Inkling vs Kimi K2.6: Dois Pesos-Pesados de Peso Aberto, Cabeça a Cabeça
Inkling vs Kimi é um dos confrontos de pesos abertos mais interessantes de 2026, porque os dois modelos seguem direções diferentes. O Kimi K2.6, da Moonshot AI, é uma potência focada em codificação e agentes que lidera vários benchmarks comparativos. O Inkling, modelo de estreia da Thinking Machines Lab (a startup liderada pela ex-CTO da OpenAI, Mira Murati), é um modelo multimodal versátil e eficiente, construído para personalização em vez de domínio de rankings. Ambos disponibilizam seus pesos abertamente, então a verdadeira pergunta não é "qual é mais inteligente no papel", mas "qual se encaixa na sua carga de trabalho, orçamento e restrições de implantação". Esta comparação apresenta os números honestamente — inclusive onde o Kimi claramente vence.
Uma nota para construtores: não há benchmarks head-to-head auditados aqui, então isto 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 Kimi K2.6 sem configurar múltiplos SDKs.
Os benchmarks são auto-relatados pelos fornecedores no lançamento (Effort 0.99) e os números de terceiros são da Artificial Analysis, MarkTechPost, Vellum e BenchLM; nenhum é auditado de forma independente, e os números dos concorrentes podem diferir dos números relatados pelos próprios fornecedores. As especificações da Inkling são do cartão de modelo da Thinking Machines.
TL;DR veredito: Escolha Kimi K2.6 se você quer o programador bruto e o agente web mais fortes, e se importa mais com SWE-bench, tarefas de terminal/agente, conhecimento profundo (GPQA) e navegação. Escolha Inkling se você quer eficiência (menos tokens por tarefa), robustez sob prompts adversariais, forte seguimento de instruções, entrada nativa de áudio + imagem, uma janela de contexto de 1M tokens e a licença mais limpa possível (Apache 2.0).
Principais conclusões
Ambos são de peso aberto, mas as licenças diferem: Inkling é Apache 2.0; Kimi K2.6 é fornecido sob uma licença MIT modificada — leia os termos da Moonshot antes da implantação comercial.
Kimi lidera em codificação e profundidade de agente: SWE-bench Verified (80.2 vs 77.6), Terminal Bench 2.1 (71.3 vs 63.8), SWE-bench Pro (58.6 vs 54.3), BrowseComp (83.2 vs 77.1), GPQA Diamond (91.1 vs 87.2), e HLE.
Inkling lidera em robustez e eficiência: FORTRESS adversarial (78.0 vs 65.6), eficiência de tokens (~25K vs ~38K tokens de saída/tarefa), IFBench seguimento de instruções (79.8 vs 76.0), GDPval Elo (1238 vs 1190), e τ³-Banking (24 vs 21).
Inkling adiciona modalidades que Kimi não tem: entrada nativa de áudio e imagem, além de uma janela de contexto de 1M tokens.
Uma nota divertida: O ajuste fino supervisionado inicial do Inkling foi inicializado parcialmente em dados sintéticos que incluíam gerações do Kimi K2.5 — então esses dois modelos são, de uma pequena forma, relacionados.
Comparação rápida
Maker. Inkling: Thinking Machines Lab; Kimi K2.6: Moonshot AI
Licença. Inkling: Apache 2.0; Kimi K2.6: Modified-MIT (verifique os termos)
Pesos. Inkling: Aberto (Hugging Face); Kimi K2.6: Aberto
Parâmetros (total / ativos). Inkling: 975B / 41B (MoE); Kimi K2.6: Não divulgado em nossos dados
Janela de contexto. Inkling: Até 1M tokens (256K em APIs hospedadas); Kimi K2.6: Não está em nossos dados
Modalidades (em). Inkling: Texto + imagem + áudio; Kimi K2.6: Texto (de acordo com nossos dados)
Saída. Inkling: Texto; Kimi K2.6: Texto
Auto-hospedar / ajustar fino. Inkling: Sim, royalty-free / Tinker; Kimi K2.6: Sim / por Moonshot
Preço hospedado (Inkling, AA). Inkling: ~$1.87 entrada / ~$4.68 saída por 1M; Kimi K2.6: Não está em nossos dados
Vencedor por categoria
Raciocínio / Conhecimento. Vencedor: Kimi K2.6; Notas: Lidera HLE (35.9 vs 29.7) e GPQA Diamond (91.1 vs 87.2)
Mat. Vencedor: Inkling (estreita); Notas: AIME 2026 97.1 vs 96.4
Codificação. Vencedor: Kimi K2.6; Notas: SWE-bench Verified 80.2 vs 77.6; SWE-bench Pro 58.6 vs 54.3
Agentic (terminal/web). Vencedor: Kimi K2.6; Notas: Terminal Bench 2.1 71.3 vs 63.8; BrowseComp 83.2 vs 77.1
Agentic (GDPval / bancário). Vencedor: Inkling; Notas: GDPval Elo 1238 vs 1190; τ³-Banking 24 vs 21
Multimodal / Áudio. Vencedor: Inkling; Notas: Entrada nativa de imagem + áudio; Kimi não está em nossos dados
Seguimento de instruções. Vencedor: Inkling; Notas: IFBench 79.8 vs 76.0
Segurança / Robustez. Vencedor: Inkling; Notas: FORTRESS adversarial 78.0 vs 65.6
Eficiência. Vencedor: Inkling; Notas: ~25K contra ~38K tokens de saída/tarefa
Contexto. Vencedor: Inkling; Notas: janela de 1M tokens
Custo / propriedade. Vencedor: —; Notas: Ambos isentos de royalties para auto-hospedar; licenças diferem
Benchmarks de comparação direta
As cinco linhas abaixo vêm de um conjunto consistente (MarkTechPost), portanto são diretamente comparáveis. Negrito = líder.
HLE (sem ferramentas). Inkling: 29.7%; Kimi K2.6: 35.9%; Fonte: MarkTechPost
AIME 2026. Inkling: 97.1%; Kimi K2.6: 96.4%; Fonte: MarkTechPost
SWE-bench Verified. Inkling: 77.6%; Kimi K2.6: 80.2%; Source: MarkTechPost
Terminal Bench 2.1. Inkling: 63.8%; Kimi K2.6: 71.3%; Fonte: MarkTechPost
FORTRESS (adversarial). Inkling: 78.0%; Kimi K2.6: 65.6%; Fonte: MarkTechPost
Linhas adicionais de “vitória silenciosa”, extraídas de Artificial Analysis e BenchLM (use com cuidado — diferentes estruturas do bloco acima):
Eficiência de tokens (tokens de saída/tarefa, menor é melhor). Inkling: ~25K; Kimi K2.6: ~38K; Fonte: Artificial Analysis
GDPval-AA v2 Elo (maior é melhor). Inkling: 1238; Kimi K2.6: 1190; Fonte: Artificial Analysis
τ³-Banking. Inkling: 24%; Kimi K2.6: 21%; Fonte: BenchLM
IFBench (seguimento de instruções). Inkling: 79.8; Kimi K2.6: 76.0; Fonte: BenchLM
BrowseComp. Inkling: 77.1; Kimi K2.6: 83.2; Fonte: BenchLM
SWE-bench Pro. Inkling: 54.3; Kimi K2.6: 58.6; Fonte: BenchLM
GPQA Diamond. Inkling: 87.2*; Kimi K2.6: 91.1; Fonte: BenchLM
HLE (com ferramentas). Inkling: 46.0; Kimi K2.6: 54.0; Fonte: Vellum
*O próprio cartão modelo da Inkling lista GPQA Diamond em 87,2%; uma repetição da Artificial Analysis relata 87,9%. Usamos 87,2 aqui por consistência. Observe que o HLE com ferramentas os resultados (Vellum) são uma medição separada da linha HLE sem ferramentas acima — não os misture.
Nota do editor — adicionar visual:um gráfico de barras agrupadas das cinco linhas do MarkTechPost tornaria a história “Kimi lidera em codificação/agente, Inkling lidera em robustez/matemática” instantaneamente legível.
Onde Kimi K2.6 vence
Kimi é, com base nesses números, o modelo mais forte para engenharia de software e agentes autônomos. Ele lidera o SWE-bench Verified (80.2 vs 77.6) e o SWE-bench Pro (58.6 vs 54.3), portanto as tarefas reais de correção de código pendem para o seu lado. Ele está claramente à frente em Terminal Bench 2.1 (71.3 vs 63.8), o benchmark de terminal agêntico, e em BrowseComp (83.2 vs 77.1) para agentes de navegação web. Ele também tem vantagem em conhecimento amplo e raciocínio difícil: HLE (35.9 vs 29.7 sem ferramentas, 54.0 vs 46.0 com ferramentas) e GPQA Diamond (91.1 vs 87.2). Se o seu caso de uso principal é um copiloto de código, um agente de terminal/desenvolvimento, ou um assistente de pesquisa e navegação, Kimi é a base mais capaz pronta para uso.
Onde Inkling vence
As vantagens da Inkling agrupam-se em torno de eficiência, confiabilidade e alcance.25K tokens de saída versus ~38K da Kimi — uma diferença significativa de custo e latência em escala, já que você paga por token. É muito mais robusto a prompts adversariais, liderando FORTRESS 78.0 a 65.6. Ela segue instruções mais fielmente (IFBench 79.8 vs 76.0), supera ligeiramente no GDPval agentic Elo (1238 vs 1190) e τ³-Banking (24 vs 21), e vence por pouco AIME 2026 matemática (97.1 vs 96.4).
Além dos benchmarks, o Inkling traz capacidades que não estão na coluna do Kimi em nossos dados: entrada nativa de imagem e áudio, uma janela de contexto de 1M tokens (256K em APIs hospedadas), e a permissiva Apache 2.0 licença. Para cargas de trabalho pesadas em documentos, multimodais ou de alto volume — e para equipes que desejam a base legal mais clara — esses recursos estruturais muitas vezes importam mais do que alguns pontos de benchmark.
Preços e custos / TCO
Inkling é livre de royalties para auto-hospedagem; você paga apenas pelo seu próprio processamento. O acesso hospedado por terceiros custa cerca de $1.87 por 1M tokens de entrada e $4.68 por 1M tokens de saída (contexto de 64K; entrada em cache ~$0.374/1M), aumentando para aproximadamente $3.74/$9.36 em contexto de 256K (Artificial Analysis). O fine-tuning está disponível na plataforma Tinker (contexto de 64K/256K, com um desconto de lançamento por tempo limitado de 50%).
Nós não temos preços auditados de hospedagem para Kimi K2.6 em nosso conjunto de dados, então não citaremos um número. Qualitativamente, ambos os modelos são de peso aberto, então a alavanca de custo dominante para qualquer um é tokens consumidos por tarefa — e aqui a vantagem de eficiência de ~25K vs ~38K da Inkling reduz diretamente o custo total de propriedade em hardware comparável. Se você planeja auto-hospedar, orce principalmente pela taxa de transferência e pela eficiência de tokens da sua carga de trabalho típica, em vez do preço de tabela.
Licenciamento e implantação
A história do licenciamento é a diferença estrutural mais clara. Inkling é Apache 2.0 — uso comercial e autohospedagem são explicitamente livres de royalties, com obrigações mínimas. Kimi K2.6 é distribuído sob uma licença “modified-MIT”; MIT é muito permissivo, mas as modificações são o que importa, então leia os termos exatos da Moonshot antes de construir um produto comercial sobre ela.
Para executar Inkling, baixe o checkpoint BF16 ou NVFP4 do Hugging Face. Níveis de VRAM: BF16 precisa de aproximadamente 2TB (8×B300 ou 16×H200); o checkpoint NVFP4 reduz isso para aproximadamente 600GB (4×B300 ou 8×H200); e existe um GGUF de 1-bit do Unsloth para configurações limitadas. Os runtimes suportados incluem SGLang, vLLM, TokenSpeed, Unsloth e Hugging Face transformers, e provedores hospedados incluem Together AI, Fireworks, Modal, Databricks e Baseten. Um quickstart típico é uma linha:
vllm serve thinkingmachines/Inkling --tensor-parallel-size 8
Para Kimi K2.6, os pesos são abertos e auto-hospedáveis conforme o lançamento da Moonshot; níveis específicos de VRAM e detalhes do provedor estão fora do nosso conjunto de dados verificado, então confirme-os com o cartão do modelo da Moonshot.
Qual você deve escolher?
Copiloto de codificação / agente de desenvolvimento / automação de terminal → Kimi K2.6. Suas lideranças no SWE-bench e Terminal Bench são os números mais relevantes para decisão aqui.
Agente de pesquisa de navegação na web → Kimi K2.6 (BrowseComp 83.2).
Inferência de alto volume e sensível a custo → Inkling. Menos tokens por tarefa se traduzem em economias reais.
Aplicativos multimodais (entrada de imagem/áudio) ou contexto de documentos enormes →Inkling, por padrão — Kimi não está em nossos dados para esses.
Implantações críticas para a segurança ou voltadas para adversários → Inkling (FORTRESS 78.0).
Licenciamento comercial rigoroso e de baixa fricção → O Apache 2.0 do Inkling é a aposta mais segura.
Ajuste fino de uma base personalizável → ou ambos funcionam; o caminho Tinker da Inkling com Apache 2.0 é a história mais pronta para uso.
Muitas equipes optarão por uma divisão: Kimi para o nível de codificação/agente, Inkling para trabalhos de alto volume, multimodais ou de contexto longo — ambos auto-hospedados.
Perguntas Frequentes
O Inkling é melhor que o Kimi K2.6?Nenhum é estritamente “melhor”. O Kimi K2.6 lidera em benchmarks de codificação, agênticos e de conhecimento amplo (SWE-bench, Terminal Bench, BrowseComp, GPQA, HLE). O Inkling lidera em eficiência, robustez (FORTRESS), seguimento de instruções, matemática (AIME) e adiciona entrada de áudio/imagem além de um contexto de 1 milhão de tokens. Escolha de acordo com a carga de trabalho.
Qual é melhor para programação? Kimi K2.6, com base nesses números — lidera SWE-bench Verified (80,2 vs 77,6) e SWE-bench Pro (58,6 vs 54,3). Inkling continua competitivo e mais eficiente em tokens, o que importa para o custo em escala.
Qual é o mais barato para executar? Ambas são de peso aberto e livres de royalties para auto-hospedagem, então o custo é impulsionado por tokens por tarefa. Os ~25K tokens de saída da Inkling contra os ~38K da Kimi por tarefa lhe conferem uma vantagem estrutural de eficiência (e, portanto, de custo) em hardware comparável. O preço hospedado da Inkling é de ~$1.87/$4.68 por 1M de entrada/saída; não temos preços auditados de hospedagem da Kimi.
O Kimi K2.6 é código aberto? O Kimi K2.6 é open-weight sob uma licença MIT modificada. Isso é altamente permissivo, mas “open weights” não é idêntico a uma licença padrão de código aberto da OSI — revise os termos exatos da Moonshot antes do uso comercial. Inkling, por outro lado, é Apache 2.0.
Posso auto-hospedar ou ajustar ambos? Sim. Ambos publicam pesos baixáveis. Inkling oferece um caminho de ajuste fino gerenciado via Tinker (com provedores hospedados como Together AI e Fireworks para inferência); Kimi é auto-hospedável de acordo com o lançamento da Moonshot. Confirme os requisitos de hardware do Kimi em relação ao seu cartão de modelo.
Esses números de benchmark são confiáveis? Trate-os como direcionais. Eles são auto-relatados pelo fornecedor no lançamento ou números de terceiros (MarkTechPost, Artificial Analysis, Vellum, BenchLM), nenhum auditado de forma independente, e os números dos concorrentes podem diferir dos números reportados pela própria Moonshot.
Conclusão
Inkling vs Kimi K2.6 é uma verdadeira troca, não um nocaute. Kimi K2.6 é o codificador e agente web mais forte e vence os principais benchmarks de conhecimento; Inkling vence em eficiência, robustez, seguimento de instruções e alcance de modalidade, tudo sob a licença Apache 2.0 mais limpa. Escolha Kimi para profundidade de agente de engenharia, escolha Inkling para trabalho multimodal, de contexto longo, sensível à segurança e com boa relação custo-benefício — e considere executar ambos.
