Перейти к содержимому
RouterNodul

Inkling 2 Small API

ID модели в запросах:global-1/thinkingmachines/inkling-2-small

Inkling 2 Small от Thinking Machines через один OpenAI-совместимый API Nodul Router: ключ с лимитами, журнал запросов, оплата в рублях.

ГлобальныйИзображенияИнструментыРассужденияБез хранения данных (ZDR)
Контекст
1 048 576
Макс. ответ
943 718
Выпущена
09.11.2026

Цены за 1 млн токенов, ₽Цены за 1 млн токенов, PnP

РегионПопробоватьВходВыходЧтение кэшаID модели в запросах
Глобальный · global-1Попробовать33,00 ₽0,33 PnP110 ₽1,10 PnP3,30 ₽0,04 PnPglobal-1/thinkingmachines/inkling-2-small

Цены розничные, без НДС (5 %). Для компаний — персональные цены по договору: чем больше объем, тем ниже цена.Узнать свою цену

Быстрый старт

curl https://router.nodul.ru/api/v1/chat/completions \
  -H "Authorization: Bearer $NODUL_ROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "global-1/thinkingmachines/inkling-2-small",
    "messages": [{"role":"user","content":"Hello!"}]
  }'

Описание

Inkling 2 Small от Thinking Machines Lab, первая модель второго поколения семейства Inkling: MoE на 594 млрд параметров, 17 млрд активных. Принимает текст и изображения, рассуждает с настраиваемым усилием, сильна в агентном коде и офисных задачах. Веса открыты под Apache 2.0.

Для чего подходит Inkling 2 Small

Разработчик делал модель для длинных автономных задач: агентный код, исследовательские задачи с запуском экспериментов, работа с таблицами, презентациями и записками, а также код с обратной связью по картинке. Модель сама смотрит на результат, например на отрисованную страницу или 3D-сцену, и дорабатывает его. В карточке модели перечислены сценарии: агенты с инструментами, помощники для программирования, чат-боты и системы с поиском по документам (RAG).

Через Роутер принимаются текст и изображения, ответ приходит текстом. Доступны вызов инструментов, структурированный вывод и управление усилием рассуждений.

Не стоит брать ее как основу для красивого диалогового ассистента: разработчик сам пишет, что модель хуже оптимизирована под чат. Аудио она не понимает (в отличие от первых Inkling), а в терминальных задачах по методике Terminal-Bench 4.0 заметно отстает от сильных конкурентов.

Сильные стороны

  • Агентная работа. По замерам Artificial Analysis, на AutomationBench-AA результат вырос с 5% у Inkling Small до 46%, на FrontierCode 2.0 с 5% до 25%. Там же она обходит Claude Sonnet 5.5 (medium) на FrontierCode 2.0: 25% против 11%.
  • Офисные задачи. На AA-Briefcase, тесте длинных рабочих процессов с таблицами, презентациями и записками, у нее 1527 Elo против 912 у Inkling Small и 1203 у Gemini 3.8 Flash (high).
  • Зрение и визуальное творчество. По данным разработчика, модель сильна в распознавании текста, привязке к области на картинке и чтении инфографики; в таблице карточки модели она впереди сравниваемых моделей по четырем замерам DesignArena. В общем рейтинге DesignArena Website на 5 ноября (диаграмма в релизе, по данным разработчика) она на третьем месте после двух моделей Meta и выше открытых Kimi K3 и DeepSeek V4.1 Flash 1017. На AA-3D по замерам Artificial Analysis у нее 1021 Elo против 966 у Gemini 3.8 Flash.
  • Меньше выдуманных ответов. В AA-Omniscience доля галлюцинаций упала с 61% у Inkling Small до 27%, итоговая оценка выросла с -9 до 16. Главная причина в том, что модель чаще воздерживается от ответа.
  • Открытые веса. Лицензия Apache 2.0; веса опубликованы на Hugging Face 12 ноября 2026 года (по обновлению в релизе разработчика), спустя неделю после запуска в закрытом доступе 5 ноября.

Ограничения и спорные моменты

  • Расход токенов. В индексе Artificial Analysis она тратит около 150 тысяч выходных токенов на задачу: примерно в четыре раза больше Inkling Small (около 37 тысяч) и заметно больше Gemini 3.8 Flash (high, около 99 тысяч). Для запросов с высоким усилием закладывайте больше времени и токенов.
  • Терминал. На Terminal-Bench 4.0 результат 13% (оба источника), у Claude Sonnet 5.5 (medium) 30% по Artificial Analysis. При этом на Terminal-Bench 2.1 разработчик приводит 81,3%: версии теста разные, прямо их сравнивать нельзя.
  • Чат и аудио. Разработчик называет модель не самым лаконичным собеседником, отмечает хуже структурированные ответы, лишние слеши и чрезмерную реакцию на вопросы о психическом здоровье. Аудио не поддерживается.
  • Выбор инструментов. По словам разработчика, модель не всегда выбирает лучший инструмент, особенно в кодовых базах с большим числом навыков (skills).
  • Знания. Точность в AA-Omniscience лишь 34% (у Inkling Small 32%), на практике она просто реже рискует отвечать. Для справочных ответов без поиска нужна проверка.
  • Цифры разработчика. Большинство результатов в таблице получены самой Thinking Machines при усилии xhigh и температуре 1,0; ряд тестов взят из внешних отчетов. Для критичных областей (медицина, право) карточка модели рекомендует дообучение, проверку и участие человека.

Бенчмарки

ТестРезультатИсточникДата
Artificial Analysis Intelligence Index v5.0.1 (в карточке разработчика 30,6 на версии v5.0)31Artificial Analysisнояб. 2026
FrontierCode v2.0, по данным разработчика25,4%Карточка моделинояб. 2026
DeepSWE v1.1, по данным разработчика72,1%Карточка моделинояб. 2026
SWE-bench Pro v2 (Hard / Full), по данным разработчика86,3% / 97,7%Релизнояб. 2026
Terminal-Bench 2.1, по данным разработчика81,3%Карточка моделинояб. 2026
Terminal-Bench 4.0, по данным разработчика13,1%Карточка моделинояб. 2026
BrowseComp (с компакцией контекста), по данным разработчика90,2%Карточка моделинояб. 2026
AA-Briefcase1527 EloArtificial Analysisнояб. 2026
GPQA Diamond, по данным разработчика93,0%Карточка моделинояб. 2026
Humanity's Last Exam, только текст, по данным разработчика44,1%Карточка моделинояб. 2026
ARC-AGI-2, по данным разработчика81,7%Карточка моделинояб. 2026
MMMU Pro (Standard 10), по данным разработчика81,6%Карточка моделинояб. 2026
AA-Omniscience v1.1, итоговая оценка16Artificial Analysisнояб. 2026

Чем Inkling 2 Small отличается от Inkling и Inkling Small

Семейство Inkling открыла Thinking Machines Lab: Inkling (975 млрд параметров, 41 млрд активных) и Inkling Small (276 млрд, 12 млрд активных) принадлежат первому поколению. Inkling 2 Small открывает второе: общий размер у нее больше, чем у Inkling Small, активных параметров 17 млрд.

  • Агентные задачи. Здесь разрыв самый большой: по Artificial Analysis, индекс вырос на 18 пунктов относительно Inkling Small, а автоматизация рабочих процессов и код дали прирост в разы (см. выше).
  • Зрение. Улучшилось, и модель умеет проверять собственный визуальный результат; по 3D и видео, написанному кодом, она далеко впереди Inkling.
  • Аудио. Исчезло: первые две модели принимали звук, эта нет. Если нужен голос или записи, берите Inkling Small или Inkling.
  • Расход. Модель думает заметно дольше и тратит больше токенов, чем Inkling Small. Для простых запросов и быстрых ответов Inkling Small остается экономичнее.
  • Когда выбирать. Inkling 2 Small берите для агентов, кода и офисных задач; Inkling Small для запросов с аудио и коротких ответов.

Альтернативы в каталоге

  • DeepSeek V4.1 Flash 1017: по таблице разработчика чуть выше по общему индексу и коду, принимает текст и изображения; берите для кода и когда важна точность в DeepSWE. Та же модель есть в регионе Россия: DeepSeek V4.1 Flash 1017 (Россия), с изображениями на входе, инструментами и рассуждениями, если нужен российский регион.
  • GLM 5.3 Flash: быстрая модель с изображениями и видео на входе, в таблице разработчика лучше в Terminal-Bench 4.0.
  • Kimi K3: заметно крупнее (104 млрд активных параметров), принимает видео; в таблице разработчика выше на SWE-bench Multilingual и Terminal-Bench 2.1. Берите, если нужна более тяжелая модель.
  • MiniMax M3.1 Flash: сопоставимая по классу модель с видео на входе и лучшим результатом в AutomationBench-AA в таблице разработчика.

Частые вопросы

Принимает ли Inkling 2 Small изображения и аудио?

Изображения да, аудио нет. Через Роутер принимаются текст и изображения, ответ приходит текстом. Для звука смотрите Inkling или Inkling Small.

Поддерживает ли она рассуждения, инструменты и структурированный вывод?

Да, все три возможности есть в каталоге. Усилие рассуждений настраивается: разработчик обучал модель искать баланс между скоростью и тщательностью, а при высоком усилии она тратит заметно больше токенов.

Подходит ли она для чат-бота?

С оговорками. Разработчик прямо пишет, что модель хуже оптимизирована под чат: ответы бывают плохо структурированы, а на вопросы о самочувствии она реагирует лишними оговорками. Для агентов, кода и документов она подходит лучше.

Можно ли развернуть ее у себя?

Да, веса под Apache 2.0 лежат на Hugging Face. По карточке модели основной чекпойнт NVFP4 требует не менее 500 ГБ видеопамяти, например 4 карты NVIDIA H200 или 2 B300, вариант MXFP8 около 800 ГБ. Запуск возможен через SGLang, vLLM, TokenSpeed и Unsloth.

Чем она лучше Inkling Small?

Агентным кодом, офисными задачами, зрением и меньшей долей выдуманных ответов. Но она тратит гораздо больше токенов и не понимает аудио.

Источники

Результаты в бенчмарках

Независимый замер источника по умолчанию и цифра разработчика, если он ее публиковал.

Независимое измерениеПо данным разработчика
Сравнить с другими моделями
Все параметры API · 20
  • frequency_penalty
  • include_reasoning
  • logit_bias
  • logprobs
  • max_tokens
  • min_p
  • presence_penalty
  • reasoning
  • reasoning_effort
  • repetition_penalty
  • response_format
  • seed
  • stop
  • structured_outputs
  • temperature
  • tool_choice
  • tools
  • top_k
  • top_logprobs
  • top_p

Все модели Thinking Machines