Inkling 2 Small не отстаёт в программировании при 17 млрд активных параметров — пока не посмотришь на разброс

Две линии на стартовом графике Thinking Machines сходятся на одном и том же числе. Inkling 2 Small решает 54.25 из 69 задач PMPP-Hard за одну попытку и 64 за четыре. Claude Opus 5.5 решает 60 за одну попытку и 64 за четыре. Выпущенная 5 ноября 2026 года, Inkling 2 Small — это модель mixture-of-experts с 594B общих параметров и 17B активных, и этот график — самое четкое выражение того, что дает архитектура и чего она не дает: потолок фронтирной модели на сложной инженерной работе, но без ее надежности в расчете на попытку.

Распространяемое утверждение более узкое и более лестное — что в бенчмарках по программированию она легко не отстаёт от существенно более крупных моделей. Это утверждение можно проверить по собственной таблице поставщика, строка за строкой: кое-где оно подтверждается, кое-где нет, а наиболее интересно проваливается на модели, которая гораздо меньше её самой. В этом материале мы проходим таблицу строка за строкой, а затем задаём вопрос, на который таблица ответить не может: во сколько обходится эта скорость в расчёте на задачу, когда модель действительно попадает в ваш счёт.

Шесть строк кодирования, прочитанных без глоссы.

Всё ниже взято из таблицы оценок, которую Thinking Machines опубликовала вместе с анонсом. Это испытательный стенд, запускаемый вендором, — компания сама так говорит и указывает, что в строках по программированию используются скрытые модульные тесты и программные проверки. Ничто здесь не было независимо воспроизведено, и это важно, потому что в той же таблице для Inkling 2 Small указан Artificial Analysis Intelligence Index 30,6, тогда как на собственной актуальной странице Artificial Analysis указано 31. Это разница из-за округления, а не спор, но она говорит о том, что таблица — это снимок, сделанный лабораторией, а не живая сводка.

В сравнении с Kimi K3 — крупнейшей моделью с открытыми весами в этом сравнении — утверждение о темпе сводится к ничьей:

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

• DeepSWE v1.1 — 72,1% против 68,5%.

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

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

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

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

В каждом по три строки. Модель, прогоняющая 17B параметров на токен, идёт вровень с моделью, которая на порядок больше по затрачиваемым вычислениям, — и делает это на двух концах спектра задач программирования, обычно разделённых: бенчмарк на патчи с нуля в FrontierCode и агентный бенчмарк масштаба репозитория в DeepSWE. Именно DeepSWE стоит взвешивать внимательнее, потому что это та строка, где модель должна удерживать план в течение множества вызовов инструментов, а не выдать один хороший diff.

В сравнении с DeepSeek V4.1 Flash 1017 картина меняется на противоположную, и это сравнение важно с коммерческой, а не с архитектурной точки зрения, поскольку flash-уровень DeepSeek дешёвый. Inkling 2 Small отстаёт в четырёх из пяти строк, которые прошли обе модели, — FrontierCode: 25,4% против 28,5%, DeepSWE: 72,1% против 77,0%, Vibe Code Bench: 81,6% против 87,7%, Terminal Bench Science: 5,7% против 12,9% — и опережает только в PostTrainBench — 31,9% против 30,5%. У DeepSeek нет результата по SWE-bench Pro, что не повезло для Thinking Machines, поскольку 86,3% — лучший показатель Inkling 2 Small по программированию, и это была бы самая убедительная отдельная строка для победы.

Меньшая модель — это та, с которой он не поспевает.

Сравнение, с которого не начинаются материалы запуска, — это Claude Haiku 5.5, и именно оно должно заставить покупателя призадуматься. Haiku — это малый, дешёвый уровень в линейке Anthropic — совсем не то, что модель на 594B — и он выигрывает три из пяти общих для двух моделей показателей в категории программирования: FrontierCode — 34,9% против 25,4%, Vibe Code Bench — 90,4% против 81,6% и Terminal Bench Science — 20,0% против 5,7%, где разрыв более чем трёхкратный.

Inkling 2 Small убедительно берёт верх в двух остальных: DeepSWE — 72,1% против 59,9%, SWE-bench Pro — 86,3% против 52,9%. Если посмотреть на всё вместе, закономерность вовсе не в размере. Haiku побеждает в строках, где оценивается единственный созданный артефакт — diff, UI или доведённый до завершения сеанс терминала. Inkling 2 Small побеждает в строках, где модель должна продолжать работать над задачей на протяжении многих шагов и улучшать собственный ответ. С Gemini 3.8 Flash разрыв ещё меньше: Inkling берёт FrontierCode, SWE-bench Pro и Vibe Code Bench, с минимальным отрывом уступает в DeepSWE — 72,1% против 73,8% — и сильно проигрывает в Terminal Bench Science — 5,7% против 10,0%.

Одна деталь из анонса стоит того, чтобы её запомнить всем, кто читает таблицы лидеров. {{1}}Thinking Machines{{/1}} сообщает, что тестировала ранние чекпоинты Inkling 2 Small на OpenCode под названием Fledge-Alpha. Любой результат Fledge-Alpha, который вы видели в таблице лидеров по программированию до запуска, принадлежал этой модели под псевдонимом, и это была не финальная версия.

Что дают четыре попытки и чего стоят 18,5 минуты

PMPP-Hard — это 69 задач, четыре независимые попытки, десятичасовой бюджет, а оценка — среднее число решённых задач. Результат Inkling 2 Small, 54,25, хорош, но не выдающийся: он уступает GPT-6 Astra с 63, Kimi K3.1 Pro с 60,5 и Opus 5.5 с 60, но опережает Kimi K3 с 55,75, DeepSeek V4.1 Flash с 55,25, GLM 5.3 с 52,5 и Mistral Large 4 с 50,25.

Его Pass@4 из 64 — вот где число перестаёт быть обычным. Этот показатель равен 64 у Opus 5.5 и превосходит 63 у Astra и 63 у Kimi K3.1 Pro. Дайте ему четыре попытки — и он достигает того же потолка, что и лучшие модели на графике; дайте одну — и он отстаёт почти на шесть задач. Если ваш рабочий процесс уже делает несколько попыток и выбирает победителя, прогоняя тесты, значимая разница невелика. Если он делает одну попытку и выпускает результат, эта разница — вся суть.

Та же асимметрия проявляется и на диаграмме kernel-autoresearch, и там она не в пользу Inkling 2 Small. Лучшее ускорение ядра относительно базового уровня: 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×. Это примерно треть ускорения фронтира на той же задаче — совсем не то, что нужно, чтобы не отставать.

Затем — время по настенным часам. Каждая опубликованная оценка проводилась при уровне усилий 0,99 — настройке, которую Thinking Machines называет xhigh — и температуре 1,0. Artificial Analysis, тестируя рабочий эндпоинт, а не стенд разработки, измеряет 18,5 минуты на задачу Intelligence Index против медианы 7,0 среди аналогов и 154 млн выходных токенов против медианы 89,8 млн. Стоимость одной задачи Intelligence Index — $1,18, что ставит модель на 27-е место из 29 моделей в этом рейтинге. Скорость вывода — 135 токенов в секунду, а время до первого токена ответа — 34,15 секунды против медианы 11,57 секунды. Модель не медленная в пересчёте на токен. Она медленная потому, что долго размышляет и попутно пишет очень много.

Где 17B активных параметров действительно оправдывают себя

Модели mixture-of-experts тарифицируются по активным параметрам, и в этом вся коммерческая логика этой архитектуры. Inkling 2 Small стоит $0,30 за миллион входных токенов и $1,00 за миллион выходных, при этом кэшированный ввод со скидкой 90% стоит $0,03 — средневзвешенная цена $0,18 за миллион при соотношении кэш-попаданий, входных и выходных токенов 7:2:1, по данным Artificial Analysis. Медианная модель в этой таблице берёт $0,24 за вход и $0,87 за выход, так что Inkling 2 Small по цене как модель среднего уровня, а не как модель с 594B параметров.

Смесь обучающих данных объясняет этот акцент. На программирование приходилось 38,5% прогонов обучения с подкреплением и 65% токенов — крупнейший единый блок и более двух третей всего, что модель сгенерировала во время RL. На зрение приходилось 13,9% прогонов, но лишь 3% токенов. Чем бы ещё ни была эта модель, её дообучали писать и исправлять код в больших объёмах.

Итак, честная арифметика — на успешную попытку, а не на токен. Inkling 2 Small при $1.18 за задачу индексирования и четырёх попытках достичь своего потолка — это другая покупка, чем модель вдвое дороже, которая добивается этого за одну. Ни одна из конфигураций не ошибочна; это разные контракты с вашим бюджетом задержки.

Что вы можете вызвать сегодня, а что нет

Inkling 2 Small доступна через Tinker для инференса и тонкой настройки, с закрытыми весами и без второго провайдера. Thinking Machines заявляет, что намерена опубликовать полные веса под Apache 2.0 «на следующей неделе», после внешнего тестирования безопасности и ред-тиминга, и по состоянию на 6 ноября 2026 года этого не произошло. Бессерверная конечная точка обслуживается с контекстом 256K, что уже, чем окно 1M, на которое модель была обучена.

Его нет на OrcaRouter, и эта статья не будет делать вид, что это не так. А что есть на OrcaRouter — так это большая часть сравнительного набора, который только что разобрала эта статья: Kimi K3, DeepSeek V4.1 Flash 1017, GLM-5.3 Flash, Gemini 3.8 Flash, MiMo V2.6 Pro — доступные по одному ключу среди более 200 моделей, при этом прейскурантная цена провайдера передаётся без изменений и без наценки. Это важно именно для того применения, которое подразумевает статья: если вы хотите выяснить, достаточно ли хороша MoE с 17B активных параметров для вашего репозитория, самый дешёвый эксперимент — прогнать собственный eval на моделях по обе стороны от неё, в одном счёте, а не подписывать четыре контракта.

Автоматическое переключение при сбое — другая половина этого. Таблица бенчмарков ничего не говорит о том, переживёт ли длительный агентный запуск сбой у провайдера на четырнадцатой минуте, а модели, которые выглядят наиболее близкими на DeepSWE, — это именно те, между которыми вы бы на самом деле переключались.

Три вещи изменили бы эту интерпретацию. Независимый повторный запуск FrontierCode или DeepSWE, потому что эти цифры принадлежат самой лаборатории, и строка SWE-bench Pro делает значительную часть убедительной работы. Выпуск весов, потому что Apache 2.0 сделала бы модель на 594B доступной для самостоятельного размещения и передала бы показатель $1.18 за задачу под ваш контроль. И любой опубликованный уровень ниже xhigh, потому что каждое число в этой статье было получено при максимальном усилии — если более низкая настройка даёт большую часть точности за долю от 154M токенов, экономическое обоснование улучшается, и никто этого ещё не показал.

Набор для сравнения по одному ключу

Модели, с которыми Inkling 2 Small сравнивается в строках выше, — за двумя исключениями — это модели, которые сегодня можно вызвать через единую конечную точку. Два исключения — сама Inkling 2 Small, доступная только через Tinker, и Claude Haiku 5.5, которой нет в каталоге OrcaRouter. Остальная часть таблицы: Kimi K3 — модель с открытыми весами, с которой Inkling 2 Small выступает наравне; DeepSeek V4.1 Flash 1017 — дешёвая модель, которой она уступает в четырёх из пяти строк; GLM-5.3 Flash — небольшая модель, которую она уверенно превосходит; и Gemini 3.8 Flash — модель среднего размера, с которой она делит результат.

Именно этот набор стоит прогонять, потому что интересный для команды вопрос не в том, впечатляет ли модель mixture-of-experts с 17B активных параметров сама по себе — таблица выше уже отвечает на это, — а в том, превосходит ли она модель, уже работающую в продакшене, на конкретном репозитории, наборе тестов или ядре, которые вам важны. На этот вопрос отвечает только ваш собственный eval, и получить ответ для четырёх моделей с одним ключом гораздо дешевле, чем для четырёх поставщиков.

То, что доказывает этот запуск, скромнее, чем можно судить по реакции на него. Модель на 594 млрд параметров с 17 млрд активных параметров теперь играет вничью с крупнейшей моделью с открытыми весами в программировании, выигрывает в двух строках, где вознаграждается длительная работа, и проигрывает небольшой закрытой модели в трёх, где оценивается один артефакт. Это реальный результат, но не фронтирный. Стоимость выяснения, по какую сторону линии находится ваша нагрузка, составляет $0.30 и $1.00 за миллион токенов, 18.5 минуты на сложную задачу и готовность делать более одной выборки.