Inkling 2 Small mantém o ritmo em programação com 17B de parâmetros ativos — até você olhar para a variância

Duas linhas no gráfico de lançamento da Thinking Machines se encontram no mesmo número. O Inkling 2 Small resolve 54,25 de 69 tarefas do PMPP-Hard numa única tentativa e 64 em quatro tentativas. O Claude Opus 5.5 resolve 60 numa única tentativa e 64 em quatro tentativas. Lançado em 5 de novembro de 2026, o Inkling 2 Small é um modelo de mistura de especialistas com 594B de parâmetros totais e 17B ativos, e esse gráfico é a declaração mais clara do que a arquitetura proporciona e do que não proporciona: o teto de um modelo de fronteira em trabalho de engenharia difícil, sem a confiabilidade por tentativa de um.

A alegação que circula é mais restrita e mais lisonjeira — de que, em benchmarks de programação, ele acompanha facilmente modelos significativamente maiores. Essa alegação pode ser testada contra a própria tabela do fornecedor, linha por linha, e se sustenta em alguns pontos, falha em outros e falha de modo mais interessante contra um modelo muito menor que ele. Este artigo faz a leitura linha por linha e, em seguida, levanta a pergunta que a tabela não consegue responder: quanto esse ritmo custa por tarefa quando o modelo de fato entra na sua conta.

Seis linhas de codificação, lidas sem a glosa

Tudo abaixo vem da tabela de avaliação que a Thinking Machines publicou com o anúncio. É um harness executado pelo fornecedor — a empresa diz isso e afirma que as linhas de programação usam testes unitários ocultos e verificações programáticas. Nada aqui foi reproduzido de forma independente, o que importa porque a mesma tabela exibe um Artificial Analysis Intelligence Index de 30,6 para o Inkling 2 Small, enquanto a própria página ao vivo da Artificial Analysis exibe 31. Essa é uma diferença de arredondamento, não uma disputa, mas mostra que a tabela é um instantâneo tirado pelo laboratório, e não um painel ao vivo.

Contra o Kimi K3, o maior modelo de pesos abertos da comparação, a afirmação sobre o ritmo termina em empate:

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

• DeepSWE v1.1 — 72,1% vs 68,5%.

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

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

• PostTrainBench v1.2 — 31,9% vs. 31,5%.

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

Três linhas cada. Um modelo que executa 17B parâmetros por token empata com um modelo uma ordem de magnitude maior no compute que consome — e o faz nos dois extremos do espectro de programação que normalmente se separam: um benchmark de patch do zero no FrontierCode e um agêntico em escala de repositório no DeepSWE. O DeepSWE é o que deve ser levado em conta, porque é a linha em que um modelo precisa manter um plano coeso ao longo de muitas chamadas de ferramentas, em vez de produzir um único bom diff.

Contra o DeepSeek V4.1 Flash 1017, o quadro se inverte, e esta é a comparação que importa comercialmente, e não arquiteturalmente, porque o tier flash da DeepSeek é barato. O Inkling 2 Small está atrás em quatro das cinco linhas que ambos os modelos executaram — FrontierCode 25,4% a 28,5%, DeepSWE 72,1% a 77,0%, Vibe Code Bench 81,6% a 87,7%, Terminal Bench Science 5,7% a 12,9% — e à frente apenas no PostTrainBench, 31,9% a 30,5%. A DeepSeek não tem entrada no SWE-bench Pro, o que é azar para a Thinking Machines, já que 86,3% é o melhor número de programação do Inkling 2 Small e teria sido a linha isolada mais persuasiva a vencer.

O modelo menor é aquele com o qual ele não acompanha o ritmo.

A comparação com a qual o material de lançamento não abre é o Claude Haiku 5.5, e é ela que deveria fazer um comprador hesitar. O Haiku é o nível pequeno e barato da linha da Anthropic — nada parecido com um modelo de 594B — e vence três das cinco linhas de codificação que os dois compartilham: FrontierCode, 34,9% contra 25,4%; Vibe Code Bench, 90,4% contra 81,6%; e Terminal Bench Science, 20,0% contra 5,7%, onde a diferença é de mais de três vezes.

O Inkling 2 Small leva as outras duas decisivamente: 72,1% a 59,9% no DeepSWE e 86,3% a 52,9% no SWE-bench Pro. Lidos em conjunto, o padrão não tem nada a ver com tamanho. O Haiku vence nas linhas que avaliam um único artefato produzido — um diff, uma UI, uma sessão de terminal conduzida até a conclusão. O Inkling 2 Small vence nas linhas em que o modelo precisa continuar trabalhando em um problema por muitos passos e melhorar sua própria resposta. Contra o Gemini 3.8 Flash, é ainda mais acirrado: o Inkling fica com o FrontierCode, o SWE-bench Pro e o Vibe Code Bench, perde o DeepSWE por pouco, 72,1% a 73,8%, e perde o Terminal Bench Science por uma margem grande, 5,7% a 10,0%.

Um detalhe do anúncio vale a pena guardar para qualquer pessoa que lê rankings. A Thinking Machines diz que testou checkpoints iniciais do Inkling 2 Small no OpenCode sob o nome Fledge-Alpha. Qualquer pontuação do Fledge-Alpha que você viu em um ranking de programação antes do lançamento era deste modelo, sob um pseudônimo, e não era a versão final.

O que quatro tentativas compram, e o que 18,5 minutos custam

O PMPP-Hard tem 69 tarefas, quatro tentativas independentes, um orçamento de dez horas e é pontuado pela média de tarefas resolvidas. O 54,25 do Inkling 2 Small é bom, mas não notável — fica atrás do GPT-6 Astra, com 63, do Kimi K3.1 Pro, com 60,5, e do Opus 5.5, com 60, e à frente do Kimi K3, com 55,75, do DeepSeek V4.1 Flash, com 55,25, do GLM 5.3, com 52,5, e do Mistral Large 4, com 50,25.

Seu Pass@4 de 64 é onde o número deixa de ser comum. Esse valor empata com o 64 do Opus 5.5 e supera o 63 do Astra e o 63 do Kimi K3.1 Pro. Dê a ele quatro tentativas e ele alcança o mesmo teto dos melhores modelos do gráfico; dê uma e ele fica quase seis tarefas atrás. Se seu fluxo de trabalho já amostra várias tentativas e escolhe uma vencedora executando os testes, a diferença que importa é pequena. Se ele amostra uma vez e entrega, a diferença é toda a história.

A mesma assimetria aparece no gráfico de autopesquisa de kernel e, nele, não favorece o Inkling 2 Small. Melhor aceleração de kernel em relação à linha de base: 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×. Cerca de um terço da aceleração da fronteira na mesma tarefa, o que está muito longe de acompanhar o ritmo.

Depois, há o tempo de relógio. Todas as avaliações publicadas foram executadas com esforço 0,99 — a configuração que a Thinking Machines chama de xhigh — e temperatura 1,0. A Artificial Analysis, testando o endpoint ativo em vez do harness de desenvolvimento, mede 18,5 minutos por tarefa do Intelligence Index, contra uma mediana de 7,0 entre pares, e 154M tokens de saída, contra uma mediana de 89,8M. O custo por tarefa do índice é US$ 1,18, o que o coloca em 27º entre 29 modelos nesse ranking. A velocidade de saída é de 135 tokens por segundo, com 34,15 segundos até o primeiro token da resposta, contra uma mediana de 11,57 segundos. O modelo não é lento por token. Ele é lento porque pensa por muito tempo e escreve bastante enquanto faz isso.

Onde o número de 17B ativos realmente compensa

Modelos de mistura de especialistas são cobrados pelos parâmetros ativos, e esse é todo o argumento comercial dessa arquitetura. O Inkling 2 Small custa US$ 0,30 por milhão de tokens de entrada e US$ 1,00 por milhão de saída, com entrada em cache com desconto de 90% para US$ 0,03 — um valor combinado de US$ 0,18 por milhão numa proporção de 7:2:1 de acertos de cache para entrada para saída, segundo a Artificial Analysis. O modelo mediano nesse quadro cobra US$ 0,24 de entrada e US$ 0,87 de saída, portanto o Inkling 2 Small tem preço de modelo intermediário, não de um modelo de 594B.

A mistura de treinamento explica a ênfase. A programação representou 38,5% dos rollouts de aprendizado por reforço e 65% dos tokens — o maior bloco isolado, e mais de dois terços de tudo o que o modelo gerou durante o RL. A visão representou 13,9% dos rollouts, mas 3% dos tokens. Seja o que mais este modelo for, ele foi pós-treinado para escrever e corrigir código extensivamente.

Portanto, a aritmética honesta é por tentativa bem-sucedida, não por token. O Inkling 2 Small a $1.18 por tarefa de índice e quatro tentativas para atingir seu teto é uma compra diferente de um modelo pelo dobro do preço que chega lá em uma. Nenhuma configuração está errada; são contratos diferentes com seu orçamento de latência.

O que você pode ligar hoje, e o que você não pode

O Inkling 2 Small está disponível por meio do Tinker para inferência e ajuste fino, com pesos fechados e sem um segundo provedor. A Thinking Machines diz que pretende publicar os pesos completos sob a Apache 2.0 "na próxima semana", após testes externos de segurança e red-teaming, e isso não havia acontecido até 6 de novembro de 2026. O endpoint serverless é servido com contexto de 256K, mais estreito do que a janela de 1M para a qual o modelo foi treinado.

Ele não está no OrcaRouter, e este texto não vai fingir o contrário. O que está no OrcaRouter é a maior parte do conjunto de comparação que este artigo acabou de percorrer — Kimi K3, DeepSeek V4.1 Flash 1017, GLM-5.3 Flash, Gemini 3.8 Flash, MiMo V2.6 Pro — acessíveis com uma única chave em mais de 200 modelos, com o preço de tabela do provedor repassado sem alteração e sem acréscimo de margem. Isso importa exatamente para o uso que este artigo sugere: se você quer descobrir se um MoE com 17B ativos é bom o suficiente para o seu repositório, o experimento mais barato é rodar sua própria avaliação com os modelos de ambos os lados dele, em uma única fatura, em vez de assinar quatro contratos.

O failover automático é a outra metade disso. Uma tabela de benchmark não diz nada sobre se uma longa execução agêntica sobrevive a um soluço do provedor no minuto catorze, e os modelos que parecem mais próximos no DeepSWE são justamente aqueles entre os quais você realmente estaria alternando.

Três coisas mudariam esta leitura. Uma reexecução independente do FrontierCode ou do DeepSWE, porque esses números são do próprio laboratório e a linha do SWE-bench Pro está fazendo muito trabalho de convencimento. A liberação dos pesos, porque o Apache 2.0 tornaria o modelo de 594B auto-hospedável e colocaria o valor de US$ 1,18 por tarefa sob seu controle. E qualquer nível publicado abaixo de xhigh, porque todos os números deste artigo foram produzidos com esforço máximo — se uma configuração inferior obtiver a maior parte da precisão com uma fração dos 154 milhões de tokens, o argumento de custo melhora e ninguém demonstrou isso ainda.

O conjunto de comparação em uma única chave

Os modelos com os quais o Inkling 2 Small é comparado nas linhas acima são, com duas exceções, modelos que você pode chamar a partir de um único endpoint hoje. As duas exceções são o próprio Inkling 2 Small, que é exclusivo do Tinker, e o Claude Haiku 5.5, que não está no catálogo do OrcaRouter. O restante da tabela é: Kimi K3, o modelo de pesos abertos com o qual o Inkling 2 Small empata; DeepSeek V4.1 Flash 1017, o modelo barato em relação ao qual ele fica atrás em quatro de cinco linhas; GLM-5.3 Flash, o modelo pequeno que ele supera com folga; e Gemini 3.8 Flash, o modelo de porte médio com o qual ele tem resultados divididos.

Esse é o conjunto que vale a pena executar, porque a pergunta interessante para uma equipe não é se um modelo de mistura de especialistas com 17B ativos é impressionante em abstrato — a tabela acima já responde a isso —, mas se ele supera o modelo que já está em produção no repositório, conjunto de testes ou kernel específico com que você se importa. Essa é uma pergunta que só a sua própria avaliação responde, e é muito mais barato respondê-la em quatro modelos com uma única chave do que em quatro fornecedores.

O que o lançamento estabelece é mais restrito do que a reação a ele sugere. Um modelo de 594B com 17B parâmetros ativos agora empata com o maior modelo open-weights em codificação, vence as duas linhas que recompensam trabalho sustentado e perde para um pequeno modelo fechado nas três que pontuam um único artefato. Esse é um resultado real, e não um resultado de fronteira. O custo de descobrir em que lado da linha sua carga de trabalho se situa é de US$ 0,30 e US$ 1,00 por milhão de tokens, 18,5 minutos por tarefa difícil e disposição para amostrar mais de uma vez.