Inkling 2 Small 在 17B 激活参数下编程表现跟得上——直到你查看方差

Thinking Machines 发布图表中的两条线交汇于同一个数字。Inkling 2 Small 单次尝试可解出 69 项 PMPP-Hard 任务中的 54.25 项，四次尝试共解出 64 项。Claude Opus 5.5 单次尝试解出 60 项，四次尝试共解出 64 项。Inkling 2 Small 于 2026 年 11 月 5 日发布，是一个混合专家模型，总参数为 594B，激活参数为 17B；这张图表最清晰地说明了这种架构带来了什么、又没有带来什么：它具备前沿模型在艰难工程工作上的能力上限，却不具备后者在单次尝试中的可靠性。

如今流传的说法更窄，也更讨喜——在编程基准测试中，它能轻松跟上体量大得多的模型。这个说法可以对照厂商自己的表格逐行检验：它在一些地方站得住脚，在另一些地方不成立，而最耐人寻味的不成立之处，是面对一个比它小得多的模型。本文逐行解读，然后提出表格无法回答的问题：一旦模型真正出现在你的账单上，这种跟跑速度每项任务要花多少钱。

六行编码，阅读时不带释义

以下所有内容都来自 Thinking Machines 随公告一同发布的评测表。这是一套由厂商自行运行的评测流程——公司自己也是这么说的，并表示其中编程类各行采用的是隐藏的单元测试和程序化校验。这里的任何数据都没有经过独立复现，而这一点很重要，因为同一张表给 Inkling 2 Small 标出的 Artificial Analysis 智能指数是 30.6，而 Artificial Analysis 自己的实时页面显示的是 31。这只是四舍五入造成的差异，算不上什么争议，但它说明这张表是实验室自行截取的快照，而非实时更新的榜单。

与对比中最大的开放权重模型 Kimi K3 相比，这一速度说法打成平手：

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

• DeepSWE v1.1 — 72.1% 对比 68.5%。

• SWE-bench Pro v2（困难版）——86.3% 对 88.2%。

• Vibe Code Bench v1.1 — 81.6% 对比 85.0%。

• PostTrainBench v1.2 — 31.9% 对比 31.5%。

• Terminal Bench Science v0.1 — 5.7% 对 8.1%。

各有三行。一个每个 token 运行 17B 参数的模型，在消耗的算力上与一个规模大一个数量级的模型打平，而且是在编码谱系通常彼此分离的两端做到这一点：FrontierCode 中的从零补丁基准，以及 DeepSWE 中的仓库级智能体基准。更应看重的是 DeepSWE，因为在这一行里，模型必须在多次工具调用中维持一个完整计划，而不是只产出一个漂亮的 diff。

与 DeepSeek V4.1 Flash 1017 相比，局面反转了，而这个比较在商业上而非架构上更有意义，因为 DeepSeek 的 flash 档位很便宜。在两个模型都运行的五行中，Inkling 2 Small 在其中四行落后——FrontierCode 25.4% 对 28.5%，DeepSWE 72.1% 对 77.0%，Vibe Code Bench 81.6% 对 87.7%，Terminal Bench Science 5.7% 对 12.9%——仅在 PostTrainBench 上领先，31.9% 对 30.5%。DeepSeek 没有 SWE-bench Pro 条目，这对 Thinking Machines 来说很不走运，因为 86.3% 是 Inkling 2 Small 最好的编码成绩，而且这本会是最有说服力的单项胜出。

较小的模型是它跟不上的那个。

发布材料没有率先提及的对比对象是 Claude Haiku 5.5，而这恰恰是最该让买家三思的一项。Haiku 是 Anthropic 产品线中规模小、价格低的层级——完全不是 594B 模型那类东西——却在两者共有的五个编程项目中赢下三项：FrontierCode 以 34.9% 对 25.4% 胜出，Vibe Code Bench 以 90.4% 对 81.6% 胜出，Terminal Bench Science 以 20.0% 对 5.7% 胜出，后者的差距超过三倍。

Inkling 2 Small 则决定性地拿下另外两项：DeepSWE 72.1% 对 59.9%，SWE-bench Pro 86.3% 对 52.9%。综合来看，这一规律与规模完全无关。Haiku 胜出的是那些为单件产出打分的项目——一个 diff、一个 UI、一次驱动至完成的终端会话。Inkling 2 Small 胜出的则是模型必须围绕一个问题持续多步推进并改进自身答案的项目。对阵 Gemini 3.8 Flash 时差距更小：Inkling 拿下 FrontierCode、SWE-bench Pro 和 Vibe Code Bench，在 DeepSWE 上以 72.1% 对 73.8% 惜败，在 Terminal Bench Science 上则以 5.7% 对 10.0% 大比分落败。

公告中有一个细节值得任何看排行榜的人记下来。Thinking Machines 表示，它曾以 Fledge-Alpha 的名义在 OpenCode 上测试 Inkling 2 Small 的早期检查点。发布前你在编程榜单上看到的任何 Fledge-Alpha 分数，都是这个模型以化名取得的，而且并不是最终版本。

四次尝试能换来什么，18.5分钟又要付出什么代价

PMPP-Hard 共有 69 项任务，包含四次独立尝试，时间预算为十小时，按平均解决任务数计分。Inkling 2 Small 的 54.25 分表现不错，但并不突出——它落后于 63 分的 GPT-6 Astra、60.5 分的 Kimi K3.1 Pro 和 60 分的 Opus 5.5，领先于 55.75 分的 Kimi K3、55.25 分的 DeepSeek V4.1 Flash、52.5 分的 GLM 5.3 和 50.25 分的 Mistral Large 4。

它的 Pass@4 为 64，正是在这个数字上，它不再普通。该数字与 Opus 5.5 的 64 持平，并超过 Astra 的 63 和 Kimi K3.1 Pro 的 63。给它四次尝试，它就能达到图表中最佳模型相同的上限；只给它一次，它就会落后近六个任务。如果你的工作流已经会采样多次尝试，并通过运行测试选出胜者，那么真正重要的差距很小。如果只采样一次就发布，那么这个差距就是全部关键所在。

同样的不对称性也出现在内核自动研究图表中，而在那里，它并不有利于 Inkling 2 Small。相对于基线的最佳内核加速比：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×。在同一任务上，这大约只有前沿模型加速比的三分之一，远远谈不上跟上步伐。

接下来说实际耗时。所有公开评测都是在 effort 0.99——即 Thinking Machines 所称的 xhigh——以及 temperature 1.0 的设置下运行的。Artificial Analysis 测试的是线上端点而非开发用的测试框架，它测得每个 Intelligence Index 任务耗时 18.5 分钟，而同类模型的中位数为 7.0 分钟；输出 token 数为 1.54 亿，中位数为 8980 万。每个指数任务的成本为 1.18 美元，在该榜单的 29 个模型中排名第 27 位。输出速度为每秒 135 个 token，首个答案 token 的等待时间为 34.15 秒，而中位数为 11.57 秒。这个模型并不是每个 token 都慢。它慢，是因为它思考时间很长，而且在思考过程中写了大量内容。

17B 活跃参数究竟在哪些方面真正发挥作用

混合专家模型按活跃参数计费，而这正是该架构的全部商业理由。Inkling 2 Small 的定价为每百万输入 token 0.30 美元、每百万输出 token 1.00 美元，缓存输入可享 90% 折扣，降至 0.03 美元——根据 Artificial Analysis，在 7:2:1 的缓存命中:输入:输出比例下，综合价格为每百万 0.18 美元。该榜单上的中位模型收费为输入 0.24 美元、输出 0.87 美元，因此 Inkling 2 Small 的定价像中端模型，而不是像 594B 的模型。

训练配比解释了这种侧重。编程占强化学习 rollout 的 38.5%，占 token 的 65%——是最大的单一区块，超过模型在 RL 期间生成的全部内容的三分之二。视觉占 rollout 的 13.9%，但仅占 token 的 3%。无论这个模型还有什么其他特点，它都经过了后训练，能够长篇编写和修复代码。

所以，诚实的算法是按每次成功尝试来算，而不是按每个 token 来算。Inkling 2 Small 每次索引任务 $1.18，且需要四次尝试才能达到其上限，这与一个价格翻倍但一次就能达到上限的模型是截然不同的购买。两种配置都没有错；它们是与你的延迟预算相匹配的不同契约。

今天可以称呼什么，以及不可以称呼什么

Inkling 2 Small 可通过 Tinker 用于推理和微调，其权重闭源，且没有第二家提供商。Thinking Machines 表示，计划在完成外部安全测试和红队测试后，于“下周”以 Apache 2.0 发布完整权重，但截至 2026 年 11 月 6 日尚未实现。无服务器端点以 256K 上下文提供服务，窄于该模型训练时可处理的 1M 窗口。

它不在 OrcaRouter 上，本文也不会假装它在。OrcaRouter 上提供的是本文刚刚梳理过的对比集中大多数模型——Kimi K3、DeepSeek V4.1 Flash 1017、GLM-5.3 Flash、Gemini 3.8 Flash、MiMo V2.6 Pro——用一个密钥即可访问超过 200 个模型，且按提供商目录价原样透传、不额外加价。这一点恰好关系到本文所暗示的用途：如果你想知道一个激活参数为 17B 的 MoE 是否足以用于你的代码仓库，最便宜的实验方式是在同一张账单上，对位于它两侧的模型运行你自己的评测，而不是签四份合同。

自动故障转移则是这件事的另一半。基准测试表根本无法说明：一次长时间的智能体运行，能否在第十四分钟时扛住服务商的一次短暂抖动；而在 DeepSWE 上看起来最接近的那几个模型，恰恰就是你实际会在其间来回切换的那些。

有三件事会改变这个判断。一是独立重跑 FrontierCode 或 DeepSWE，因为这些数字来自实验室自己，而 SWE-bench Pro 那一行承担了很大一部分说服力。二是权重发布，因为 Apache 2.0 会让这个 594B 模型可以自托管，并把每任务 1.18 美元这个数字的控制权交到你手里。三是任何低于 xhigh 的已发布档位，因为本文中的每一个数字都是在最高努力程度下产生的——如果更低的设置能以 154M token 的一小部分获得大部分准确率，成本论证就会改善，而目前还没有人证明这一点。

基于单个键的比较集

上表中用于衡量 Inkling 2 Small 的模型，除两个例外外，都是如今可以从单一端点调用的模型。这两个例外是 Inkling 2 Small 本身（仅限 Tinker）以及 Claude Haiku 5.5（不在 OrcaRouter 目录中）。表格其余部分是：Kimi K3——Inkling 2 Small 与之打平的开源权重模型；DeepSeek V4.1 Flash 1017——Inkling 2 Small 在五行中的四行上落后于它的廉价模型；GLM-5.3 Flash——Inkling 2 Small 轻松击败的小型模型；以及 Gemini 3.8 Flash——与 Inkling 2 Small 互有胜负的中型模型。

那组模型才值得跑，因为对团队来说，有意思的问题不是 17B-active 的混合专家模型在抽象层面是否令人印象深刻——上面的表格已经回答了这一点——而是它是否能在你关心的特定仓库、测试套件或内核上击败已经在生产中的模型。这个问题只有你自己的评测能回答，而且用一个密钥跑四个模型来回答，比跨四个供应商来回答要便宜得多。

这次发布所确立的东西，比外界对它的反应所暗示的要更有限。一个拥有 17B 激活参数的 594B 模型，如今在编程方面与最大的开放权重模型打成平手，赢下了奖励持续工作的两项，却在评估单一产物的三项上输给了一个小型闭源模型。这是真实的结果，但不是前沿结果。弄清你的工作负载位于这条线的哪一侧，代价是每百万 token 0.30 美元和 1.00 美元、每个困难任务 18.5 分钟，以及愿意多次采样。