Inkling 2 Small开放权重，耗量成取舍

Inkling 2 Small 的看点，是它把编程、多步骤任务和视觉能力往前推了一截，同时保持了相对低的评测任务成本。不过，「西方最强开放权重模型」这个说法得拆开看：成绩有比较范围，权重也还没有正式开放。

对前端和全栈开发者，更有用的是看清这些成绩怎么来的：它更擅长连续做事，却用了更多输出 token；幻觉率下降，也伴随着更少回答问题。这些取舍，比单看排行榜更接近实际选型。

编程成绩上涨，靠的是更长的任务训练

Thinking Machines 由前 OpenAI CTO Mira Murati 创立。其第二代模型 Inkling 2 Small 面向微调场景，适合作为专用应用的基础模型。它采用混合专家架构（MoE），总参数量为 5940 亿，每次计算激活其中 170 亿。它支持文本和图片输入，还能调整思考深度，在速度和处理充分程度之间取舍。

按 Thinking Machines 披露的数据，Inkling 2 Small 在 Artificial Analysis Intelligence Index 上得到 31 分，比前代 Inkling Small 的 13 分提高 18 分，大致追平 Gemini 3.8 Flash。

提升最明显的是智能体任务，即模型自己连续执行多个步骤的工作流。AutomationBench-AA 从 5% 升到 46%，FrontierCode 2.0 从约 5% 升到约 25%；知识工作评测 AA-Briefcase 达到 1,527 Elo，比前代高 615 分。

作者给出的训练解释是：他们团队用数十万个长周期编码任务做强化学习，再由自动评估系统检查代码能否工作，以及模型如何完成任务。训练目标因此不止是生成一段代码，还包括持续推进、检查结果和处理后续步骤。

更详细的成绩包括 FrontierCode 2.0 的 25.4%、DeepSWE v1.1 的 72.1%，以及 SWEBench Pro v2 (Hard) 的 86.3%。但它没有全面领先：DeepSeek V4.1 Flash 在前两项分别达到 28.5% 和 77%，Kimi K3 在后一项略胜，比较中也没有更新的 Kimi K3.1 Pro。

这些结果支持「比前代更能完成复杂任务」，还不足以支持「所有编程场景都更强」。

低成本和低幻觉，都要连着代价一起看

新模型每个评测任务平均生成约 15 万个输出 token，约为前代的 4 倍；任务成本为 1.18 美元，接近前代的 6 倍。能力上涨，并没有让它比上一代更省。

它相对其他模型仍然便宜。按 Artificial Analysis 的任务成本统计，Gemini 3.8 Flash 为 7.77 美元，Claude Sonnet 5.5 为 10.02 美元，Inkling 2 Small 更接近低价中国模型的区间。

但 1.18 美元是评测中的每任务成本，不能直接当成一次接口请求的价格。原文没有交代这些任务对应的响应耗时，也没有给出一般团队自托管后的硬件成本。

170 亿激活参数不等于整个模型只有 170 亿参数，部署预算仍需考虑 5940 亿总参数。

幻觉指标也有类似问题：幻觉率从 61% 降到 27%，同时回答率从 77% 降到 53%。原文明确指出，下降很大程度上来自模型少回答问题。

这是一种有价值的取舍，但不能只报前一个数字。知识问答系统可能更需要谨慎回答；要求持续交付结果的自动化流程，则还得衡量剩余问题由谁处理。

网页设计值得试，开放权重还要等

视觉部分，Thinking Machines 称模型擅长文字识别、信息图理解和视觉推理。复杂 PDF 问答评测 GDP.pdf 得分为 25.2%，在所比较模型中最高；包含学术图表理解的 MMMU Pro 为 81.6%，视觉感知评测 PerceptionBench 为 64.7%。

和前端最直接相关的是 DesignArena Website：用户对生成的网站进行两两比较，Inkling 2 Small 获得 1,340 Elo，在开放权重模型比较中最高。这个结果值得拿来筛选网页生成候选模型，但不能直接替代对交互、可访问性和代码维护成本的检查。原文也没有提供这些维度的成绩。

他们团队还宣称模型在 3D 建模上有所进步，并展示了仅凭照片识别葡萄酒的实验：20 次尝试中，19 次正确识别三款酒。这个演示很吸睛，但原文没有充分说明实验设计，难以据此判断日常图像理解的可靠程度。

训练规模同样来自公司披露：全部阶段约处理 12 万亿 token；基础训练后的强化学习阶段用了 3 万亿 token，在 2,048 张 GPU 上运行 9 天。原文称训练规模小于同类竞争者，却没有列出完整的对照条件。

目前模型通过 Tinker 平台提供，仍是专有服务。公司计划在外部安全测试完成后，以 Apache 2.0 发布权重，具体日期没说清。原文将这种许可与 Meta、Mistral 的限制性开放权重许可作比较，但没有逐一展开条款。后续还计划推出其他尺寸的家族成员。

我的判断

我更看好它对专用编程和视觉工作流的价值。长周期任务训练、自动检查代码和可调思考深度，确实都对准了实际使用中的难点。不过，训练方法与涨分之间还缺少对照实验，不能把全部进步归因于某一项做法。

「西方最强」也只是限定范围内的说法。原文里的中国模型已经在多个编码项目上领先，且比较名单并不完整。国内团队选模型，没必要围着这个地域标签做决定。

更现实的限制来自公司自己的承认：它沟通有时低效，在大型代码库中不总能选对工具，不支持音频，对聊天优化不足，还可能对健康话题反应过度、输出杂乱。相比直接替换现有通用助手，先放进边界明确的任务里比较，更容易判断收益。

权重尚未发布，Apache 2.0 目前是发布计划，不能当成已经具备的部署条件。

能拿来做什么

• 如果你在比较 AI 编程助手，可以用同一批真实仓库任务测试它，记录测试通过情况、工具选择、总 token 和完成耗时，重点看长步骤任务是否值得多花成本。
• 如果你做网页生成，可以把它列入候选，用同一份需求比较视觉结果，再检查交互是否完整、生成代码是否方便继续修改。
• 如果你做 PDF 或图片问答，应同时记录回答准确率和回答率，确认少答问题带来的人工处理量是否可以接受。
• 如果你打算微调或自托管，可以先通过 Tinker 验证任务效果，等权重与许可正式发布后，再评估部署资源和使用条件。