uczyniłby model 594B możliwym do samodzielnego hostowania i oddałby pod twoją kontrolę wskaźnik $1.18 na zadanie. Oraz jakikolwiek opublikowany poziom poniżej xhigh, ponieważ każda liczba w tym tekście została uzyskana przy maksymalnym wysiłku — jeśli niższe ustawienie daje większość dokładności przy ułamku 154M tokenów, argument kosztowy się poprawia i nikt tego jeszcze nie pokazał.

Zestaw porównawczy na jednym klawiszu

Modele, z którymi Inkling 2 Small jest porównywany w powyższych wierszach, to – z dwoma wyjątkami – modele, które można dziś wywołać z jednego punktu końcowego. Tym dwoma wyjątkami są sam Inkling 2 Small, dostępny wyłącznie w Tinker, oraz Claude Haiku 5.5, którego nie ma w katalogu OrcaRouter. Reszta tabeli to: Kimi K3 – model z otwartymi wagami, z którym Inkling 2 Small remisuje; DeepSeek V4.1 Flash 1017 – tani model, któremu Inkling 2 Small ustępuje w czterech z pięciu wierszy; GLM-5.3 Flash – mały model, który Inkling 2 Small zdecydowanie pokonuje; oraz Gemini 3.8 Flash – model średniej wielkości, z którym Inkling 2 Small ma wyrównane wyniki.

Ten zestaw jest tym, który warto uruchomić, ponieważ interesującym pytaniem dla zespołu nie jest to, czy model mixture-of-experts z 17B aktywnymi parametrami robi wrażenie w teorii — powyższa tabela już na to odpowiada — lecz to, czy przebija model już obecny w produkcji w konkretnym repozytorium, zestawie testów lub kernelu, na którym ci zależy. To pytanie, na które odpowie tylko twoja własna ewaluacja, a znacznie taniej jest odpowiedzieć na nie w przypadku czterech modeli na jednym kluczu niż czterech dostawców.

To, co ustala ta premiera, jest węższe, niż sugeruje reakcja na nią. Model 594B z 17B aktywnych parametrów remisuje teraz z największym modelem o otwartych wagach w kodowaniu, wygrywa w dwóch wierszach, które nagradzają pracę ciągłą, i przegrywa z małym modelem zamkniętym w trzech, które oceniają pojedynczy artefakt. To prawdziwy wynik i nie jest to wynik na granicy możliwości. Koszt ustalenia, po której stronie tej linii znajduje się twoje obciążenie, to 0,30 USD i 1,00 USD za milion tokenów, 18,5 minuty na trudne zadanie oraz gotowość do próbkowania więcej niż raz.