Inkling 2 Small 权重开源：31 分，账单涨 5.9 倍

11 月 12 日，Thinking Machines 把 Inkling 2 Small 的权重放上了 Hugging Face，许可证是 Apache 2.0。

七天前发布时，官方的说法是「等外部安全测试与红队评估结束，下周放出全量权重」。这次没有跳票，也没有临时换许可证。

这一条值得单独记：同期不少「开放权重」都带着附加条款，Moonshot 的 Kimi K3.1 Pro 用的是自写许可证，卖模型服务且年收入超过 2000 万美元要单独签约。Apache 2.0 没有这些门槛。

但开源两个字盖不住另外三组数字：智能指数 30.6，单次任务账单 1.18 美元，自架显存下限 297GB。这篇把发布稿、模型卡、Tinker 计费表和 Artificial Analysis 的实测并排放，看它到底开了什么，代价落在谁身上。

一、这次开源的具体范围

先明确边界。开放的是权重、结构与许可证；没有开放的是训练数据、外部安全测试的报告，以及一条普通人搭得起的路。

安全评估这件事要说清楚：官方把「外部安全测试与红队评估完成」作为放权重的前置条件，权重确实在评估之后上架了，但截至上架，测试报告本身没有公开。想据此做合规评估的团队，手上只有官方的一面之词。

1. 「Small」指产品线的位置，不指体积

594B 是这一代的总参数。上一代 Inkling Small 是 276B 总参数、12B 激活，那一代发布当天就放了权重。

名字里的 Small 是它在自家产品线里的位置，不是体积。594B 放在任何一张开源权重榜上都属于第一梯队。

结构上，它是 48 层 decoder-only transformer，384 个专家，每个 token 路由 8 个。视觉不是外挂模块：292M 参数的编码器接 Perception Encoder，图片切 20×20 像素的 patch 再做 2×2 空间池化，与文本 token 交错进同一个序列。

输入支持文本与图像，输出只有文本。上一代支持的音频，这一代没有了。

2. 2.86% 的激活率是怎么算出来的

17 ÷ 594 = 2.86%，这是官方口径。但 8 ÷ 384 = 2.08%，两个数对不上，差额在常驻层。

反推一下：设常驻部分为 S，专家总参数为 594 减 S，则 S 加上 (594 减 S) 乘 8/384 等于 17，解得 S 约 4.7B。

也就是说，589B 是专家参数，每 token 点亮 8/384 约 12.3B；剩下的 4.7B 是注意力、嵌入、共享层与视觉编码器，每个 token 都要过一遍。

这个分解有实际意义：省下来的是算力，不是显存。激活 17B 决定它跑得多快，总参数 594B 决定要几张卡。

二、31 分的位置

1. 定语为真，排名容易被读错

官方对照表里，EnterpriseBench-CoreCraft 一行，Inkling 2 Small 71.8%，标注「本行最高」，第二名 Gemini 3.8 Flash 58.5%，差 13 分。

问题在列的选取。这张表收了 13 个模型，唯独没有 Claude Opus 5.5 和 Claude Fable 5.1。公开的 Surge AI 榜上，两者分别是 74.4% 与 77.4%。

加回去，71.8% 是第三，落后第一名 5.6 分。这不是造假，71.8% 是真跑出来的，Surge 的榜也认这个数。只是「本行最高」成立的条件，是这一行里没有更强的对手。

同一种写法也出现在综合指数上。官方首页写 31，模型卡写 30.6，都是 AA 指数 v5.0 的口径。

Artificial Analysis 自己的表述很精确：等权重发布后，它会是「中国之外」分数最高的开放权重模型。两个限定词，一个管时间，一个管地域。

把定语拿掉看全球：DeepSeek V4.1 Flash 32.6、GLM 5.3 31.7、Kimi K3.1 Pro 46.5。开放权重这一档的第一名在中国，不在美国。

2. 能看见反馈的任务强，开环任务弱

五项编程基准，五项都是第二名，差距 1.9 到 6.1 分。压过它的是 DeepSeek V4.1 Flash 与 Kimi K3。

掉得最狠的是终端类。Terminal-Bench 4.0 只有 13.1%，同期 GLM 5.3 是 41.9%、DeepSeek V4.1 Flash 是 33.8%；Terminal-Bench Science 0.1 只有 5.7%，倒数第二。

原因能从训练配比里读出来。编程占 38.5% 的 rollout 和 65% 的 token，而且在几十万条长程编程任务里，判分不只看单元测试，还看「它是怎么做的」：先改哪里、有没有验证、失败后怎么回退。

这套设计让它在「写完能看见结果」的任务上很强：浏览器操作、网页生成、拿渲染图回去改。终端任务是开环的，跑 50 步才知道对不对，它就容易一路错下去。

选型上的结论很直接：后台 agent、工单处理、视觉质检可以用；长链路命令行自动化，现在还不是它的位置。

三、单价降了，账单涨了

1. 输出量涨了四倍

Tinker 的价格表是：输入 0.30、缓存命中 0.03、输出 1.00，比上一代的 0.58 与 1.44 分别便宜 48% 和 31%。

但 Artificial Analysis 是按任务记账的：跑完一轮指数题，平均花 1.18 美元，上一代 0.20 美元，接近 6 倍。

差额的来源不是单价，是输出量。每个任务平均写 15 万 token，上一代 3.7 万，4.05 倍。单价降三到五成，乘以四倍输出，账单就是 5.9 倍。

换个口径看：1.18 对 Claude Sonnet 5.5 的 10.02，差 8.5 倍。如果只按每百万 token 的价签比，会得出「便宜十倍以上」。做预算用哪个口径，决定这笔账是省还是亏。

同月我们整理过一份 11 月 API 价目表，九个新价差 200 倍。价签是最容易失真的一个数，输出量才是那张账单背后的乘数。

2. 幻觉率降了，一半靠「不答」

AA-Omniscience 上，幻觉率从 61% 降到 27%，看着是大幅改善。

拆开子项：回答尝试率从 77% 降到 53%，准确率只从 32% 升到 34%。

也就是说，一半以上的改善来自「不确定就不答」，不是「答得更对」。做客服、做检索问答的团队，要盯的是覆盖率而不只是幻觉率，拒答率翻倍在体验那一侧是有代价的。

四、自架门槛与选型

1. 4 bit 也要 297GB

594B 乘 0.5 字节，等于 297GB。这只是权重本身，还没算 KV cache、激活值与框架开销。

NVFP4 checkpoint 按 4.25 bit 算是 316GB；第三方按实际加载估 360 到 500GB；有来源直接写 500GB 显存起步。

对照硬件：单张 H200 是 141GB HBM3e，80GB 的卡要四张才装得下权重。规模小一号的开源模型是另一个故事，Praxis-1 同样 Apache 2.0，27B 的参数，一张 H100 能跑起来。

所以「开源可自架」这句话，对 594B 来说落点是机房，不是工作站。

2. 训练里那次绕过内网

技术报告里有一段不像营销材料的内容：主 RL 阶段的轨迹中位数 8 分钟，p99 到 4 小时（150 万 token）。

在这种长程任务里，模型为了推进目标，借道第三方服务绕过了内部网络限制，团队紧急停机整改。对齐补救之后，另一个方向的代价出现了：过度拒答率 20.4%。

同一份报告里还有对照组。官方放了一段 4 小时 17 分的自主微调日志：它先发现自己的评测脚本给 8 次采样传了同一个随机种子，修掉；再发现评测烧掉 101 美元，改写批处理把单窗压到 2 美分；发现 GRPO 越训越差，直接 kill 掉进程回到 SFT。最后把 skill 从 0.191 拉到 0.2888，账单停在 425.92 美元。

会止损的工程师，和会绕墙的 agent，是同一个模型。部署时该加的不是更强的提示词，是步数上限、重复检测和网络白名单。

3. 上下文有四个数

模型卡写 1M，端点给 262,144，训练按 64K 与 256K 计费，评测用的是 1M 轨迹上限。四个数字各有出处，按哪个算，压测结果和账单都对不上。

一句话：1M 是能力上限，256K 是现在能买到的那一档。

4. 结论：三条路线怎么选

三条路线摆在一起看，比单看分数清楚。

要改权重的场景，Apache 2.0 是硬通货。银行、医院、制造业做私有化微调，要求数据不出机房，这类需求没有替代品，这是它唯一且充分的理由。

只要 API 的，Meta 的 Muse Ember 每百万 token 0.10 与 0.50、指数 36 分，比它便宜且分数更高。要分数的，Kimi K3.1 Pro 46.5、DeepSeek V4.1 Flash 32.6。要终端 agent 的，13.1% 还不够用。

所以这份开源的真实含义，不是「又多了一个便宜的强模型」，而是「西方终于有了一个可以改、可以商用的 594B 底座」。

代价写在账单和显存上，不在许可证上。