Inkling 2 Small 以 17B 活躍參數在程式設計上保持步調——直到你檢視變異數為止

Thinking Machines 發布圖表上的兩條線交會於同一個數字。Inkling 2 Small 單次嘗試可解決 69 項 PMPP-Hard 任務中的 54.25 項，四次嘗試則可解決 64 項。Claude Opus 5.5 單次嘗試解決 60 項，四次嘗試則解決 64 項。Inkling 2 Small 於 2026 年 11 月 5 日發布，是一款混合專家模型，總參數為 594B、啟用參數為 17B；而那張圖表最清楚地說明了這套架構帶來什麼、又不帶來什麼：它具備前沿模型在艱難工程工作上的能力上限，卻不具備前沿模型那種每次嘗試的可靠度。

流傳中的說法範圍較窄，也更討喜——在程式設計基準測試中，它能輕鬆跟上規模明顯更大的模型。這個說法可以拿供應商自己的表格逐列檢驗：它在某些地方站得住腳，在另一些地方則不成立，而最耐人尋味的是，它在面對一個遠比自己小的模型時失敗了。本文會逐列解讀，然後提出表格無法回答的問題：一旦這個模型真的出現在你的帳單上，這樣的速度換算到每項任務要付出什麼代價。

六個編碼列，不讀註釋

以下內容全部出自 Thinking Machines 隨公告發布的評測表。這是一套由廠商自行執行的測試框架——公司自己也這麼說，並表示 coding 列採用隱藏單元測試與程式化檢查。這裡沒有任何結果經過獨立重現，這點很重要，因為同一張表對 Inkling 2 Small 顯示的 Artificial Analysis Intelligence Index 是 30.6，而 Artificial Analysis 自己的即時頁面則顯示 31。這是四捨五入造成的差異，並非爭議，但這說明了這張表是該實驗室取得的快照，而非即時看板。

面對比較中最大的開放權重模型 Kimi K3，這項速度主張只能打成平手：

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

• DeepSWE v1.1 — 72.1% 對比 68.5%。

• SWE-bench Pro v2（困難）— 86.3% 對比 88.2%。

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

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

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

各三行。一個每個 token 執行 17B 參數的模型，在耗費的運算量上與大上一個數量級的模型打成平手，而且是在通常會區隔開來的程式設計光譜兩端做到這點：FrontierCode 中從零開始的修補基準，以及 DeepSWE 中倉庫規模的代理式基準。真正該看重的是 DeepSWE，因為在這一項裡，模型必須在多次工具呼叫之間維持整體計畫，而不是只產出一個好的 diff。

對比 DeepSeek V4.1 Flash 1017，情況就反轉了，而這正是商業上而非架構上真正重要的比較，因為 DeepSeek 的 flash 層級很便宜。在兩個模型都跑過的五行中，Inkling 2 Small 有四行落後——FrontierCode 25.4% 對 28.5%、DeepSWE 72.1% 對 77.0%、Vibe Code Bench 81.6% 對 87.7%、Terminal Bench Science 5.7% 對 12.9%——只在 PostTrainBench 領先，31.9% 對 30.5%。DeepSeek 沒有 SWE-bench Pro 的成績，這對 Thinking Machines 來說很不走運，因為 86.3% 是 Inkling 2 Small 最佳的程式編碼分數，而它本會是最有說服力的單一勝出項目。

較小的模型是它跟不上的那一個。

發布資料沒有率先拿出來比較的對象是 Claude Haiku 5.5，而這正是應該讓買家三思的一項。Haiku 是 Anthropic 產品線中小型、便宜的層級——完全不像 594B 模型——而它在兩者共有的五項程式設計評測中贏了三項：FrontierCode 34.9% 對 25.4%、Vibe Code Bench 90.4% 對 81.6%，以及 Terminal Bench Science 20.0% 對 5.7%，其中差距超過三倍。

Inkling 2 Small 決定性地拿下另外兩項：DeepSWE 以 72.1% 對 59.9%，以及 SWE-bench Pro 以 86.3% 對 52.9%。綜合來看，這個模式完全與規模無關。Haiku 贏在評分單一產出成品的項目——一個 diff、一個 UI、一個被驅動至完成的終端機工作階段。Inkling 2 Small 則贏在模型必須在許多步驟中持續處理同一個問題並改善自身答案的項目。對上 Gemini 3.8 Flash 時差距更近：Inkling 拿下 FrontierCode、SWE-bench Pro 與 Vibe Code Bench，在 DeepSWE 以 72.1% 對 73.8% 小幅落敗，並在 Terminal Bench Science 以 5.7% 對 10.0% 大幅落敗。

公告中有一個細節，值得任何會看排行榜的人記下來。Thinking Machines 表示，他們以 Fledge-Alpha 這個名稱，在 OpenCode 上測試了 Inkling 2 Small 的早期檢查點。你在正式推出前於程式設計排行榜上看到的任何 Fledge-Alpha 分數，都是這個模型以化名留下的，而且那並不是完成版。

四次嘗試能換來什麼，以及18.5分鐘的代價

PMPP-Hard 共有 69 項任務、四次獨立嘗試、十小時預算，並以平均解決任務數計分。Inkling 2 Small 的 54.25 不錯但不突出——它落後於 GPT-6 Astra 的 63、Kimi K3.1 Pro 的 60.5 與 Opus 5.5 的 60，領先於 Kimi K3 的 55.75、DeepSeek V4.1 Flash 的 55.25、GLM 5.3 的 52.5 與 Mistral Large 4 的 50.25。

它的 Pass@4 達到 64，這正是這個數字不再平凡的地方。這個數字與 Opus 5.5 的 64 打平，並勝過 Astra 的 63 和 Kimi K3.1 Pro 的 63。給它四次機會，它就能達到圖表中最佳模型相同的天花板；只給它一次，它就落後將近六個任務。如果你的工作流程本來就會取樣多次嘗試、並透過執行測試挑出勝者，那麼真正重要的差距很小。如果它只取樣一次就上線，那這個差距就是全部的重點。

同樣的不對稱也出現在 kernel-autoresearch 圖表中，而在那裡，它並不站在 Inkling 2 Small 這一邊。相對於基線的最佳 kernel 加速比：Claude Opus 5.5 為 18.80×、GPT-6 Astra 為 10.26×、Inkling 2 Small 為 6.02×、DeepSeek V4.1 Flash 為 5.66×、GLM 5.3 為 5.03×、Mistral Large 4 為 3.43×。大約只有最先進前沿在同一任務上加速比的三分之一，距離跟上腳步還差得很遠。

接著是實際耗時。每一項已公布的評估都是在 effort 0.99——Thinking Machines 稱為 xhigh 的設定——以及 temperature 1.0 下執行。Artificial Analysis 測試的是實際運行端點，而非開發測試框架，测得每項 Intelligence Index 任務耗時 18.5 分鐘，同儕中位數為 7.0 分鐘；輸出 token 數為 154M，中位數為 89.8M。每項 index 任務成本為 1.18 美元，在該榜單的 29 個模型中排名第 27。輸出速度為每秒 135 個 token，首個答案 token 的延遲為 34.15 秒，而中位數為 11.57 秒。這個模型並非每個 token 都慢。它慢，是因為它思考很久，而且過程中寫了大量內容。

17B 活躍數字真正發揮效益的地方

混合專家模型是依活躍參數計費，而這正是此架構全部的商業理由。根據 Artificial Analysis，Inkling 2 Small 的定價為每百萬輸入 token 0.30 美元、每百萬輸出 token 1.00 美元，快取輸入則折扣 90% 至 0.03 美元——在快取命中：輸入：輸出比例為 7:2:1 時，混合價格為每百萬 0.18 美元。該榜單上的中位數模型收費為輸入 0.24 美元、輸出 0.87 美元，因此 Inkling 2 Small 的定價像中階模型，而不是 594B 的模型。

訓練資料組成說明了這樣的重心。程式設計占強化學習 rollout 的 38.5%、token 的 65%——是單一最大區塊，也超過模型在強化學習期間生成內容的三分之二。視覺占 rollout 的 13.9%，但只占 token 的 3%。不論這個模型還有什麼其他特質，它在後訓練階段被訓練成能大量撰寫與修正程式碼。

所以，誠實的算法是看每次成功嘗試，而不是每個 token。Inkling 2 Small 每項索引任務 $1.18、要四次嘗試才達到其上限，這跟一個價格翻倍、一次就到達的模型是不同性質的採購。兩種配置都沒有錯；它們是與你的延遲預算簽下的不同契約。

你今天可以撥打什麼，以及不能撥打什麼

Inkling 2 Small 可透過 Tinker 進行推論與微調，其權重為封閉式，且沒有第二家供應商。Thinking Machines 表示，打算在完成外部安全測試與紅隊演練後，於「下週」以 Apache 2.0 發布完整權重，但截至 2026 年 11 月 6 日此事尚未發生。無伺服器端點以 256K 上下文提供服務，窄於模型訓練時可處理的 1M 視窗。

它不在 OrcaRouter 上，而本文也不會假裝它在。OrcaRouter 上有的，是本文剛剛逐一檢視的大部分比較對象——Kimi K3、DeepSeek V4.1 Flash 1017、GLM-5.3 Flash、Gemini 3.8 Flash、MiMo V2.6 Pro——只需一把金鑰即可跨超過 200 個模型存取，且供應商定價原樣傳遞、不額外加價。這一點正好切合本文所暗示的用途：如果你想弄清楚一個 17B 啟用參數的 MoE 是否足以應付你的儲存庫，最便宜的實驗方式，就是用同一筆帳單，對它前後的模型跑你自己的評測，而不是簽四份合約。

自動容錯移轉是這件事的另一半。基準測試表完全無法說明，一場長時間的代理式執行能否撐過供應商在第十四分鐘時發生的短暫故障；而在 DeepSWE 上看起來最接近的模型，正是你實際會互相切換的那些。

有三件事會改變這個解讀。一是獨立重跑 FrontierCode 或 DeepSWE，因為這些數字是實驗室自家的，而且 SWE-bench Pro 那一列發揮了很大的說服作用。二是權重釋出，因為 Apache 2.0 會讓 594B 模型可自行託管，並把每項任務 1.18 美元這個數字交到你手中。三是任何已公布、低於 xhigh 的等級，因為本文每個數字都是在最大投入下產生的——如果較低設定能用一小部分 154M tokens 換到大部分準確度，成本論證就會改善，而目前還沒有人證明這一點。

單一按鍵上的比較集合

上方各列中，Inkling 2 Small 所對標的模型，除了兩個例外，都是你今天可以從單一端點呼叫的模型。這兩個例外是僅限 Tinker 使用的 Inkling 2 Small 本身，以及不在 OrcaRouter 目錄中的 Claude Haiku 5.5。表格其餘部分是：Kimi K3，即 Inkling 2 Small 與之打成平手的開放權重模型；DeepSeek V4.1 Flash 1017，即它在五列中有四列落後的便宜模型；GLM-5.3 Flash，即它輕鬆擊敗的小型模型；以及 Gemini 3.8 Flash，即它與之互有勝負的中型模型。

那組才值得實際跑起來，因為對團隊而言，有意思的問題不是一個 17B 激活參數的混合專家模型在抽象層面上是否亮眼——上表已經回答了這點——而是它能否在你真正在意的特定儲存庫、測試套件或核心上，勝過已經上線的模型。這個問題只有你自己的評估能回答，而在同一把金鑰上跨四個模型來回答，遠比跨四家供應商便宜得多。

這次發布所確立的事情，比外界對它的反應所暗示的範圍更窄。一個擁有 17B 活躍參數的 594B 模型，如今在程式編寫方面與最大的開放權重模型打成平手，在獎勵持續性工作的兩列中勝出，卻在評估單一產出物的三列上輸給一個小型閉源模型。這是實實在在的結果，但不是前沿結果。要弄清楚你的工作負載落在這條線的哪一側，代價是每百萬個 token 0.30 美元與 1.00 美元、每個困難任務 18.5 分鐘，以及願意取樣超過一次。