Inkling vs DeepSeek V4 Pro: Qual modelo de peso aberto vence em codificação, factualidade e custo?
Inkling vs DeepSeek é um dos confrontos de pesos abertos mais interessantes de 2026: dois modelos totalmente abertos, duas licenças permissivas e dois pontos fortes muito diferentes. Inkling, o modelo de estreia do Thinking Machines Lab de Mira Murati, é um MoE multimodal de 975B parâmetros construído para personalização e eficiência. DeepSeek V4 Pro é o mais recente do laboratório chinês que ajudou a popularizar o modelo de codificação de pesos abertos, e chega com uma reputação bem merecida em engenharia de software. Este comparativo direto avalia os dois em benchmarks, codificação, factualidade, licenciamento, VRAM e custo, para que você possa decidir qual deles pertence à sua stack.
Uma nota para desenvolvedores: não há benchmarks comparativos auditados aqui, então isso compara modelos e acesso, não pontuações. OrcaRouter roteia modelos disponíveis via API por trás de um único endpoint compatível com OpenAI, para que você possa testar e comparar Inkling e DeepSeek V4 Pro sem precisar configurar vários SDKs.
Veredito TL;DR: Escolha DeepSeek V4 Pro se a programação agentiva bruta for sua principal prioridade — ele supera a Inkling no SWE-bench Verified. Escolha Inkling se você se preocupa com robustez, factualidade, eficiência de tokens, entrada de áudio/imagem ou uma janela de contexto de 1 milhão de tokens, onde ela lidera por amplas margens. Ambos têm pesos abertos e são livres de royalties para auto-hospedagem.
Principais conclusões
Ambos são pesos abertos. Inkling é lançado sob Apache 2.0; DeepSeek V4 Pro é lançado sob a licença MIT. Ambos permitem uso comercial e auto-hospedagem livre de royalties.
DeepSeek vence codificação por um fio: 80.6% vs 77.6% no SWE-bench Verified (MarkTechPost).
Inkling vence robustez de forma decisiva: 78,0% vs 36,0% no benchmark adversarial FORTRESS (MarkTechPost).
A lacuna de factualidade é grande: A Artificial Analysis relata que o Inkling é líquido-positivo no AA-Omniscience, enquanto o DeepSeek V4 Pro/Flash apresentam taxas de alucinação muito altas.
Inkling é mais eficiente: ~25K vs ~37K tokens de saída por tarefa (Artificial Analysis) — significativo para custo em escala.
Vantagem de modalidade: Inkling aceita texto + imagem + áudio e oferece um contexto de até 1 milhão de tokens; é o modelo multimodal mais versátil aqui.
Divulgação:Os benchmarks são relatados pelo próprio fornecedor no lançamento (Effort 0.99) e os números de terceiros são da Artificial Analysis / MarkTechPost / Vellum / BenchLM; nenhum é auditado de forma independente, e os números dos concorrentes podem divergir dos números relatados por esses fornecedores. As especificações da Inkling são provenientes do model card da Thinking Machines.
Comparação rápida
Maker. Inkling: Thinking Machines Lab; DeepSeek V4 Pro: DeepSeek
Licença. Inkling: Apache 2.0; DeepSeek V4 Pro: MIT
Pesos abertos. Inkling: Sim; DeepSeek V4 Pro: Sim
Parâmetros. Inkling: 975B total / 41B ativo (MoE); DeepSeek V4 Pro: —
Janela de contexto. Inkling: Até 1M tokens (256K hospedados); DeepSeek V4 Pro: —
Entradas. Inkling: Texto + imagem + áudio; DeepSeek V4 Pro: — (texto; não em nossos dados)
Saída. Inkling: Texto; DeepSeek V4 Pro: Texto
Auto-hospedar / ajuste fino. Inkling: Sim / Tinker platform; DeepSeek V4 Pro: Sim
Preço hospedado. Inkling: ~$1,87 entrada / ~$4,68 saída por 1M; DeepSeek V4 Pro: — (não em nossos dados)
Células vazias marcadas com “—” significam que não temos um valor auditado para o DeepSeek V4 Pro em nossos dados de origem e não estamos adivinhando.
Vencedor por categoria
Raciocínio / Conhecimento (HLE). Vencedor: DeepSeek V4 Pro; Notas: 35.9% vs 29.7% (sem ferramentas)
Matemática (AIME 2026). Vencedor: Quase empatado; Notas: Inkling 97,1% vs 96,7%
Codificação (SWE-bench Verified). Vencedor: DeepSeek V4 Pro; Notas: 80.6% vs 77.6%
Agentic (Terminal Bench 2.1). Vencedor: Empatados aproximadamente; Notas: 64.0 vs 63.8
Segurança / Robustez (FORTRESS). Vencedor: Inkling; Notas: 78.0% vs 36.0%
Factualidade (AA-Omniscience). Vencedor: Inkling; Notas: Saldo positivo vs alta alucinação
Multimodal / Áudio. Vencedor: Inkling; Notas: Entrada de imagem + áudio; DeepSeek não está em nossos dados
Eficiência (tokens/tarefa). Vencedor: Inkling; Notas: ~25K vs ~37K
Custo / TCO. Vencedor: Empate (ambos são auto-hospedados sem royalties); Notas: Depende da eficiência + hospedagem
Benchmarks de comparação direta
A tabela abaixo usa um conjunto consistente de números de confronto direto de MarkTechPost. Negrito marca o líder em cada linha.
HLE (sem ferramentas). Inkling: 29.7%; DeepSeek V4 Pro: 35.9%
AIME 2026. Inkling: 97,1%; DeepSeek V4 Pro: 96,7%
SWE-bench Verified. Inkling: 77.6%; DeepSeek V4 Pro: 80.6%
Terminal Bench 2.1. Inkling: 63.8; DeepSeek V4 Pro: 64.0
FORTRESS (adversarial). Inkling: 78.0%; DeepSeek V4 Pro: 36.0%
Algumas “vitórias silenciosas” de Artificial Analysis ficam fora da tabela do MarkTechPost, mas são igualmente importantes para implantações reais:
Eficiência de tokens (quanto menor, melhor): Inkling ~25K vs DeepSeek V4 Pro ~37K tokens de saída por tarefa.
Factualidade da AA-Omniscience: Inkling é positivo líquido; DeepSeek V4 Pro/Flash são negativos, com taxas de alucinação relatadas em torno de 94%/96%.
τ³-Banking: Inkling 24 vs DeepSeek V4 Flash 23.
GDPval-AA v2 Elo (agentic): Inkling 1238 vs DeepSeek V4 Flash 1189.
Nota do editor — adicione visual:Um gráfico de barras agrupado das cinco linhas do MarkTechPost tornaria o veredito dividido (DeepSeek em HLE/SWE-bench, Inkling em FORTRESS) instantaneamente legível.
Onde o DeepSeek V4 Pro vence
A reputação do DeepSeek como um modelo de codificação se mantém aqui. Ele lidera a Inkling em SWE-bench Verified (80.6% vs 77.6%), o benchmark de engenharia de software do mundo real mais assistido, e o supera em HLE (35.9% vs 29.7%) e Terminal Bench 2.1 (64.0 vs 63.8). Se sua carga de trabalho principal é correção autônoma de bugs, geração de pull requests ou trabalho terminal agêntico, o DeepSeek V4 Pro é o codificador bruto mais forte neste par — e sua licença MIT torna trivial incorporá-lo em produtos comerciais.
Esse líder de codificação é genuíno e digno de respeito. Para equipes cuja métrica de sucesso é "quantos problemas o agente pode resolver", os poucos pontos extras da DeepSeek no SWE-bench Verified podem se traduzir em produtividade mensurável.
Onde Inkling vence
As vantagens da Inkling são mais amplas e, em vários casos, dramáticas:
Robustez: No benchmark adversário FORTRESS, a Inkling obtém 78,0% contra 36,0% do DeepSeek — uma diferença que sugere que a Inkling é muito mais resistente a jailbreaks e prompts adversários.
Factualidade: Artificial Analysis coloca a Inkling como saldo positivo no AA-Omniscience, enquanto DeepSeek V4 Pro/Flash apresentam taxas de alucinação muito altas. Para RAG, pesquisa e qualquer carga de trabalho factual, isso é uma vantagem decisiva.
Eficiência: Com cerca de 25 mil tokens de saída por tarefa contra aproximadamente 37 mil, a Inkling chega à resposta com cerca de um terço a menos de geração — o que reduz a latência e o custo por tarefa.
Multimodalidade: O Inkling aceita texto, imagens e áudio e obtém uma boa avaliação no VoiceBench (91.4%) e no MMMU Pro (73.3%). O DeepSeek V4 Pro não está nos nossos dados como modelo multimodal.
Contexto: Os pesos do Inkling suportam um contexto de até 1M tokens (256K em APIs hospedadas), útil para raciocínio em repositório inteiro ou documentos longos.
Qualidade agentiva: Maior Elo GDPval (1238 vs 1189 para V4 Flash) e uma pontuação τ³-Banking marginalmente melhor.
Em resumo, o DeepSeek vence o sprint de codificação restrito; o Inkling vence em quase todos os lugares onde confiabilidade, honestidade e versatilidade importam.
Preços e custo / TCO
Ambos os modelos são pesos abertos e livres de royalties para auto-hospedagem, então seu verdadeiro custo é infraestrutura mais (opcionalmente) inferência hospedada e ajuste fino.
Inkling hospedado (Artificial Analysis): ~$1.87 / 1M de entrada e ~$4.68 / 1M de tokens de saída em contexto de 64K (cache ~$0.374/1M); aproximadamente $3.74/$9.36 em 256K. O ajuste fino é executado através da plataforma Tinker (opções de 64K/256K, 50% de desconto de lançamento por tempo limitado). Um Playground gratuito está disponível.
DeepSeek V4 Pro: não temos preços de hospedagem auditados em nossos dados de origem, portanto não citaremos um número. Como um modelo aberto licenciado sob MIT, é isento de royalties para auto-hospedar, e a DeepSeek historicamente precifica o acesso hospedado de forma agressiva.
O fator TCO mais sutil é a eficiência de tokens. Como a Inkling usa ~25 mil tokens por tarefa contra ~37 mil do DeepSeek V4 Pro, uma carga de trabalho cobrada por token de saída pode ser significativamente mais barata na Inkling mesmo com taxas por token semelhantes — e também termina mais rápido.
Licenciamento e implantação
Licenciamento. Inkling é Apache 2.0; DeepSeek V4 Pro é MIT. Ambas são permissivas, amigáveis ao uso comercial e não impõem royalties para auto-hospedagem. Apache 2.0 adiciona uma concessão explícita de patentes; MIT é mais curto e simples. Para a maioria das empresas, ambas são totalmente utilizáveis em produção — esta é uma comparação rara onde o licenciamento não é um diferencial.
Como executar o Inkling. Os pesos estão no Hugging Face com um checkpoint BF16 e um NVFP4. Níveis de VRAM:
BF16: ~2TB (8×B300 ou 16×H200).
NVFP4: ~600GB (4×B300 ou 8×H200) — o nível prático de produção na Blackwell.
Configurações restritas: um Unsloth 1-bit GGUF existe para experimentação.
Os runtimes suportados incluem SGLang, vLLM, TokenSpeed, Unsloth e Hugging Face transformers, e os provedores hospedados incluem Together AI, Fireworks, Modal, Databricks e Baseten. Um início rápido mínimo do vLLM:
vllm serve thinkingmachines/Inkling --tensor-parallel-size 8
DeepSeek V4 Pro está igualmente disponível como pesos abertos para auto-hospedagem sob MIT; consulte o próprio cartão de modelo da DeepSeek para suas exatas formatos de checkpoint e requisitos de VRAM, que não são capturados em nossos dados de origem.
Qual você deve escolher?
Escolha o DeepSeek V4 Pro sea taxa de transferência de codificação é sua métrica mais importante, você quer a pontuação mais forte do SWE-bench Verified neste par, e você não precisa de entrada multimodal ou de um contexto de 1 milhão de tokens.
Escolha Inkling se você precisar de robustez contra prompts adversários, baixas taxas de alucinação, eficiência de tokens/custo, entrada de áudio ou imagem, uma enorme janela de contexto, ou um caminho de ajuste fino de primeira classe via Tinker.
Execute ambos se puder: roteie tarefas de agentes com carga pesada de código para DeepSeek e trabalhos factuais, multimodais ou de contexto longo para Inkling. Como ambos são pesos abertos livres de royalties, uma implantação de dois modelos não acarreta penalidade de licenciamento.
Para ter uma visão completa da arquitetura e das pontuações independentes do Inkling, consulte nossa análise do modelo Inkling AI. Você também pode compará-lo com outros concorrentes de peso aberto em nossos confrontos diretos Inkling vs Kimi K2.6 e Inkling vs GLM 5.2, ou começar com o básico no que é Inkling AI.
Perguntas Frequentes
O Inkling é melhor que o DeepSeek V4 Pro? Depende da tarefa. O DeepSeek V4 Pro lidera em codificação SWE-bench Verified (80.6% vs 77.6%) e HLE, enquanto o Inkling lidera decisivamente em robustez (FORTRESS 78.0% vs 36.0%), factualidade, eficiência de tokens e capacidade multimodal/de contexto longo.
Qual é melhor para programação?DeepSeek V4 Pro, por pouco, nos benchmarks SWE-bench Verified e HLE em nossos dados do MarkTechPost. Inkling continua sendo um forte programador (77.6% SWE-bench Verified) e está próximo no Terminal Bench 2.1 (63.8 vs 64.0), então a diferença é pequena.
Qual é mais barato?Ambos são livres de royalties para auto-hospedar. O preço hospedado da Inkling é de cerca de $1,87/$4,68 por 1M de tokens de entrada/saída, e seu menor uso de tokens por tarefa (~25K vs ~37K) pode torná-la mais barata na prática. Não temos preços hospedados auditados para o DeepSeek V4 Pro.
DeepSeek V4 Pro é open source? Ela é lançada sob a permissiva licença MIT com pesos abertos, o que permite uso comercial e auto-hospedagem. Note que “pesos abertos” não é idêntico a totalmente open source (dados de treinamento e pipeline completo geralmente não são divulgados), a mesma nuance que se aplica a Inkling.
Posso auto-hospedar ou ajustar qualquer modelo?Sim. Ambos disponibilizam pesos abertos para auto-hospedagem livre de royalties. A Inkling também oferece um caminho gerenciado de ajuste fino através da Tinker plataforma (contexto 64K/256K, com um desconto de lançamento por tempo limitado); os pesos do DeepSeek podem ser ajustados com ferramentas abertas padrão.
Qual alucina menos? Inkling. A Artificial Analysis relata que o Inkling é positivo líquido em factualidade AA-Omniscience, enquanto DeepSeek V4 Pro/Flash mostram taxas de alucinação muito altas (cerca de 94%/96%), tornando o Inkling a escolha mais segura para cargas de trabalho factuais e de recuperação intensiva.
Conclusão
DeepSeek V4 Pro é o melhor codificador puro neste confronto e sua licença MIT facilita o envio, mas suas pontuações de factualidade e robustez são reais desvantagens. Inkling troca alguns pontos de codificação SWE-bench por grandes vitórias em confiabilidade, honestidade, eficiência e alcance multimodal — além de um contexto de 1 milhão de tokens. Para a maioria das equipes, a Inkling é o modelo aberto de uso geral mais seguro; para frotas de agentes focados em codificação, o DeepSeek V4 Pro merece seu lugar. Ambos sendo pesos abertos livres de royalties, a resposta mais inteligente é muitas vezes implantá-los lado a lado.
