Inkling 2 Small alcanza 31 puntos en el índice de Artificial Analysis y cuesta $1,18 por tarea

Thinking Machines ha lanzado Inkling 2 Small, un modelo que obtiene 31 puntos en el índice agregado del laboratorio independiente Artificial Analysis. El índice se compone de decenas de pruebas: conocimiento, código, preguntas complejas de nivel experto y trabajo de agentes. Los 31 puntos son 18 más que los de la anterior Inkling Small y los mismos que Gemini 3.

8 Flash (high), de Google DeepMind. La segunda cifra del titular, $1,18, es el coste medio de una tarea del índice: lo que se paga si se encarga al modelo un trabajo típico y se espera a tener el resultado final. A modo de comparación, la misma tarea cuesta $7,77 con Gemini 3.

8 Flash (high) y $10,02 con Claude Sonnet 5.5 (medium). En pocas palabras: si elige un modelo para un agente que corrige código, elabora informes o rellena tablas por su cuenta, un token barato no equivale a un trabajo barato, y este es justo el caso en que el cálculo por tarea favorece al nuevo modelo.

Por ahora, Inkling 2 Small es cerrada: solo está disponible en la plataforma Tinker de Thinking Machines y en Tinker Playground. La compañía planea publicar los pesos bajo licencia Apache 2.0 más adelante, pero la fecha no está confirmada. Si cumple la promesa, será el modelo abierto más potente creado fuera de China según las clasificaciones actuales. Además, ha superado a MiMo-V2.6-Pro de Xiaomi. Todavía es pronto para incluir la versión abierta en los planes.

Dónde destaca el modelo y dónde se queda corto

Es un modelo de razonamiento de 594 mil millones de parámetros, de los cuales 17 mil millones se activan por cada token. Acepta texto e imágenes y responde con texto. Las mejoras más grandes se dan en las tareas de agentes, donde el modelo debe llevar el trabajo hasta el final por sí solo:

• AutomationBench-AA, automatización de procesos de trabajo: del 5% al 46%.
• FrontierCode 2.0, tareas complejas de programación: del 5% al 25%; Claude Sonnet 5.5 (medium) logra un 11%.
• HLE-Diamond, preguntas de nivel experto: del 12% al 29%.
• AA-Briefcase, procesos de oficina largos con tablas, presentaciones y notas internas: 1527 Elo frente a 912 de la versión anterior; Sonnet 5.5 tiene 1439 y Gemini 3.8 Flash, 1203. El porcentaje de comprobaciones superadas subió del 20% al 50%.

En la creación de escenas 3D interactivas (AA-3D) y de vídeo mediante código (Code2Video-AA), el modelo supera a Gemini 3.8 Flash, pero Claude Sonnet 5.5 sigue por delante en ambas pruebas. También hay puntos débiles: en Terminal-Bench 4.0, donde el agente trabaja en la línea de comandos, Inkling 2 Small obtiene un 13% frente al 30% de Sonnet 5.5. En física de nivel investigador (CritPt v2) logra un 56% frente al 65% de Gemini 3.8 Flash (high). Así, el resultado es mejor en ediciones complejas de un repositorio, pero claramente peor en el trabajo con terminal.

Inventa menos porque calla más a menudo

En la prueba AA-Omniscience v1.1, la tasa de alucinaciones bajó del 61% al 27%. Sin embargo, la precisión solo subió del 32% al 34%.

La razón principal es otra: ahora el modelo intenta responder al 53% de las preguntas, en lugar del 77%. Cuando no está seguro, se niega a responder con más frecuencia y, por eso, dice menos falsedades. La puntuación final subió de −9 a 16, pero Gemini 3.

8 Flash (high), con 23, y Sonnet 5.5 (medium), con 19, siguen por encima. Si en su producto una respuesta falsa es más costosa que una negativa, por ejemplo en soporte o en consultas jurídicas, este comportamiento resulta útil.

Si, en cambio, el chatbot tiene que responder siempre, habrá que gestionar las negativas por separado.

Por qué el razonamiento caro sale barato

En promedio, Inkling 2 Small gasta unos 150 mil tokens de salida por tarea del índice. La versión anterior usaba unos 37 mil, Sonnet 5.5 (medium) unos 31 mil y Gemini 3.8 Flash (high) unos 99 mil. Por eso el coste de la tarea se multiplicó casi por 6: de $0,20 a $1,18.

Aun así, las tarifas son bajas: $0,30 por millón de tokens de entrada, $1,00 por millón de salida y $0,03 por millón de tokens de entrada en caché. Por eso, incluso con un gasto enorme de tokens, el modelo resulta más barato que sus rivales con una puntuación similar.

Qué hacer con esto

Los equipos que construyen agentes para automatización de oficina, informes y generación de interfaces deberían probar sus propios escenarios con Inkling 2 Small y comparar el precio de la tarea terminada, no el del token. Los razonamientos largos aumentan la latencia, así que para chats interactivos el modelo puede resultar lento. Las cifras proceden de los benchmarks de Artificial Analysis y reflejan su conjunto de tareas; con sus datos, el resultado puede ser distinto. Los pesos abiertos interesarán a quienes quieran desplegar el modelo por su cuenta, pero por ahora es una promesa sin fecha.