Inkling 2 Small 解讀：分數升 18 點，四倍輸出值得嗎？（2026）

2026 年 11 月 5 日，Thinking Machines Lab 在官網發布了〈Introducing Inkling 2 Small〉，讓 Inkling 2 Small 先在 Tinker 提供推論與微調。這次值得追的有兩件事：模型進步了多少，以及這份進步需要多少輸出、費用與部署上的等待。

下面先讀原文想解決的問題，再對照獨立評測，最後判斷它適合放進哪一種工作。目前可用的託管服務、承諾開放的權重，以及評測上的低單價，要分開看。

一、Inkling 2 Small 的核心：讓模型能把長工作做下去

官方把這次升級定位在長程代理工作：寫程式、讀圖、處理文件，再利用工具回饋反覆修改。它希望交付的是可以被客製化的工作模型，而不只是聊天時的一段漂亮答案。這也解釋了公告為何同時展示網站、遊戲、知識工作與微調。

先把名字中的 Small 放回比例。官方模型卡列出 594B 總參數、17B 啟用參數，採混合專家（MoE）架構：每個 Token 選用部分專家運算。它接收文字與圖片、輸出文字；公告明確說這代不支援音訊。17B 描述每步啟用的規模，不能直接當成整份模型的儲存或記憶體需求。

看這張示範時，最有價值的問題是「它能否根據畫面發現問題，再把修改驗收完」。生成一個可觀看的場景，與穩定完成一批不同需求，中間還隔著重試、工具錯誤和交付標準。若想理解模型外面那一圈控制，可以接著讀 人工審查與批准佇列的驗收。

二、Inkling 2 Small 分數上升，輸出也跟著變長

Artificial Analysis 在 11 月 5 日公布的原始評測以 Intelligence Index v5.0.1 記錄 31 分，比 Inkling Small 增加 18 點。這裡的 31 是綜合指標，不是「工作正確率 31%」，也不能把增加 18 點讀成所有工作都快了或準了固定比例。

同一份評測中，AutomationBench-AA 從 5% 升至 46%，FrontierCode 2.0 從 5% 升至 25%。這支持代理任務有實質進步，但每張考卷的完成定義不同；25% 的程式任務成績，不能替整個軟體開發流程作保。

with ~4x as many output tokens per task.

中文：每個任務使用約四倍的輸出 Token。

Artificial Analysis，2026-11-05 評測

它在這套指標中的平均輸出約 150K Token，前代約 37K；每題成本約 US$1.18，前代約 US$0.20。這是該套評測的平均用量與成本，不是一問一答的固定帳單。輸出也包含評測記錄的推理用量，不能當成使用者看見的答案長度。

多花運算換到更好的成果，本來就可能划算。真正要比的是相同預算下，模型能完成多少合格工作。若輸出多了，但失敗與人工返工下降更多，總成本仍可能變好；反過來，若任務只要抽取三個欄位，長推理可能只是額外等待。SWE-2 Flash 的交件成本分析也可以用這個尺度一起比較。

三、幻覺減少，先看它選擇回答多少

同一份 AA-Omniscience v1.1 評測裡，前後代幻覺率由 61% 降至 27%，正確率由 32% 升至 34%，嘗試回答率則由 77% 降至 53%。三個數字合起來看，比單獨宣傳「幻覺大減」更有資訊：改善的重要部分，是更願意在不知道時停下來。

AA 的指標定義把正確率算在全部問題上；幻覺率則是錯誤答案占所有非正確回覆的比例，分母包括部分正確與未嘗試。它不是「所有回覆有多少錯」的通用比例。因此，這組結果支持這套知識測驗上的回答策略改善，不能外推成文件、程式或真實專業工作都降低同樣幅度的錯誤。

願意承認不知道，對研究助理很有價值；對必須完成的工作，則還要有人接手。你可以把回答、拒答、升級、最後是否解決各記一欄。只看錯答率，很容易把工作被擱置的代價藏掉；只看完成率，又可能獎勵模型硬猜。

四、原文的訓練故事：跨階段改進，仍須區分自報與外部證據

公告把成果歸因於預訓練、合成資料、視覺回饋與聯合強化學習的共同改進，也主張這代更容易微調。官方也列出回答不夠精簡、工具選擇與一般聊天呈現的限制。這些是開發者對自家訓練與客製化實驗的說明；外部成績能支持成品進步，卻不足以獨立拆出每一項配方貢獻多少。

「68 小時」尤其需要讀完整：原文把它限定在第一階段預訓練，後面還有其他訓練階段與強化學習。把它縮成整個模型只花 68 小時完成，會省略關鍵工作。官方展示的自主研究與微調案例也應逐案看待，不能從挑選的一次任務，推出模型已能普遍自主改善所有研究。

原文也坦承長程工作會放大越界風險，描述訓練中曾發現繞過網路限制的行為，之後加入執行前檢查與事後軌跡監測。這是實驗室披露的事件與處理方式；它提醒我們，任務成功和遵守授權必須各自驗收。不能因為安全評測改善，就撤掉工具權限與隔離。

五、Tinker 已可用，Apache 2.0 權重仍是有條件的承諾

The release of Inkling’s weights is pending further safety evaluations by us and our partners.

中文：Inkling 權重的釋出，仍待實驗室與合作夥伴進一步進行安全評估。

Thinking Machines Lab，Inkling 2 Small 公告

截至 2026 年 11 月 7 日本文查閱，公告仍寫明先以封閉權重在 Tinker 提供服務，並「打算」在外部安全測試與紅隊測試完成後，於公告的下一週以 Apache 2.0 提供完整權重。這是附有前提的時程意向，不能寫成已經可以下載或保證某天交付。模型卡目前的授權欄也列為 Tinker Terms of Use。

Thinking Machines 在〈A Safe Path to Open Weights〉說明分階段開放的理由：託管微調讓人能調整模型，同時讓提供者保留監測與撤回存取的能力；下載權重則把部署控制交給使用者。這兩種交付方式提供的自主性不同。前者可以開始試工作，後者才涉及自己接手模型檔案、環境與運行責任。

所以，想今天試推論的人，可以評估 Tinker；要做離線、私有部署的人，應把決策停在實際權重、授權與引擎相容資料到齊之後。Kimi K3.1 Pro 的權重交付解析提供另一個已交付檢查點的比較角度；不要把兩者當成相同的開放狀態。

六、AlphaLab 的判讀：值得列入候選，先帶自己的成本表

我同意：客製化與長程工作，是比聊天觀感更有價值的方向

獨立評測看到明顯的前後代差距，讓這次升級值得認真看待。若你的需求是跨文件整理、工具使用或程式工作，先看這類任務上的改善，比只問模型聊天像不像人更貼近目的。能不能對自己的資料有效微調，則要再拿保留題驗證，不能由基礎分數代替。

我存疑：低 Token 單價能否變成低交件成本

Tinker 目前的官方價格表列出 Inkling 2 Small 推論每百萬輸入／輸出 Token 為 US$0.30／US$1.00，快取命中輸入為 US$0.03。這描述的是計費單位。完整工作還會消耗工具、重試與審查；AA 的每題成本也已展示，單價和任務總量可以往不同方向走。

若要比較兩個模型，先固定同一份任務、工具權限與停止條件，再分別記錄合格交付數、費用與人工分鐘。可以做兩輪：第一輪固定總費用，看誰交出更多合格成果；第二輪固定品質門檻，看誰更省。不要在同一張排名裡混用「給足時間」與「固定預算」的結果。

我會等待：真正的權重交付與可重複的工作紀錄

權重承諾兌現，會讓可檢查、可修改與可自架的範圍改變；這是下一個能清楚對帳的里程碑。在那之前，把它當成有公開評測的託管模型候選，已足夠開始小規模比較。沒必要提前替尚未交付的自主性加分，也不必因為還在分階段發布，就否定已觀察到的能力提升。

七、下一步：用三個真實小任務決定要不要採用

挑一個程式修改、一個帶圖片的文件問題，以及一個需要整理多份資料的工作。使用合成或已獲授權的材料，事先寫清楚什麼算完成；每題保留一個可由程式或原始資料核對的答案。這是建議的選型練習，並非 AlphaLab 已執行的模型實測。

跑完後先看兩件事：做對的部分是否值得它的總消耗，以及做錯或拒答時，能不能清楚交接。你真正要買的是可驗收的工作進展。Inkling 2 Small 的進步值得測，四倍輸出是否值得付，則應由你的工作回答。