一張生成的標題卡寫著「Inkling 2 Mini vs Qwen 3.8」,副標題為「真正有競爭力的層級是 Flash」,上有三個標籤分別寫著「Mini:Index 20.1」、「Flash:Index 29」和「每項任務成本相同」,上方兩張卡片則對比「20GB 檔案,可離線執行」與「託管端點,100 萬上下文」,並附註僅在需要時升級。OrcaRouter 標誌位於右下角。
Guides & Insights

Inkling 2 Mini 對決 Qwen 3.8:被更便宜的級別擊敗

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

大家所做的比較是錯的,而且這種比較抬高了新模型。Inkling 2 Mini 由 Thinking Machines Lab 於 2026 年 11 月 20 日發布,在 Artificial Analysis Intelligence Index v5.0.1 上得分 20.1——與得分 20 的 Qwen3.8-27B 持平,每項指數任務 $0.59,對比 $3.53。那是 Thinking Machines 放在自家基準測試表中的正面對決,而在成本上則差距懸殊。但 Qwen 3.8 不是單一模型。它是一個包含五個模型的世代,而真正能與 20GB 可下載檢查點競爭的層級是 Qwen3.8-Flash;Artificial Analysis 給它的分數是 29,每項指數任務 $0.57——領先九分,且每個完成答案的成本相同。Mini 贏了發布貼文所印出的比較,卻輸了買家實際會做的比較。

資料來源,因為它會左右判定:指數分數、每項任務成本、延遲與上下文數據,皆為 Artificial Analysis 於 2026 年 11 月 21 日讀取的測量值;所有 OrcaRouter 價格均引自我們自家目錄。百分比表格出自 Thinking Machines 的發布測試框架(launch harness),由廠商執行,並在出現處標示;Alibaba 對 Qwen 各層級的自述,係以 Alibaba 的說法引用,本文並未另行稽核。

首先,你是指哪一個 Qwen 3.8?

把家族名稱當成一個對手,正是讓這類比較大多變得毫無用處的錯誤。Q​wen 3.8 涵蓋每百萬個 token 收費 $2.00/$6.00 的託管旗艦、依自訂授權釋出的開放 2.4 兆參數檢查點、Apache 2.0 下的 27B 稠密模型、$0.15/$0.47 的 Flash 層級,以及開放權重置於託管 Flash 產品之後的 Flash-Next 預覽版。各成員在 token 價格上相差超過十倍,在同一指數上相差九個百分點。單一「對比 Q​wen 3.8」的結論,就是對一團模糊所作的結論。

Qwen3.8-27B — 27B 稠密模型,Apache 2.0,輸入文字、圖像與影片,256K 上下文,在 xhigh 努力度下 Index 20,定價 $0.50/$3.00,每項索引任務 $3.53,每項任務 34.5 分鐘。

• {{1}}Qwen3.8-Flash{{/1}} — {{2}}以 $0.15/$0.47 提供的託管生產層級,提供與 Flash-Next 預覽版相同的權重;路由端點宣稱具備 100 萬 token 視窗與 131K 最大輸出,而 Artificial Analysis 對開放的 Flash-Next 權重記錄為 256K。其測得該模型為 Index 29、總計 180B 且活躍 6B、每項 index 任務 $0.57、33.3 分鐘。{{/2}}

• Qwen3.8-Max — 封閉旗艦模型,Index 34,$2.00/$6.00,每項 index 任務 $10.02。在成本上不是 Mini 的競爭對手,也不是適合拿來比較的模型。

• Inkling 2 Mini — 總參數 26.4B、活躍參數 3.4B、Apache 2.0、模型卡上 1M 上下文、Index 20.1、Tinker 上 $0.15/$0.50、每項 index 任務 $0.59、9.0 分鐘。

所以這場有用的比較分成兩半。相對於發布文章所選的 27B 稠密模型,Mini 在分數相同時確實具有成本優勢。面對 Flash 層級——其成本相同,且在指數上遠遠勝過 Mini——Mini 的論點就必須落在價格與分數之外;而它正是如此:檔案。

Screenshot of the Artificial Analysis model page for Qwen3.8-Flash-Next, showing it above average in intelligence and well priced for its size but notably slow per task and very verbose, a score of 29 on the Intelligence Index against a median of 23, 156M tokens generated during the index run against a 104M median, pricing of $0.15 per 1M input and $0.47 per 1M output tokens, $0.57 per index task, 33.3 minutes per task, an 85.77-second time to first token, 74 output tokens per second, and a listed 256K-token context window.

27B 平局,以及它為何是真的

兩個模型都由同一個評估器、在同一個索引的同一修訂版本上測量,因此 20.1 對上 20 是真正的比較,而不是測試框架的巧合。這也是在該工具解析度極限下的一次平手。該索引是九項評估的綜合結果,其中數項是在留出集上進行,而彼此相差一分以內的模型無法由它可靠地排出先後。這次平手所確立的是:Mini 達到與 27B 稠密模型相同的門檻,卻只消耗 34 億個活躍參數,而非 270 億個。

成本欄正是關鍵所在。以每項索引任務 $0.59 對比 $3.53,Mini 完成同一項評估的成本大約只有六分之一,而且只花九分鐘,對比 34 分半。輸出速度為每秒 280 個 token,對比 53。首個答案 token 的時間為 9.72 秒,對比 144。在一個執行三十輪的代理迴圈中,這些數字會累積成使用者能實際感受到的差異。

這些都不是免費的,而補償代價就是冗長。Mini 完成索引執行時輸出了 1.61 億個輸出 token,Q​wen 模型則為 1.28 億,同類模型中位數是 8,570 萬。每百萬輸出 token 支付 0.50 美元、換來典型輸出量的 1.9 倍,仍然便宜;但對一個話這麼多的模型,按每項任務編列固定 token 數的預算,就不便宜了。按 token 而非按任務計量的團隊會發現,六倍優勢會縮小到接近三倍。

Mini 真正勝過每個 Q​wen 層級的地方

廠商的程式碼評測表是這次發布中讓模型顯得有趣的部分,也是沒有人檢查過的部分。下面每一列都是 Thinking Machines 自家測試框架在其自家檢查點上的結果,而且其中至少有一列是用公司的代理框架而非中立的框架跑出來的。

• DeepSWE v1.1 — Inkling 2 Mini 48.2% 對比 Qwen3.8-27B 42.2%。

• SWE-bench Pro v2,困難 — 77.9% 對 73.8%。

• SWE-bench Multilingual — 73.7% 對比 70.0%。

• SWE-bench Verified — 79.2% 對 77.8%。

• Vibe Code Bench v1.1 — 77.9% 對 64.9%。

• Terminal Bench v2.1 — 71.6% 對 73.0%,落敗;在 Terminal Bench v4.0 上兩者皆印出 5.6%。

• BrowseComp — 79.0% 對 61.6%;DeepSearchQA 85.3% 對 79.7%;MCP Atlas 82.7% 對 77.3%。

• MMMU Pro — 74.9% 對 76.3%,再度以些微差距落敗;OmniDocBench v1.6 92.8% 對 91.5%。

Mini 勝出的那些列屬於代理型任務——儲存庫規模的修補、長程搜尋、工具使用。它落敗的列則是精確召回類。這正是架構本身在說話:迴圈換來的是每個詞元的串列運算,而串列運算正是漫長代理軌跡所需。它換不來已儲存的事實,而知識密集的基準測試會注意到這點。

Mini 與該系列之間的事實性差距,比那些橫列中的任何一項都更鮮明。在 AA-Omniscience 上,廠商表格在 Mini 欄位標示 −8.6,非幻覺率為 63.4%,而同表同一欄中的 Qwen3.8-27B 則為 −6.4 和 71.4%。負分意味著該模型比拒絕回答還差。我找不到 Artificial Analysis 有另行公布 Mini 的全知性分數,因此這一橫列完全仰賴廠商的測試框架——而對於任何在沒有檢索層的情況下進行部署的人來說,這仍是比較中最重要的數字。

Flash 終結爭論之處

現在來到真正重要的層級。Qwen3.8-Flash 已託管,價格為輸入 $0.15、輸出 $0.47——與 Tinker 取樣 Mini 的輸入費率相同,輸出則便宜三美分。Artificial Analysis 將它背後的 Flash-Next 權重評為 29 分。每項索引任務花費 $0.57,而 Mini 是 $0.59。多九個索引分數,還少兩美分。

無論在能力還是價格上,這都不是一場難分高下的較量,也重新定義了 Mini 的用途。Mini 相對 Flash 的優勢根本不在計分板上:它是一個 20GB 的檔案,可在 MacBook 或 DGX Spark 上離線執行,不需網路、沒有按 token 計費的計量表,也沒有服務供應商介入。Flash 的優勢則是九個評測指數點、一個託管端點,以及在路由 API 上具備 1M token 的視窗,而且無需下載任何東西。如果你的工作負載有網路連線,Qwen 這邊在每個可測量的軸線上都會勝出。如果沒有網路,Qwen 這邊的一切你根本都用不到。

Mini 在速度比較中也更勝一籌,而且領先幅度比分數差距所反映的還要大。Mini 以每秒 280 個輸出 token 的速度運行,首個 token 耗時 9.72 秒;Flash-Next 則測得每秒 74 個 token,首個 token 耗時 85.77 秒,且每項索引任務需 33.3 分鐘。對互動式代理而言,這就是一個會即時回應的工具與一個得讓人等待的工具之間的差別——而這正是有效參數量 5.4B 的本機模型相較於 180B 的託管模型具備結構性優勢的唯一一處。

實際安排

兩個 Qwen 層級都在 OrcaRouter 上,這使得建立升級路徑的成本異常低廉。Qwen3.8-27B 的每百萬輸入 token 路由價格為 $0.33、每百萬輸出 token 為 $2.40——低於 A​libaba 的 $0.50/$3.00 牌價,因為供應商價格是直接轉嫁,而非加價。Qwen3.8-Flash 在 100 萬 token 視窗上的路由價格為 $0.15/$0.47。一組金鑰即可同時存取兩者,並具備自動容錯移轉,以及可將請求先送往便宜層級、僅在未通過檢查時才升級的路由 DSL。

這正是這項比較真正要呈現的架構。若你採用 Mini,它會跑在你自己的硬體上,執行它擅長的代理式工作,而且每個 token 都不需付費。Qwen 各層級則位於單一端點之後,負責處理 Mini 不擅長的請求——那些需要正確回想某項事實、讀完長文件,或進行困難科學推論的請求——而容錯移轉意味著供應商中斷只會讓答案品質下降,而不是讓服務中斷。我們不託管 Inkling 2 Mini,本文也不會假裝不是如此;路由器所省去的,是針對流向 Qwen 的那一半工作負載所需的第二份合約與第二套整合。

Screenshot of OrcaRouter's model page for Qwen3.8 Flash, showing the model id qwen/qwen3.8-flash, vision, tools, JSON and reasoning tags, a dated description of it as Alibaba's multimodal reasoning model for coding, agentic workflows and long-video analysis, an OpenAI-compatible /v1/chat/completions endpoint at api.orcarouter.ai, an input price of $0.15 and output price of $0.47 per 1M tokens, a 1M-token context window with a 131K maximum output, a p50 time to first token of 10.00 seconds, and an option to add it to a comparison.

什麼會改變判決

有兩件事,而且這兩件事的觀察成本都很低。第一件是在 Mini 的公開權重上進行獨立的程式編寫評測。如果 DeepSWE 上的 48.2% 和 SWE-bench Pro 上的 77.9% 能在中立測試框架下維持不變,那麼 Mini 的代理式能力主張就會比 20.1 的指數分數所暗示的強得多,因為該指數恰好低估了這款模型專門為之打造的長時程工作。如果這些數字無法維持,那麼發布表格就只是廠商自製的表格,而這款模型本質上就是個 20。

第二點是,Qwen3.8-Flash 的九分優勢在努力程度控制下是否仍成立。其指數分數僅來自單一配置,而 Qwen 模型在不同努力設定之間會有數分的變動——27B 模型在 xhigh 下得分為 20,而當思考強度調低時會明顯下降。一個在低努力下會丟掉九分的 Flash 等級,與能保住這九分的 Flash 等級是截然不同的競爭者,而且沒有人為這項比較公布過那條曲線。

在其中一個推出之前,誠實的總結是各有勝負。在託管環境中按實測的每美元能力來看,Qwen 3.8 兩度勝出——27B 模型在分數上與 Mini 打平、在成本上落敗,Flash 等級則在兩方面都勝過 Mini。至於託管模型完全做不到的事——離線執行、在筆電上執行、在沒有用量計費的情況下執行——Inkling 2 Mini 有著 Qwen 給不出的答案,而那個 20GB 檔案就是全部的論據。如果你需要它在沒有網路的地方執行,就買下載版;如果你不需要,就買 API。

A generated two-column scoreboard titled 'Inkling 2 Mini vs Qwen3.8-Flash — the scoreboard'. The Inkling 2 Mini column reads Intelligence Index 20.1, active parameters 3.4B, cost per index task $0.59, output speed 280 tokens per second, first token 9.72 seconds, and runs offline: yes, 20GB. The Qwen3.8-Flash column reads Intelligence Index 29, active parameters 6B, cost per index task $0.57, output speed 74 tokens per second, first token 85.77 seconds, and runs offline: no, hosted only. A footer states that both columns are per Artificial Analysis and coding rows are vendor-reported.

本文中的比較2

根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新