Inkling 2 Small ตามทันด้านการเขียนโค้ดด้วยพารามิเตอร์ที่ใช้งาน 17B — จนกว่าคุณจะมองที่ความแปรปรวน

เส้นสองเส้นบนกราฟเปิดตัวของ Thinking Machines บรรจบกันที่ตัวเลขเดียวกัน Inkling 2 Small แก้โจทย์ PMPP-Hard ได้ 54.25 จาก 69 งานในการลองครั้งเดียว และ 64 งานเมื่อให้ลองสี่ครั้ง Claude Opus 5.5 แก้ได้ 60 งานในการลองครั้งเดียว และ 64 งานเมื่อให้ลองสี่ครั้ง Inkling 2 Small เปิดตัวเมื่อวันที่ 5 พฤศจิกายน 2026 เป็นโมเดล mixture-of-experts ที่มีพารามิเตอร์รวม 594B และเปิดใช้งาน 17B และกราฟนั้นคือคำกล่าวที่ชัดเจนที่สุดถึงสิ่งที่สถาปัตยกรรมนี้ให้และไม่ให้: เพดานของโมเดลระดับแนวหน้าในงานวิศวกรรมที่ยาก โดยไม่มีความน่าเชื่อถือในแต่ละครั้งของการลองแบบที่โมเดลระดับนั้นมี

ข้อกล่าวอ้างที่แพร่หลายอยู่นั้นแคบกว่าและยกยอมากกว่า — นั่นคือ ในเบนช์มาร์กการเขียนโค้ด มันทำผลงานได้ทัดเทียมกับโมเดลที่ใหญ่กว่าอย่างมีนัยสำคัญได้อย่างง่ายดาย ข้อกล่าวอ้างนั้นทดสอบได้กับตารางของผู้ขายเอง ทีละแถว และมันยังยืนได้ในบางจุด ล้มเหลวในจุดอื่น และล้มเหลวอย่างน่าสนใจที่สุดเมื่อเทียบกับโมเดลที่เล็กกว่าตัวมันเองมาก บทความนี้จะอ่านทีละแถว จากนั้นตั้งคำถามที่ตารางไม่สามารถตอบได้: การทำผลงานให้ทัดเทียมนั้นมีต้นทุนต่องานเท่าไร เมื่อโมเดลนั้นอยู่ในใบเรียกเก็บเงินของคุณจริง ๆ

หกแถวการเขียนโค้ด อ่านโดยไม่มีคำอธิบาย

ทั้งหมดด้านล่างมาจากตารางการประเมินที่ Thinking Machines เผยแพร่พร้อมประกาศ เป็นชุดทดสอบที่ผู้ขายเป็นผู้รัน — ทางบริษัทระบุไว้เอง และระบุว่าแถวเกี่ยวกับการเขียนโค้ดใช้การทดสอบหน่วยแบบซ่อนและโปรแกรมตรวจสอบอัตโนมัติ ไม่มีสิ่งใด здесь ถูกลอกทำซ้ำอย่างอิสระ ซึ่งสำคัญเพราะตารางเดียวกันนี้แสดง Artificial Analysis Intelligence Index ที่ 30.6 สำหรับ Inkling 2 Small ขณะที่หน้าสดของ Artificial Analysis เองแสดง 31 นั่นเป็นความต่างจากการปัดเศษ ไม่ใช่ข้อโต้แย้ง แต่บอกคุณได้ว่าตารางนี้เป็นภาพนิ่งที่ห้องแล็บบันทึกไว้ ไม่ใช่กระดานสด

เมื่อเทียบกับ Kimi K3 ซึ่งเป็นโมเดลแบบเปิดน้ำหนักที่ใหญ่ที่สุดในการเปรียบเทียบ ข้อกล่าวอ้างเรื่องความเร็วยังคงเสมอกัน:

• FrontierCode v2.0 — Inkling 2 Small 25.4% เทียบกับ Kimi K3 17.3%

• DeepSWE v1.1 — 72.1% เทียบกับ 68.5%

• SWE-bench Pro v2 (Hard) — 86.3% เทียบกับ 88.2%

• Vibe Code Bench v1.1 — 81.6% เทียบกับ 85.0%

• PostTrainBench v1.2 — 31.9% เทียบกับ 31.5%

• Terminal Bench Science v0.1 — 5.7% เทียบกับ 8.1%

แต่ละแถวมีสามรายการ โมเดลที่รัน 17B พารามิเตอร์ต่อโทเคนเสมอกับโมเดลที่ใหญ่กว่าหนึ่งลำดับขนาดในแง่ของคอมพิวต์ที่ใช้ และทำได้ที่สองปลายของสเปกตรัมการเขียนโค้ดที่มักแยกจากกัน นั่นคือ benchmark แบบแพตช์จากศูนย์ใน FrontierCode และแบบ agentic ระดับรีโพซิทอรีใน DeepSWE DeepSWE คือแถวที่ควรให้ความสำคัญ เพราะเป็นแถวที่โมเดลต้องประคองแผนให้เป็นหนึ่งเดียวตลอดการเรียกเครื่องมือหลายครั้ง แทนที่จะสร้าง diff ดี ๆ อันเดียว

เมื่อเทียบกับ DeepSeek V4.1 Flash 1017 ภาพกลับกัน และนี่คือการเปรียบเทียบที่สำคัญในเชิงพาณิชย์มากกว่าเชิงสถาปัตยกรรม เพราะระดับ flash ของ DeepSeek นั้นราคาถูก Inkling 2 Small ตามหลังอยู่ในสี่จากห้าแถวที่ทั้งสองโมเดลรัน — FrontierCode 25.4% ต่อ 28.5%, DeepSWE 72.1% ต่อ 77.0%, Vibe Code Bench 81.6% ต่อ 87.7%, Terminal Bench Science 5.7% ต่อ 12.9% — และนำเฉพาะใน PostTrainBench 31.9% ต่อ 30.5% DeepSeek ไม่มีรายการ SWE-bench Pro ซึ่งโชคร้ายสำหรับ Thinking Machines เพราะ 86.3% เป็นตัวเลขการเขียนโค้ดที่ดีที่สุดของ Inkling 2 Small และมันน่าจะเป็นแถวเดียวที่โน้มน้าวได้มากที่สุดหากชนะ

โมเดลที่เล็กกว่าคือรุ่นที่มันตามไม่ทัน

การเปรียบเทียบที่สื่อเปิดตัวไม่ได้ยกขึ้นมาเป็นจุดนำคือ Claude Haiku 5.5 และนี่คือสิ่งที่ควรทำให้ผู้ซื้อหยุดคิด Haiku เป็นรุ่นเล็กที่ราคาถูกในสายผลิตภัณฑ์ของ Anthropic — ไม่ใช่โมเดลขนาด 594B เลย — และมันชนะ 3 ใน 5 แถวด้านการเขียนโค้ดที่ทั้งสองรุ่นมีร่วมกัน: FrontierCode 34.9% ต่อ 25.4%, Vibe Code Bench 90.4% ต่อ 81.6% และ Terminal Bench Science 20.0% ต่อ 5.7% ซึ่งช่องว่างมากกว่าสามเท่า

Inkling 2 Small ชนะอีกสองรายการอย่างชัดเจน: DeepSWE 72.1% ต่อ 59.9% และ SWE-bench Pro 86.3% ต่อ 52.9% เมื่ออ่านร่วมกันแล้ว รูปแบบที่เห็นไม่ได้เกี่ยวกับขนาดเลย Haiku ชนะในแถวที่ให้คะแนนสิ่งประดิษฐ์ชิ้นเดียวที่ผลิตออกมา — diff, UI, หรือเซสชันเทอร์มินัลที่ขับเคลื่อนจนเสร็จสมบูรณ์ Inkling 2 Small ชนะในแถวที่โมเดลต้องทำงานกับปัญหาต่อเนื่องหลายขั้นตอนและปรับปรุงคำตอบของตัวเอง เมื่อเทียบกับ Gemini 3.8 Flash แล้วยังสูสีมากกว่า: Inkling ชนะ FrontierCode, SWE-bench Pro และ Vibe Code Bench แพ้ DeepSWE อย่างหวุดหวิดที่ 72.1% ต่อ 73.8% และแพ้ Terminal Bench Science อย่างหนักที่ 5.7% ต่อ 10.0%

รายละเอียดหนึ่งจากประกาศนี้คุ้มค่าที่จะเก็บไว้สำหรับใครก็ตามที่อ่านตารางอันดับ Thinking Machines กล่าวว่าได้ทดสอบเช็กพอยต์ช่วงแรกของ Inkling 2 Small บน OpenCode ภายใต้ชื่อ Fledge-Alpha คะแนน Fledge-Alpha ใดก็ตามที่คุณเห็นบนบอร์ดเขียนโค้ดก่อนเปิดตัวคือโมเดลนี้ ภายใต้นามแฝง และไม่ใช่ตัวที่เสร็จสมบูรณ์

สี่ความพยายามแลกอะไรได้ และ 18.5 นาทีแลกมาด้วยอะไร

PMPP-Hard ประกอบด้วย 69 งาน โดยให้ลองได้สี่ครั้งอย่างเป็นอิสระ มีงบเวลาสิบชั่วโมง และคิดคะแนนจากค่าเฉลี่ยของจำนวนงานที่แก้ได้ คะแนน 54.25 ของ Inkling 2 Small ถือว่าดีแต่ยังไม่น่าทึ่ง — ตามหลัง GPT-6 Astra ที่ 63, Kimi K3.1 Pro ที่ 60.5 และ Opus 5.5 ที่ 60 และนำหน้า Kimi K3 ที่ 55.75, DeepSeek V4.1 Flash ที่ 55.25, GLM 5.3 ที่ 52.5 และ Mistral Large 4 ที่ 50.25

ค่า Pass@4 เท่ากับ 64 ของมันคือจุดที่ตัวเลขนี้เลิกเป็นเรื่องธรรมดา ค่านี้เทียบเท่ากับ 64 ของ Opus 5.5 และเหนือกว่า 63 ของ Astra กับ 63 ของ Kimi K3.1 Pro ให้มันลองสี่ครั้ง แล้วมันจะไปถึงเพดานเดียวกันกับโมเดลที่ดีที่สุดในชาร์ต ให้เพียงครั้งเดียว และมันจะตามหลังอยู่เกือบหกงาน ถ้าเวิร์กโฟลว์ของคุณสุ่มหลายครั้งอยู่แล้วและเลือกผู้ชนะโดยการรันการทดสอบ ช่องว่างที่มีนัยสำคัญก็เล็ก ถ้าสุ่มเพียงครั้งเดียวแล้วปล่อยออกไป ช่องว่างนั้นคือเรื่องทั้งหมด

ความไม่สมมาตรแบบเดียวกันนี้ปรากฏในแผนภูมิ kernel-autoresearch และในจุดนั้นก็ไม่ได้เอื้อประโยชน์ให้ Inkling 2 Small เลย อัตราเร่งความเร็วเคอร์เนลที่ดีที่สุดเมื่อเทียบกับ Baseline คือ Claude Opus 5.5 ที่ 18.80×, GPT-6 Astra 10.26×, Inkling 2 Small 6.02×, DeepSeek V4.1 Flash 5.66×, GLM 5.3 5.03× และ Mistral Large 4 ที่ 3.43× ซึ่งคิดเป็นประมาณหนึ่งในสามของอัตราเร่งความเร็วที่กลุ่มผู้นำทำได้ในงานเดียวกัน ถือว่ายังห่างไกลจากการก้าวให้ทัน

จากนั้นก็มีเรื่องนาฬิกาแขวนผนัง การประเมินที่เผยแพร่ทุกครั้งรันที่ effort 0.99 — ซึ่งเป็นค่าที่ Thinking Machines เรียกว่า xhigh — ที่ temperature 1.0 Artificial Analysis ซึ่งทดสอบ endpoint ที่ใช้งานจริงแทน development harness วัดได้ 18.5 นาทีต่องาน Intelligence Index เทียบกับค่ามัธยฐานของคู่แข่งที่ 7.0 นาที และโทเค็นเอาต์พุต 154M เทียบกับค่ามัธยฐาน 89.8M ต้นทุนต่องานดัชนีอยู่ที่ $1.18 อยู่อันดับ 27 จาก 29 โมเดลบนบอร์ดนั้น ความเร็วเอาต์พุตอยู่ที่ 135 โทเค็นต่อวินาที โดยใช้เวลา 34.15 วินาทีถึงโทเค็นคำตอบแรก เทียบกับค่ามัธยฐาน 11.57 วินาที โมเดลไม่ได้ช้าต่อโทเค็น แต่ช้าเพราะใช้เวลาคิดนานและเขียนจำนวนมากในระหว่างนั้น

จุดที่ตัวเลข 17B ที่ใช้งานจริงให้ผลคุ้มค่าจริง ๆ

โมเดล Mixture-of-experts คิดราคาตามพารามิเตอร์ที่ใช้งานจริง และนั่นคือเหตุผลเชิงพาณิชย์ทั้งหมดของสถาปัตยกรรมนี้ Inkling 2 Small ตั้งราคาที่ $0.30 ต่อหนึ่งล้านโทเค็นอินพุต และ $1.00 ต่อหนึ่งล้านโทเค็นเอาต์พุต โดยอินพุตที่แคชไว้ได้ส่วนลด 90% เหลือ $0.03 — คิดเป็นราคาเฉลี่ยรวม $0.18 ต่อหนึ่งล้านที่อัตราส่วนแคชฮิตต่ออินพุตต่อเอาต์พุต 7:2:1 ตามข้อมูลของ Artificial Analysis โมเดลมัธยฐานบนบอร์ดนั้นเรียกเก็บ $0.24 สำหรับอินพุตและ $0.87 สำหรับเอาต์พุต ดังนั้น Inkling 2 Small จึงตั้งราคาเหมือนโมเดลระดับกลาง ไม่ใช่โมเดลขนาด 594B

{{1}}ส่วนผสมการฝึกอธิบายถึงการให้น้ำหนักนี้{{/1}} การเขียนโค้ดคิดเป็น 38.5% ของโรลเอาต์การเรียนรู้แบบเสริมกำลัง และ 65% ของโทเค็น — เป็นบล็อกที่ใหญ่ที่สุดเพียงบล็อกเดียว และมากกว่าสองในสามของทุกสิ่งทุกอย่างที่โมเดลสร้างขึ้นระหว่าง RL {{2}}วิสัยทัศน์คิดเป็น 13.9% ของโรลเอาต์ แต่ 3% ของโทเค็น{{/2}} ไม่ว่าโมเดลนี้จะเป็นอะไรอีกก็ตาม มันถูกฝึกเพิ่มเติมหลังการฝึกพื้นฐานเพื่อเขียนและแก้โค้ดอย่างยาวนาน

ดังนั้นการคำนวณที่ตรงไปตรงมาคือคิดต่อความพยายามที่สำเร็จ ไม่ใช่ต่อโทเค็น Inkling 2 Small ในราคา 1.18 ดอลลาร์ต่องานจัดทำดัชนี และต้องลองสี่ครั้งกว่าจะถึงขีดจำกัดของมัน ถือเป็นการซื้อที่แตกต่างจากการซื้อโมเดลราคาสองเท่าที่ไปถึงจุดนั้นได้ในครั้งเดียว ทั้งสองรูปแบบไม่ได้ผิดอะไร มันเป็นสัญญาที่ต่างกันซึ่งสัมพันธ์กับงบความหน่วงของคุณ

สิ่งที่คุณสามารถเรียกได้ในวันนี้ และสิ่งที่คุณเรียกไม่ได้

Inkling 2 Small ใช้งานได้ผ่าน Tinker สำหรับการอนุมานและการปรับแต่งละเอียด โดยมีน้ำหนักโมเดลแบบปิดและไม่มีผู้ให้บริการรายที่สอง Thinking Machines ระบุว่ามีแผนจะเผยแพร่น้ำหนักโมเดลฉบับเต็มภายใต้ Apache 2.0 "สัปดาห์หน้า" หลังจากทดสอบความปลอดภัยภายนอกและทำเรดทีมมิ่ง และเรื่องนั้นยังไม่เกิดขึ้น ณ วันที่ 6 พฤศจิกายน 2026 ปลายทางแบบเซิร์ฟเวอร์เลสให้บริการที่คอนเท็กซ์ 256K ซึ่งแคบกว่าหน้าต่าง 1M ที่โมเดลได้รับการฝึกมาให้รองรับ

เรื่องนี้ไม่ได้อยู่บน OrcaRouter และบทความนี้จะไม่แสร้งทำเป็นว่าเป็นเช่นนั้น สิ่งที่อยู่บน OrcaRouter คือชุดเปรียบเทียบส่วนใหญ่ที่บทความนี้เพิ่งกล่าวถึง — Kimi K3, DeepSeek V4.1 Flash 1017, GLM-5.3 Flash, Gemini 3.8 Flash, MiMo V2.6 Pro — เข้าถึงได้ด้วยคีย์เดียวครอบคลุมมากกว่า 200 โมเดล โดยมีราคาตามที่ผู้ให้บริการประกาศไว้ส่งผ่านโดยไม่เปลี่ยนแปลงและไม่มีการบวกเพิ่ม ซึ่งสำคัญพอดีกับการใช้งานที่บทความนี้สื่อเป็นนัย: หากคุณอยากรู้ว่า MoE ที่มีพารามิเตอร์ทำงานจริง 17B นั้นดีพอสำหรับรีโพซิทอรีของคุณหรือไม่ การทดลองที่ถูกที่สุดคือการรันอีวอลของคุณเองกับโมเดลที่อยู่สองข้างของมัน ผ่านบิลใบเดียว แทนที่จะเซ็นสัญญาสี่ฉบับ

การ failover อัตโนมัติคืออีกครึ่งหนึ่งของเรื่องนั้น ตาราง benchmark ไม่ได้บอกอะไรเลยว่าการรันแบบ agentic ที่ยาวนานจะรอดจากอาการสะดุดของผู้ให้บริการ ณ นาทีที่สิบสี่ได้หรือไม่ และโมเดลที่ดูใกล้เคียงกันที่สุดบน DeepSWE ก็คือโมเดลที่คุณจะสลับไปมาระหว่างกันจริง ๆ

สามสิ่งจะเปลี่ยนการตีความนี้ได้ การรันซ้ำโดยอิสระของ FrontierCode หรือ DeepSWE เพราะตัวเลขเหล่านี้เป็นของแล็บเอง และแถว SWE-bench Pro กำลังทำหน้าที่โน้มน้าวได้มาก การเผยแพร่น้ำหนักโมเดล เพราะ Apache 2.0 จะทำให้โมเดล 594B โฮสต์เองได้ และทำให้ตัวเลข $1.18 ต่องานอยู่ภายใต้การควบคุมของคุณ และระดับใดก็ตามที่เผยแพร่ซึ่งต่ำกว่า xhigh เพราะทุกตัวเลขในบทความนี้ถูกสร้างขึ้นที่ความพยายามสูงสุด — หากการตั้งค่าที่ต่ำกว่าได้ความแม่นยำส่วนใหญ่ด้วยสัดส่วนเพียงเศษเสี้ยวของ 154M โทเค็น กรณีต้นทุนก็ดีขึ้น และยังไม่มีใครแสดงให้เห็นว่าเป็นเช่นนั้น

ชุดการเปรียบเทียบที่ตั้งค่าไว้บนคีย์เดียว

โมเดลที่ Inkling 2 Small ถูกนำมาเปรียบเทียบด้วยในแถวด้านบนนั้น ยกเว้นสองรายการ เป็นโมเดลที่คุณสามารถเรียกใช้ได้จากเอนด์พอยต์เดียวในปัจจุบัน สองข้อยกเว้นคือ Inkling 2 Small เอง ซึ่งมีให้ใช้เฉพาะบน Tinker และ Claude Haiku 5.5 ซึ่งไม่อยู่ในแคตตาล็อกของ OrcaRouter ส่วนที่เหลือในตารางคือ Kimi K3 ซึ่งเป็นโมเดล open-weights ที่ Inkling 2 Small เสมอกัน; DeepSeek V4.1 Flash 1017 ซึ่งเป็นโมเดลราคาถูกที่มันตามหลังอยู่ในสี่จากห้าแถว; GLM-5.3 Flash ซึ่งเป็นโมเดลขนาดเล็กที่มันเอาชนะได้อย่างสบาย; และ Gemini 3.8 Flash ซึ่งเป็นโมเดลขนาดกลางที่ผลัดกันแพ้ชนะกับมัน

ชุดนั้นคือชุดที่คุ้มค่าที่จะรัน เพราะคำถามที่น่าสนใจสำหรับทีมไม่ใช่่ว่าโมเดล mixture-of-experts ที่มีพารามิเตอร์ใช้งานจริง 17B นั้นน่าประทับใจในเชิงทฤษฎีหรือไม่ — ตารางข้างต้นตอบเรื่องนั้นไปแล้ว — แต่คือว่ามันเอาชนะโมเดลที่ใช้งานอยู่ในโปรดักชันแล้วบนรีโพซิทอรี ชุดทดสอบ หรือเคอร์เนลที่คุณสนใจโดยเฉพาะได้หรือไม่ นั่นเป็นคำถามที่เฉพาะการประเมินของคุณเองเท่านั้นที่ตอบได้ และการหาคำตอบข้ามสี่โมเดลด้วยคีย์เดียวนั้นถูกกว่าการหาคำตอบข้ามผู้ให้บริการสี่รายมาก

สิ่งที่การเปิดตัวนี้พิสูจน์นั้นแคบกว่าปฏิกิริยาที่มีต่อมันมาก โมเดลขนาด 594B ที่มีพารามิเตอร์ที่ใช้งานอยู่ 17B ตอนนี้เสมอกับโมเดล open-weights ที่ใหญ่ที่สุดในด้านการเขียนโค้ด ชนะสองแถวที่ให้รางวัลกับงานที่ต้องทำต่อเนื่อง และแพ้โมเดลปิดขนาดเล็กในสามแถวที่ให้คะแนนจากอาร์ติแฟกต์เดียว นั่นเป็นผลลัพธ์จริง และไม่ใช่ผลลัพธ์ระดับแนวหน้า ค่าใช้จ่ายในการค้นหาว่างานของคุณอยู่ฝั่งไหนของเส้นแบ่ง คือ $0.30 และ $1.00 ต่อล้านโทเค็น 18.5 นาทีต่องานยาก และความเต็มใจที่จะสุ่มตัวอย่างมากกว่าหนึ่งครั้ง