Inkling 2 Small håller jämna steg inom kodning med 17B aktiva parametrar – tills man tittar på variansen

Två linjer i Thinking Machines lanseringsdiagram möts vid samma siffra. Inkling 2 Small löser 54,25 av 69 PMPP-Hard-uppgifter vid ett enda försök och 64 på fyra försök. Claude Opus 5.5 löser 60 vid ett enda försök och 64 på fyra försök. Inkling 2 Small släpptes den 5 november 2026 och är en mixture-of-experts-modell med 594B parametrar totalt och 17B aktiva, och det diagrammet är den tydligaste beskrivningen av vad arkitekturen ger och vad den inte ger: taket för en frontiermodell inom svårt ingenjörsarbete, men utan en sådan modells tillförlitlighet per försök.

Påståendet som cirkulerar är snävare och mer smickrande – att den i kodningsbenchmark lätt håller jämna steg med betydligt större modeller. Det påståendet går att testa mot leverantörens egen tabell, rad för rad, och det håller i vissa delar, faller i andra och faller mest intressant mot en modell som är långt mindre än den själv. Den här artikeln gör den radvisa genomläsningen och ställer sedan frågan som tabellen inte kan besvara: vad tempot kostar per uppgift när modellen väl står på din faktura.

Sex kodningsrader, läs utan förklaringen

Allt nedan kommer från den utvärderingstabell som Thinking Machines publicerade tillsammans med tillkännagivandet. Det är en testrigg som körs av leverantören – företaget säger det självt och uppger att kodraderna använder dolda enhetstester och programmatiska kontroller. Inget här har reproducerats oberoende, vilket spelar roll eftersom samma tabell anger ett Artificial Analysis Intelligence Index på 30,6 för Inkling 2 Small medan Artificial Analysis egen live-sida anger 31. Det är en avrundningsskillnad, inte en tvist, men den visar att tabellen är en ögonblicksbild tagen av labbet snarare än en aktuell resultattavla.

Mot Kimi K3, den största modellen med öppna vikter i jämförelsen, slutar påståendet om tempot oavgjort:

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

• DeepSWE v1.1 — 72,1 % mot 68,5 %.

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

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

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

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

Tre rader vardera. En modell som kör 17B parametrar per token är jämbördig med en modell som är en storleksordning större i den beräkningskraft den förbrukar, och den gör det vid de två ändar av kodspektrumet som vanligtvis skiljer sig åt: ett patch-benchmark från scratch i FrontierCode och ett agentiskt i repositoriskala i DeepSWE. Det är DeepSWE man bör väga in, eftersom det är raden där en modell måste hålla ihop en plan över många verktygsanrop i stället för att producera en enda bra diff.

Mot DeepSeek V4.1 Flash 1017 vänds bilden, och det är jämförelsen som spelar roll kommersiellt snarare än arkitektoniskt, eftersom DeepSeeks flash-nivå är billig. Inkling 2 Small ligger efter på fyra av de fem rader som båda modellerna körde – FrontierCode 25,4 % mot 28,5 %, DeepSWE 72,1 % mot 77,0 %, Vibe Code Bench 81,6 % mot 87,7 %, Terminal Bench Science 5,7 % mot 12,9 % – och ligger före endast på PostTrainBench, 31,9 % mot 30,5 %. DeepSeek har ingen SWE-bench Pro-post, vilket är otur för Thinking Machines, eftersom 86,3 % är Inkling 2 Smalls bästa kodningssiffra och det skulle ha varit den mest övertygande enskilda raden att vinna.

Den mindre modellen är den som den inte håller jämna steg med.

Jämförelsen som lanseringsmaterialet inte inleder med är Claude Haiku 5.5, och det är den som borde få en köpare att tänka efter. Haiku är den lilla, billiga nivån i Anthropics sortiment – inte alls som en 594B-modell – och den vinner tre av de fem kodningsrader som de två har gemensamt: FrontierCode 34,9 % mot 25,4 %, Vibe Code Bench 90,4 % mot 81,6 % och Terminal Bench Science 20,0 % mot 5,7 %, där gapet är mer än tre gånger så stort.

Inkling 2 Small vinner klart över de andra två: DeepSWE 72,1 % mot 59,9 % och SWE-bench Pro 86,3 % mot 52,9 %. Sammantaget handlar mönstret inte alls om storlek. Haiku vinner raderna som bedömer en enda producerad artefakt – en diff, ett UI, en terminalsession som drivs till slutförande. Inkling 2 Small vinner raderna där modellen måste fortsätta arbeta med ett problem över många steg och förbättra sitt eget svar. Mot Gemini 3.8 Flash är det ännu jämnare: Inkling tar FrontierCode, SWE-bench Pro och Vibe Code Bench, förlorar DeepSWE knappt med 72,1 % mot 73,8 % och förlorar Terminal Bench Science kraftigt med 5,7 % mot 10,0 %.

En detalj från tillkännagivandet är värd att spara undan för alla som läser resultattavlor. Thinking Machines säger att man testade tidiga checkpoints av Inkling 2 Small på OpenCode under namnet Fledge-Alpha. Alla Fledge-Alpha-poäng du såg på en resultattavla för kodning före lanseringen var den här modellen, under en pseudonym, och det var inte den färdiga versionen.

Vad fyra försök ger, och vad 18,5 minuter kostar

PMPP-Hard består av 69 uppgifter, fyra oberoende försök, en budget på tio timmar, och poängsätts som genomsnittligt antal lösta uppgifter. Inkling 2 Smalls 54,25 är bra men inte anmärkningsvärt — det ligger bakom GPT-6 Astra på 63, Kimi K3.1 Pro på 60,5 och Opus 5.5 på 60, och före Kimi K3 på 55,75, DeepSeek V4.1 Flash på 55,25, GLM 5.3 på 52,5 och Mistral Large 4 på 50,25.

Dess Pass@4 på 64 är där siffran upphör att vara alldaglig. Den siffran är lika med Opus 5.5:s 64 och slår Astras 63 och Kimi K3.1 Pros 63. Ge den fyra försök och den når samma tak som de bästa modellerna i diagrammet; ge den ett och den ligger nästan sex uppgifter efter. Om ditt arbetsflöde redan samplar flera försök och väljer en vinnare genom att köra testerna, är gapet som spelar roll litet. Om det samplar en gång och levererar, är gapet hela historien.

Samma asymmetri syns i diagrammet för kernel-autoresearch, och där gynnar den inte Inkling 2 Small. Bästa hastighetsökning för kernel jämfört med baslinjen: 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×. Ungefär en tredjedel av frontens hastighetsökning på samma uppgift, vilket är långt ifrån att hålla jämna steg.

Sedan har vi väggklockan. Varje publicerad utvärdering kördes med effort 0,99 – den inställning som Thinking Machines kallar xhigh – vid temperatur 1,0. Artificial Analysis, som testar den live-endpointen i stället för utvecklingsharnessen, mäter 18,5 minuter per Intelligence Index-uppgift, mot en median på 7,0 bland jämförbara modeller, och 154 M output-tokens, mot en median på 89,8 M. Kostnaden per indexuppgift är 1,18 dollar, vilket rankar 27:a av 29 modeller på den listan. Outputhastigheten är 135 tokens per sekund, med 34,15 sekunder till första svarets token, mot en median på 11,57 sekunder. Modellen är inte långsam per token. Den är långsam eftersom den tänker länge och skriver mycket medan den gör det.

Där 17B aktiva faktiskt betalar sig

Mixture-of-experts-modeller faktureras baserat på aktiva parametrar, och det är hela det kommersiella argumentet för den här arkitekturen. Inkling 2 Small kostar $0,30 per miljon inputtokens och $1,00 per miljon output, med cachad input rabatterad med 90 % till $0,03 – ett blandat pris på $0,18 per miljon vid en kvot på 7:2:1 mellan cacheträffar, input och output, enligt Artificial Analysis. Medianmodellen på den listan tar $0,24 för input och $0,87 för output, så Inkling 2 Small är prissatt som en modell i mellanklassen, inte som en på 594B.

Träningsmixen förklarar betoningen. Kodning utgjorde 38,5 % av utrullningarna inom förstärkningsinlärning och 65 % av tokens – det enskilt största blocket och mer än två tredjedelar av allt som modellen genererade under RL. Vision utgjorde 13,9 % av utrullningarna men 3 % av tokens. Vad modellen än är i övrigt har den eftertränats för att skriva och rätta kod i stor omfattning.

Så den ärliga matematiken är per lyckat försök, inte per token. Inkling 2 Small till $1,18 per indexuppgift och fyra försök att nå sitt tak är ett annat köp än en modell till dubbla priset som når dit i ett. Ingen av konfigurationerna är fel; de är olika kontrakt med din latensbudget.

Vad du kan ringa idag, och vad du inte kan

Inkling 2 Small är tillgänglig via Tinker för inferens och finjustering, med stängda vikter och ingen andra leverantör. Thinking Machines säger att man avser att publicera de fullständiga vikterna under Apache 2.0 "nästa vecka", efter extern säkerhetstestning och red-teaming, och det har inte skett per den 6 november 2026. Den serverlösa slutpunkten tillhandahålls med 256K kontext, vilket är snävare än det 1M-fönster som modellen tränades för att hantera.

Det finns inte på OrcaRouter, och den här artikeln tänker inte låtsas något annat. Det som finns på OrcaRouter är större delen av den jämförelseuppsättning som den här artikeln just har gått igenom – Kimi K3, DeepSeek V4.1 Flash 1017, GLM-5.3 Flash, Gemini 3.8 Flash, MiMo V2.6 Pro – nåbara med en enda nyckel bland fler än 200 modeller, med leverantörens listpris vidarebefordrat oförändrat och utan påslag. Det spelar roll för precis det användningsfall som artikeln antyder: om du vill ta reda på om en MoE med 17B aktiva parametrar är tillräckligt bra för ditt kodförråd, är det billigaste experimentet att köra din egen utvärdering mot modellerna på båda sidor om den, på en enda faktura, i stället för att teckna fyra avtal.

Automatisk redundans är den andra halvan av det. En benchmarktabell säger ingenting om huruvida en lång agentisk körning överlever ett leverantörsstrul i minut fjorton, och de modeller som ser närmast ut på DeepSWE är just de du faktiskt skulle växla mellan.

Tre saker skulle ändra den här tolkningen. En oberoende omkörning av FrontierCode eller DeepSWE, eftersom dessa siffror är labbets egna och SWE-bench Pro-raden bär en stor del av övertygelsekraften. Släppet av vikterna, eftersom Apache 2.0 skulle göra 594B-modellen möjlig att självhosta och sätta siffran $1.18 per uppgift under din kontroll. Och varje publicerad nivå under xhigh, eftersom varje siffra i den här artikeln togs fram med maximal insats – om en lägre inställning uppnår större delen av noggrannheten med en bråkdel av 154M tokens förbättras kostnadsargumentet, och ingen har visat det ännu.

Jämförelseuppsättningen på en nyckel

Modellerna som Inkling 2 Small mäts mot i raderna ovan är, med två undantag, modeller som du kan anropa från en enda slutpunkt i dag. De två undantagen är Inkling 2 Small i sig, som endast finns via Tinker, och Claude Haiku 5.5, som inte finns i OrcaRouter-katalogen. Resten av tabellen är: Kimi K3, modellen med öppna vikter som Inkling 2 Small spelar oavgjort mot; DeepSeek V4.1 Flash 1017, den billiga modellen som den ligger efter på fyra av fem rader; GLM-5.3 Flash, den lilla modellen som den slår med god marginal; och Gemini 3.8 Flash, den mellanstora modellen som den delar resultat med.

Det setet är det som är värt att köra, eftersom den intressanta frågan för ett team inte är huruvida en 17B-aktiv mixture-of-experts-modell är imponerande i abstrakt mening — tabellen ovan besvarar redan det — utan huruvida den slår modellen som redan är i produktion på det specifika repositoriet, testsviten eller kärnan du bryr dig om. Det är en fråga som bara din egen utvärdering besvarar, och det är mycket billigare att svara på den för fyra modeller med en enda nyckel än för fyra leverantörer.

Det lanseringen slår fast är mer begränsat än reaktionen på den antyder. En 594B-modell med 17B aktiva parametrar spelar nu oavgjort mot den största modellen med öppna vikter inom kodning, vinner de två raderna som belönar uthålligt arbete och förlorar mot en liten sluten modell på de tre som poängsätter en enda artefakt. Det är ett verkligt resultat och det är inte ett resultat i absoluta framkanten. Kostnaden för att ta reda på vilken sida av gränsen din arbetsbelastning ligger på är $0.30 och $1.00 per miljon token, 18,5 minuter per svår uppgift, och en vilja att sampla mer än en gång.