Inkling 2 Small набрала 31 балл в индексе Artificial Analysis и стоит $1,18 за задачу

Thinking Machines выпустила Inkling 2 Small — модель, которая в сводном индексе независимой лаборатории Artificial Analysis набрала 31 балл. Индекс складывается из десятков тестов: знания, код, сложные вопросы экспертного уровня, работа агентов. 31 балл — это на 18 пунктов больше, чем у предыдущей Inkling Small, и столько же, сколько у Gemini 3.

8 Flash (high) от Google DeepMind. Второе число из заголовка — $1,18 — это средняя стоимость одной задачи индекса: сколько вы заплатите, если отдадите модели типовое задание и дождётесь готового результата. Для сравнения, у Gemini 3.

8 Flash (high) такая задача стоит $7,77, у Claude Sonnet 5.5 (medium) — $10,02. Проще говоря: если вы выбираете модель для агента, который сам правит код, собирает отчёты или заполняет таблицы, дешёвый токен ещё не значит дешёвую работу, и здесь как раз тот случай, когда расчёт за задачу выходит в пользу новой модели.

Пока Inkling 2 Small закрытая: она доступна только на платформе Thinking Machines Tinker и в Tinker Playground. Веса под лицензией Apache 2.0 компания планирует выложить позже, но дата не подтверждена. Если обещание выполнят, это будет самая сильная открытая модель, созданная вне Китая, по текущим рейтингам. Она также обошла MiMo-V2.6-Pro от Xiaomi. Закладывать открытую версию в планы пока рано.

Где модель сильна, а где отстаёт

Это рассуждающая модель на 594 млрд параметров, из которых на каждый токен работают 17 млрд. Она принимает текст и изображения, отвечает текстом. Сильнее всего выросли агентные задачи, где модель должна довести работу до конца сама:

• AutomationBench-AA, автоматизация рабочих процессов: с 5% до 46%.
• FrontierCode 2.0, сложные задачи по программированию: с 5% до 25%, у Claude Sonnet 5.5 (medium) — 11%.
• HLE-Diamond, вопросы экспертного уровня: с 12% до 29%.
• AA-Briefcase, длинные офисные процессы с таблицами, презентациями и служебными записками: 1527 Elo против 912 у прошлой версии, у Sonnet 5.5 — 1439, у Gemini 3.8 Flash — 1203. Доля пройденных проверок выросла с 20% до 50%.

В создании интерактивных 3D-сцен (AA-3D) и видео с помощью кода (Code2Video-AA) модель обошла Gemini 3.8 Flash, но Claude Sonnet 5.5 в обоих тестах остаётся впереди. Слабые места тоже есть: в Terminal-Bench 4.0, где агент работает в командной строке, у Inkling 2 Small 13% против 30% у Sonnet 5.5. В физике исследовательского уровня (CritPt v2) у неё 56% против 65% у Gemini 3.8 Flash (high). Так что для сложных правок в репозитории результат лучше, а для работы в терминале — заметно хуже.

Меньше выдумок, потому что чаще молчит

В тесте AA-Omniscience v1.1 доля галлюцинаций упала с 61% до 27%. Но точность выросла лишь с 32% до 34%. Главная причина в другом: модель теперь пытается ответить на 53% вопросов вместо 77%. Когда она не уверена, она чаще отказывается, поэтому реже говорит неправду. Итоговый балл вырос с −9 до 16, но Gemini 3.8 Flash (high) с 23 и Sonnet 5.5 (medium) с 19 всё равно выше. Если в вашем продукте ложный ответ дороже отказа, например в поддержке или юридических справках, такое поведение полезно. Если же чат-бот обязан отвечать всегда, отказы придётся обрабатывать отдельно.

Почему дорогое мышление всё равно получается дешёвым

В среднем Inkling 2 Small тратит около 150 тыс. выходных токенов на одну задачу индекса. У предыдущей версии было около 37 тыс., у Sonnet 5.5 (medium) — около 31 тыс., у Gemini 3.8 Flash (high) — около 99 тыс. Поэтому стоимость задачи выросла почти в 6 раз: с $0,20 до $1,18.

При этом тарифы низкие: $0,30 за миллион входных токенов, $1,00 за миллион выходных и $0,03 за миллион кэшированных входных. Именно поэтому даже при огромном расходе токенов модель дешевле соседей с похожим баллом.

Что с этим делать

Командам, которые строят агентов для офисной автоматизации, отчётов и генерации интерфейсов, стоит прогнать на Inkling 2 Small собственные сценарии и сравнить цену законченной задачи, а не цену токена. Длинные рассуждения повышают задержку, так что для интерактивных чатов модель может оказаться медленной. Цифры взяты из бенчмарков Artificial Analysis и отражают её набор задач, на ваших данных результат может отличаться. Открытые веса заинтересуют тех, кто хочет развернуть модель у себя, но пока это обещание без даты.