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.
- Контекст
- 1 048 576
- Макс. ответ
- 943 718
- Выпущена
- 09.11.2026
Цены за 1 млн токенов, ₽Цены за 1 млн токенов, PnP
| Регион | Попробовать | Вход | Выход | Чтение кэша | ID модели в запросах |
|---|---|---|---|---|---|
| Глобальный · global-1 | Попробовать | 33,00 ₽0,33 PnP | 110 ₽1,10 PnP | 3,30 ₽0,04 PnP | global-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
Цены со скидкой по ссылке партнера, без НДС (5 %). Зарегистрироваться
Цены со скидкой вашей компании, без НДС (5 %).Ваши условия
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!"}] }'
import os from openai import OpenAI client = OpenAI( base_url="https://router.nodul.ru/api/v1", api_key=os.environ["NODUL_ROUTER_API_KEY"], ) response = client.chat.completions.create( model="global-1/thinkingmachines/inkling-2-small", messages=[{"role": "user", "content": "Hello!"}], ) print(response.choices[0].message.content) print("cost, PnP:", response.usage.model_extra.get("cost"))
import OpenAI from "openai"; const client = new OpenAI({ baseURL: "https://router.nodul.ru/api/v1", apiKey: process.env.NODUL_ROUTER_API_KEY, }); const response = await client.chat.completions.create({ model: "global-1/thinkingmachines/inkling-2-small", messages: [{ role: "user", content: "Hello!" }], }); console.log(response.choices[0].message.content); console.log("cost, PnP:", response.usage?.cost);
package main import ( "bytes" "encoding/json" "fmt" "net/http" "os" ) func main() { body := []byte(`{"model":"global-1/thinkingmachines/inkling-2-small","messages":[{"role":"user","content":"Hello!"}]}`) req, _ := http.NewRequest("POST", "https://router.nodul.ru/api/v1/chat/completions", bytes.NewReader(body)) req.Header.Set("Authorization", "Bearer "+os.Getenv("NODUL_ROUTER_API_KEY")) req.Header.Set("Content-Type", "application/json") resp, err := http.DefaultClient.Do(req) if err != nil { panic(err) } defer resp.Body.Close() if resp.StatusCode != http.StatusOK { var e struct{ Error struct{ Message string } } _ = json.NewDecoder(resp.Body).Decode(&e) fmt.Fprintln(os.Stderr, resp.Status, e.Error.Message) os.Exit(1) } var out struct { Choices []struct{ Message struct{ Content string } } Usage struct{ Cost json.Number } } if err := json.NewDecoder(resp.Body).Decode(&out); err != nil { panic(err) } fmt.Println(out.Choices[0].Message.Content) fmt.Println("cost, PnP:", out.Usage.Cost) }
<?php $body = '{"model":"global-1/thinkingmachines/inkling-2-small","messages":[{"role":"user","content":"Hello!"}]}'; $ch = curl_init('https://router.nodul.ru/api/v1/chat/completions'); curl_setopt_array($ch, [ CURLOPT_POST => true, CURLOPT_HTTPHEADER => [ 'Authorization: Bearer ' . getenv('NODUL_ROUTER_API_KEY'), 'Content-Type: application/json', ], CURLOPT_POSTFIELDS => $body, CURLOPT_RETURNTRANSFER => true, ]); $response = json_decode(curl_exec($ch), true); if (curl_getinfo($ch, CURLINFO_HTTP_CODE) !== 200) { fwrite(STDERR, $response['error']['message'] ?? 'request failed'); exit(1); } echo $response['choices'][0]['message']['content'], PHP_EOL; echo 'cost, PnP: ', $response['usage']['cost'], PHP_EOL;
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
| Тест | Результат | Источник | Дата |
|---|---|---|---|
| Artificial Analysis Intelligence Index v5.0.1 (в карточке разработчика 30,6 на версии v5.0) | 31 | Artificial Analysis | нояб. 2026 |
| FrontierCode v2.0, по данным разработчика | 25,4% | Карточка модели | нояб. 2026 |
| DeepSWE v1.1, по данным разработчика | 72,1% | Карточка модели | нояб. 2026 |
| SWE-bench Pro v2 (Hard / Full), по данным разработчика | 86,3% / 97,7% | Релиз | нояб. 2026 |
| Terminal-Bench 2.1, по данным разработчика | 81,3% | Карточка модели | нояб. 2026 |
| Terminal-Bench 4.0, по данным разработчика | 13,1% | Карточка модели | нояб. 2026 |
| BrowseComp (с компакцией контекста), по данным разработчика | 90,2% | Карточка модели | нояб. 2026 |
| AA-Briefcase | 1527 Elo | Artificial Analysis | нояб. 2026 |
| GPQA Diamond, по данным разработчика | 93,0% | Карточка модели | нояб. 2026 |
| Humanity's Last Exam, только текст, по данным разработчика | 44,1% | Карточка модели | нояб. 2026 |
| ARC-AGI-2, по данным разработчика | 81,7% | Карточка модели | нояб. 2026 |
| MMMU Pro (Standard 10), по данным разработчика | 81,6% | Карточка модели | нояб. 2026 |
| AA-Omniscience v1.1, итоговая оценка | 16 | Artificial Analysis | нояб. 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.
- Terminal-Bench 4.0Vals AI12,6313,1
- SWE-bench Pro V2Scale AI86,27—
- SWE Atlas QnA v1.1Scale AI74,2 ±7,8—
- SWE Atlas Test Writing v1.1Scale AI58,1 ±10,4—
- SWE Atlas Refactoring v1.1Scale AI53,3 ±12—
- Code Arena WebDev 2026Arena1 645 ±18,5—
Все параметры API · 20
frequency_penaltyinclude_reasoninglogit_biaslogprobsmax_tokensmin_ppresence_penaltyreasoningreasoning_effortrepetition_penaltyresponse_formatseedstopstructured_outputstemperaturetool_choicetoolstop_ktop_logprobstop_p

