
Inkling 2 Mini: os mesmos 20 do Qwen3.8-27B, por um sexto do custo
- OrcaNOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 184 tok/s
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 727 tok/s
- AlibabaNOVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 407 tok/s
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 87 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 150 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 83 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 121 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 108 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 90 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 212 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
Dois modelos ocupam o mesmo degrau do Artificial Analysis Intelligence Index, ambos com pontuação 20. Um deles custa US$ 3,53 para concluir uma única tarefa do índice e leva 35 minutos e meio para isso. O outro custa US$ 0,59 e leva nove minutos. O mais barato é o Inkling 2 Mini, um modelo de mistura de especialistas de 26,4 bilhões de parâmetros que o Thinking Machines Lab publicou em 20 de novembro de 2026 sob a licença Apache 2.0, e o mais caro é o Qwen3.8-27B — um modelo denso que a Alibaba lançou em agosto e que a OrcaRouter oferece a US$ 0,33 de entrada e US$ 2,40 de saída por milhão de tokens.
Um empate em um índice composto não é um empate em capacidade, e este artigo vai dedicar a maior parte de sua extensão aonde os dois divergem. Mas o número de custo é o que decide se você coloca um modelo em um caminho de produção, e é o número que a maior parte da cobertura de lançamento do Inkling 2 Mini vai deixar de fora, porque ele não está no post de lançamento. Ele vem da medição independente, e é seis vezes melhor que o modelo com o qual ele empata.
O que de fato foi entregue, e o que não foi
O anúncio está datado de 20 de novembro. O repositório do Hugging Face foi criado em 17 de novembro e modificado pela última vez no dia 20, o que tem o formato de um checkpoint preparado antes de um lançamento, e não de um lançamento surpresa. O card declara Apache 2.0 e a listagem de arquivos traz a mesma tag — uma licença real, não a promessa de uma, que é a diferença entre este lançamento e o do Inkling 2 Small, em que os pesos saíram uma semana depois do anúncio.
O próprio artefacto:
• Parâmetros — 26,4B no total, 3,4B ativos e 5,4B de ativações efetivas de pesos por token quando o loop é contabilizado. A Thinking Machines estima a diferença em cerca de 1,0B de parâmetros ativos extras por passagem do loop.
• Pegada — cerca de 20 GB em uma mistura de NVFP4 e MXFP8, pequena o suficiente para a empresa executá-la offline em um MacBook Pro e fornecer instruções para qualquer Mac com 32 GB de RAM ou mais.
• Modalidades — texto e imagens na entrada, por meio de um vision transformer projetado no mesmo espaço oculto; apenas texto na saída.
• Suporte de runtime — SGLang, vLLM, NVIDIA Dynamo, TokenSpeed, Ollama, llama.cpp via GGUFs do Unsloth. Pós-treinamento de RL no SkyRL, Miles e NVIDIA AutoModel.
• Disponibilidade hospedada — Tinker, para inferência e ajuste fino. Esse é o único endpoint. Não está no OrcaRouter e este texto não fingirá o contrário.
Um ponto de precisão sobre o preço, porque a página independente e a tabela de tarifas parecem discordar, mas não discordam. A Artificial Analysis lista US$ 0,15 por milhão de entrada e US$ 0,50 por milhão de saída, com desconto de cache de 90% e um valor combinado de US$ 0,0905. Essas são as tarifas de amostragem da Tinker — prefill US$ 0,15, prefill em cache US$ 0,015, sample US$ 0,50 — e a própria lista de modelos da Tinker ainda precifica uma faixa de contexto de 64K e uma faixa de 256K com os mesmos US$ 0,15/US$ 0,50 para amostragem, com treinamento a US$ 0,75 e US$ 1,50, respectivamente. A categoria sob a qual a Tinker não lista o Mini é a beta de inferência serverless, cuja tabela abrange o Inkling 2 Small e o Inkling original, mas não este modelo. Portanto, US$ 0,15/US$ 0,50 é o que você paga para amostrá-lo na Tinker, e a linha "disponível via API por meio de 1 provedor" na página de análise refere-se a isso, e não a um endpoint serverless com sua própria tabela de tarifas.

Por que a arquitetura de loop é o ponto central
Tudo o mais no modelo é convencional. O loop não é, e explica tanto o valor do custo quanto as fraquezas do modelo, por isso vale dois minutos.
Inkling 2 Mini é um transformer somente decodificador de 24 camadas com camadas feed-forward de mistura de especialistas esparsas, organizado em quatro blocos de seis camadas. O primeiro bloco e o último bloco são executados uma vez. Os dois blocos intermediários são executados três vezes com pesos compartilhados, então cada token passa por 48 aplicações de camada extraídas de 24 camadas armazenadas. Entre as passagens, um gate aprendido funde a "mensagem" da passagem anterior na próxima por meio de resíduos de atenção, então a repetição não é um cálculo idêntico — o modelo carrega estado adiante.
Os especialistas vieram de uma poda, e não de um treinamento do zero. O treinamento começou com esparsidade 48, selecionando 8 especialistas entre 384; a empresa então manteve os 128 especialistas por camada que receberam mais tráfego e corrigiu os danos em 1T de tokens destilados, antes de SFT e RL em 2,2T de tokens em 2.000 passos. Foi treinado de ponta a ponta em 4 bits, com 20 camadas em NVFP4 e 4 em MXFP8, por isso o checkpoint entregue está na precisão treinada e não é uma quantização pós-hoc dele.
Por que algo disso importa para um comprador: o compute efetivo por parâmetro armazenado aumenta, então um checkpoint de 26B se comporta como algo maior enquanto ocupa memória de laptop. Por que isso importa para um operador: o suporte a arquiteturas em loop tem aproximadamente um dia. O suporte do SGLang chegou como PR #51926, aberto no mesmo dia em que o modelo foi lançado, adicionando um tipo de modelo dedicado, flags para passagens de loop e compartilhamento de cache, e caminhos NVFP4 grouped-GEMM que preenchem com zeros matrizes de especialistas de 1152 de largura até 1280 para se ajustarem ao kernel, com benchmarks em GB300, B300 e H200. O model card diz isso claramente em suas próprias limitações: "o suporte de runtime para modelos em loop é novo, então a velocidade varia." Esse é um aviso honesto e é o único risco operacional exclusivo desta versão.
Empatados em 20, seis vezes de diferença no custo
A comparação do Intelligence Index é o motivo pelo qual este modelo é interessante, e também é onde um leitor tem maior probabilidade de ser induzido ao erro pela manchete. Ambos os modelos obtêm pontuação 20 na versão 5.0 do índice. Em tudo o que está por trás dessa pontuação, eles não são o mesmo modelo.
• Índice — 20,1 para o Inkling 2 Mini, 20 para o Qwen3.8-27B na sua configuração de esforço xhigh. Efetivamente no mesmo nível.
• Custo por tarefa de indexação — $0,59 contra $3,53. Um fator de seis.
• Tempo real por tarefa de indexação — 9,0 minutos contra 35,5 minutos.
• Velocidade de saída — 280 tokens por segundo contra 51.
• Tempo até o primeiro token — 9,72 segundos para o Mini; a página do Qwen não abre com um número de primeiro token, e seu tempo de tarefa de 35 minutos é o número determinante.
• Contexto — 1M no cartão do modelo e no Artificial Analysis; 256K na lista de modelos do Tinker. Mais sobre isso abaixo.
• Licença — Apache 2.0 e disponível para download com 20 GB, contra uma API de fornecedor a US$ 0,50/US$ 3,00 de tabela.
A verbosidade explica parte da diferença de seis vezes e vale a pena saber, porque prevê sua fatura melhor do que a tabela de preços. Para completar a execução do índice, o Inkling 2 Mini emitiu 161M de tokens de saída contra uma mediana de 85,7M entre os pares — aproximadamente 1,9 vez a saída de um modelo típico de sua classe. Mesmo assim, a US$ 0,50 por milhão de saída, a aritmética ainda chega a US$ 0,59 por tarefa. O custo do Qwen3.8-27B vem da direção oposta: uma taxa de saída de US$ 3,00 e um modelo que leva quatro vezes mais tempo para terminar.
Existe uma ressalva que deve ficar ao lado desses números, e não depois deles. A pontuação de 20 no índice está próxima do piso do que o ranking mede de forma útil, e os modelos agrupados entre 18 e 20 não são ordenados de forma confiável por ela — o ranking em torno do Mini inclui Nanbeige4.3-33B com 20, JT-4.1 Flash 236B A21B com 19 e MiniMax-M3 com 19. Um empate em 20 indica que ambos os modelos atingem o mesmo patamar, não que falham nos mesmos pontos.

A codificação é onde os números dos fornecedores ficam interessantes.
A Thinking Machines está vendendo isto como um modelo de codificação agêntico que roda em um laptop, e a tabela publicada sustenta a primeira metade dessa afirmação com mais força do que a maioria dos lançamentos de modelos pequenos. Estas são avaliações da própria empresa, não reproduzidas por ninguém fora do laboratório até o momento da redação, e devem ser lidas como alegações, e não como medições.
• SWE-bench Verified — 79,2%, apenas bash.
• SWE-bench Pro v2, Difícil — 77,9%.
• SWE-bench Multilingual — 73,7%.
• Vibe Code Bench v1.1 — 77,9%.
• Terminal Bench v2.1 — 71,6%, atrás dos 73,0 do Qwen3.8-27B.
• DeepSWE v1.1 — 48,2%; FrontierCode v2.0 — 15,1%; Terminal Bench v4.0 — 5,6%.
• BrowseComp — 79,0%; DeepSearchQA — 85,3%; MCP Atlas — 82,7%.
• MMMU Pro — 74,9%; OmniDocBench v1.6 — 92,8%; ScreenSpot Pro — 76,5%, ou 87,7% com ferramentas Python permitidas.
• Ciência no estilo GPQA e raciocínio complexo — HLE-Diamond 15,2%, CritPt v2 31,4%, ARC-AGI 84,5% na v1 e 49,3% na v2.
O padrão dentro dessa tabela é consistente com a arquitetura: as linhas em que o Mini parece forte recompensam persistência e uso de ferramentas em horizontes longos, e as linhas em que ele parece fraco são as que exigem uma única recuperação correta ou uma inferência científica difícil. É isso que um pequeno orçamento de parâmetros ativos compra e o que o looping não corrige.
Duas das linhas de comparação que a empresa publicou contra o Qwen3.8-27B são derrotas, e são as duas que devem ser lembradas. MultiChallenge — 50,0% para o Mini, atrás do modelo Qwen. ComplexConstraints v1.1 — 33,4%, também atrás. Esses são testes de seguir instruções sob restrições, que é exatamente a habilidade que quebra um agente de produção que recebeu um esquema e um orçamento, e é a primeira coisa a testar antes de confiar em qualquer manchete de benchmark.
Em que ela é ruim, nas próprias palavras da empresa
A seção de limitações do cartão de modelo é excepcionalmente específica, o que a torna mais útil do que o aviso legal habitual. Citá-la é a forma mais rápida de saber se este modelo se adequa ao seu caso de uso.
É mais fraco que o Inkling 2 Small em recall factual e é descrito como propenso a afirmar informações incorretas com confiança. A medição independente de omnisciência concorda: AA-Omniscience −8,6 com uma taxa de não alucinação de 63,4%. Pontuações negativas nesse benchmark significam que o modelo é pior do que não dizer nada.
• Pode ficar preso em longos ciclos de raciocínio, especialmente ao depurar código, e o cartão recomenda limites de tokens e de turnos.
• Pode executar ações destrutivas em arquivos sem confirmação e pode relatar incorretamente o que fez. Para qualquer pessoa que o aponte para um repositório, essa é a frase que decide se você o executa em uma sandbox.
A saída em idiomas que não o inglês é mais fraca; os próprios testes em chinês da empresa identificaram frases truncadas e mistura de idiomas.
O esforço de raciocínio mínimo não desativa totalmente o raciocínio, portanto não é possível recuperar a latência desativando o pensamento.
A avaliação de segurança é a parte que será citada, e ela corta numa direção interessante. O FORTRESS obteve 89,5% adversarial e 96,4% benigno, o StrongREJECT 97,8%, comportamento inadequado interno 9,8%. A conclusão da empresa é que o modelo "não oferece ganho material além do que já está disponível em modelos de pesos abertos", e ela observa que encontrou muito pouca controlabilidade sobre a cadeia de raciocínio, mas nenhum aumento na perda de monitorabilidade por adicionar passadas de loop. Dado que o artefato é um download de 20GB sob Apache 2.0, o enquadramento de segurança não é uma barreira — é uma divulgação, e a mitigação que recomenda é sandboxing de cargas de trabalho agênticas, o que você deveria estar fazendo de qualquer forma.
A janela de 1M que você pode não ter de verdade
O comprimento do contexto é a única especificação em que as fontes realmente divergem, e a divergência não é superficial.
O card do Hugging Face diz que o modelo "suporta uma janela de contexto de até 1M de tokens". O Artificial Analysis registra 1M. A lista de modelos do Tinker descreve o Inkling 2 Mini como um MoE de 26,4B no total e 5,4B ativos, com contexto de 256K, e sua tabela de preços cobra por um nível de 64K e um nível de 256K.
A leitura mais provável é que 1M seja uma capacidade da arquitetura e 256K seja aquilo para que o caminho de amostragem hospedado está configurado e cobrado — o mesmo padrão que o Inkling 2 Small mostrou, em que 1M foi treinado e avaliado, mas o nível disponível para serviço era mais estreito. Se sua carga de trabalho depende da janela longa, não tome o número do cartão como garantia operacional. As avaliações de contexto longo na tabela do fornecedor também são mistas, e não triunfais: MRCR v2 com 46,4%, LongBench v2 com 66,9%, GraphWalks BFS com 256K com 69,7%. Um modelo que anuncia um milhão de tokens e pontua 46 em correferência de múltiplas rodadas é um modelo cuja janela longa é real, mas não gratuita.
Executá-lo por conta própria, e o que isso muda
O interessante de um checkpoint Apache 2.0 de 20 GB com 3,4 bilhões de parâmetros ativos é que o custo marginal de um experimento cai para quase zero. No Tinker, você paga US$ 0,15 por milhão de prefill e US$ 0,50 por milhão de sample. No seu próprio hardware — um Mac com 32 GB, ou um DGX Spark, no qual a empresa relata 0,703 de inteligência por watt — você paga pela máquina e nada mais.
Esse é o argumento a favor de hospedá-lo por conta própria, e há um argumento correspondente contra. Uma arquitetura em loop totalmente nova tem um dia de suporte do SGLang, throughput variável dependendo do runtime que você escolher, uma tendência documentada a entrar em loop durante a depuração e uma tendência documentada a executar comandos destrutivos sem perguntar. Apostar um caminho de produção nisso na primeira semana não é uma decisão de roteamento, é uma aposta num runtime.
Este é o tipo de problema para o qual um roteador é construído, e vale a pena ser concreto sobre o que isso significa aqui em vez de fazer alusões vagas. O Inkling 2 Mini não está no OrcaRouter, então não há nada para rotear para ele hoje. O que está no OrcaRouter é o modelo ao qual ele se vincula: Qwen3.8-27B, a US$ 0,33 por milhão de tokens de entrada e US$ 2,40 por milhão de saída — mais barato que a tabela de US$ 0,50/US$ 3,00 da Alibaba, com o preço de tabela do provedor repassado em vez de acrescido de margem. O arranjo prático para as próximas semanas é chamar o Qwen3.8-27B para qualquer coisa com perfil de produção enquanto você avalia o Mini no seu próprio hardware, e usar failover e a DSL de roteamento para colocar o Mini atrás de um fallback no dia em que ele chegar a um endpoint hospedado. É assim que você dá uma olhada em uma arquitetura não comprovada sem torná-la a única coisa entre seus usuários e uma página de erro.

O que assistir a seguir
Três coisas decidirão se o Inkling 2 Mini terá relevância além de uma boa tabela de benchmarks.
A primeira é a reprodução independente. Todo número de programação neste texto é informado pelo fornecedor. O Artificial Analysis tem a pontuação do índice, o custo, a velocidade e a verbosidade — todos medidos —, mas não um índice de programação para este modelo, e até que alguém de fora da Thinking Machines execute o SWE-bench Pro v2 ou o Terminal Bench nos pesos liberados, os 77,9% são uma alegação sobre um checkpoint que a empresa treinou.
O segundo aspecto é a maturidade do runtime. A diferença entre 280 tokens por segundo na página de análise e o que você obtém no seu próprio hardware atualmente é função de qual engine você escolhe e de quão recente é o suporte dela a loops. Um mês de trabalho no kernel muda esse número mais do que um mês de qualquer outra coisa.
O terceiro é se alguém além da Tinker o oferece. Um modelo com endpoint hospedado por um único provedor e pesos abertos é um produto diferente de um com três provedores por trás de uma API comum, e a competição de preços que faz o valor de custo de $0.59 parecer duradouro só começa quando há alguém com quem competir.
Por ora, o resumo honesto é mais limitado do que o enquadramento de lançamento. O Inkling 2 Mini é um download de 20 GB que iguala um modelo denso de 27B em um índice composto por cerca de um sexto do custo por tarefa e quatro vezes a velocidade, vindo de um laboratório que disponibilizou os pesos no primeiro dia, em vez de uma semana depois. É também um modelo que alucina com confiança, entra em loop ao depurar e pede um sandbox antes de você deixá-lo tocar em um sistema de arquivos. As duas metades dessa frase são verdadeiras, e a segunda metade é a que decide como você o implanta.
