Выполнение одной задачи на Inkling 2 Small обходится в $1,18 — это почти шестикратный рост затрат по сравнению с предыдущим поколением, который напрямую ставит под сомнение юнит-экономику внедрения инфраструктуры с открытыми весами. Стартап Thinking Machines, основанный бывшим техническим директором OpenAI Мирой Мурати, выпустил MoE-модель (смесь экспертов) с общим объемом в 594 млрд параметров, из которых во время инференса активно задействуются 17 млрд. Этот релиз ставит перед техническими руководителями прямой операционный вопрос: оправдывает ли прирост в бенчмарках шестикратный скачок расходов на вычисления в расчете на одну задачу.
Переход на архитектуру смеси экспертов с регулируемой глубиной рассуждений обеспечивает более высокие баллы в автоматизированных рабочих процессах, но одновременно раздувает объем генерируемых токенов. В рейтинге Artificial Analysis Intelligence Index модель Inkling 2 Small набрала 31 балл, продемонстрировав скачок на 18 пунктов относительно предшественника и сравнявшись с Gemini 3.8 Flash от Google.
Результаты в бенчмарках и рост затрат
Архитектурный сдвиг наиболее отчетливо проявляется в многоэтапных агентных сценариях. В тесте AutomationBench-AA показатель модели вырос с 5% до 46%, а результат в FrontierCode 2.0 поднялся с 5% до 25%. В бенчмарке для интеллектуальных задач AA-Briefcase модель Inkling 2 Small достигла 1 527 пунктов рейтинга Elo, что на 615 пунктов выше показателей оригинальной версии.
Модель генерирует в среднем около 150 000 выходных токенов на одну задачу, поднимая стоимость исполнения до $1,18.
По данным Artificial Analysis, такой объем токенов означает четырехкратное увеличение генерации на выходе, что и формирует финансовую основу ценника в $1,18. В FrontierCode 2.0 модель Inkling 2 Small показала результат в 25,4%, достигнув 72,1% в DeepSWE и 86,3% в SWEBench Pro v2 (Hard). В мультимодальных тестах система продемонстрировала 25,2% на GDP.pdf, 81,6% на MMMU Pro, 64,7% на PerceptionBench и набрала 1 340 пунктов Elo на DesignArena Website. В отдельном слепом тесте модель смогла определить три сорта вина в 19 из 20 попыток исключительно по фотографиям.
Компромисс надежности
За впечатляющими заголовками бенчмарков скрывается критическое структурное расхождение. Хотя зафиксированный уровень галлюцинаций снизился с 61% до 27%, это улучшение произошло одновременно с резким падением доли ответов на запросы. Процент успешных ответов модели упал с 77% до 53% — это означает, что видимое сокращение ошибок во многом обусловлено прямым отказом отвечать на сложные промпты.
В Thinking Machines также признали наличие эксплуатационных ограничений: модель периодически взаимодействует неэффективно, не может подобрать оптимальные инструменты для крупных кодовых баз, лишена поддержки аудио и выдает перегруженные ответы на медицинскую тематику. При этом затраты на обучение оставались относительно сдержанными: модель обработала 12 трлн токенов на всех этапах, а этап обучения с подкреплением (RL) потребовал 3 трлн токенов на кластере из 2 048 GPU в течение девяти дней.
Сторонники решения подчеркивают, что при цене $1,18 за задачу Inkling 2 Small остается значительно дешевле закрытых аналогов — Gemini 3.8 Flash ($7,77) и Claude Sonnet 5.5 ($10,02).
Такая разница в стоимости приближает систему к бюджетным альтернативам, однако реальная практика внедрения покажет, компенсирует ли экономия падение доли выполненных задач. Сейчас Thinking Machines распространяет Inkling 2 Small как проприетарное решение на платформе Tinker, но планирует открыть веса под лицензией Apache для прямой ценовой конкуренции с китайскими разработками.
В сухом остатке позиционирование Inkling 2 Small строится на предоставлении исключительной эффективности рассуждений для узких корпоративных процессов. Однако реальность эксплуатации предлагает систему, которая берет в шесть раз больше за задачу и при этом отказывается отвечать почти на половину пользовательских запросов.
Для сравнения
Увеличение бюджета на инференс почти в шесть раз рискует не окупиться в реальных рабочих процессах, где система просто сбрасывает половину входящих задач. Падение галлюцинаций до 27% выглядит солидно ровно до тех пор, пока модель не начинает просто молчать на каждый второй сложный запрос.
Наши материалы: Thinking Machines Миры Мурати: переход к моделям взаимодействия (12 мая).