Inkling 2 Small বনাম DeepSeek-V4.1-Flash: কোডিংয়ের জন্য কোন মডেল?

সংক্ষিপ্ত উত্তর: Inkling 2 Small-এর জন্য Thinking Machines প্রকাশিত টেবিলে (৫ নভেম্বর ২০২৬-এর রিলিজ পেজ, ৭ নভেম্বর যাচাই করা), DeepSeek-V4.1-Flash-1017 ছয়টি কোডিং সারির মধ্যে পাঁচটিতে এগিয়ে আছে যেখানে উভয় মডেলের সংখ্যা আছে। Inkling একটিতে এগিয়ে, এবং এর ওয়েব-ডিজাইন র‍্যাঙ্ক শক্তিশালী। তবে এটি ভেন্ডরের নিজের টেবিল, তাই এটিকে আপনার কোডে একটি ছোট পরীক্ষা চালানোর কারণ হিসেবে দেখুন, চূড়ান্ত রায় হিসেবে নয়।

যদি আপনি "Inkling প্রায় DeepSeek-এর কাছাকাছি" ধরনের শিরোনাম দেখে ভেবে থাকেন আপনার কোডিং এজেন্ট বদলাবেন কি না, তাহলে এই ক্রমে এগোন: আপনার কাজের সাথে মেলে এমন সারিগুলো পড়ুন, টেবিল যা দেখাতে পারে না তা দেখুন, নিজের পাঁচটি প্রম্পট চালান, এবং একটি সম্পন্ন কাজের উপর খরচ বসান।

Inkling 2 Small কী#

রিলিজ পেজ অনুযায়ী, Inkling 2 Small হলো Thinking Machines Lab-এর দ্বিতীয় প্রজন্মের মডেল। এটি একটি Mixture-of-Experts মডেল, মোট 594B প্যারামিটার এবং প্রতি টোকেনে 17B সক্রিয়। এটি ছবি গ্রহণ করে (অডিও নয়) এবং একটি পরিবর্তনশীল effort সেটিং আছে। এখন এটি Tinker-এ চলে, ল্যাবের সার্ভারলেস ইনফারেন্স সার্ভিস, যা Beta-তে আছে।

দুটি বিষয় সহজে চোখ এড়ায়। ওয়েটগুলো এখন বন্ধ: ল্যাব বাহ্যিক সেফটি টেস্টিংয়ের পর "আগামী সপ্তাহে" Apache 2.0-এর অধীনে প্রকাশের পরিকল্পনা করেছে, এবং বলেছে অন্যান্য প্ল্যাটফর্ম "আগামী সপ্তাহগুলোতে" আসবে। ফাইলগুলো সত্যিই বের না হওয়া পর্যন্ত এটি একটি পরিকল্পনা, তথ্য নয়। আর কনটেক্সট: Tinker মডেল তালিকায় সর্বোচ্চ 256K দেখায়। রিলিজ পেজে 512K এবং 1M সংখ্যাগুলো ট্রেনিং ও ইভালুয়েশন সেটিংস, আজ আপনি যা পাঠাতে পারবেন তা নয়।

এখানে তারিখগুলো স্বাভাবিকের চেয়ে বেশি গুরুত্বপূর্ণ, কারণ অফারের অর্ধেক একটি প্রতিশ্রুতি:

টেবিল সারি ধরে ধরে পড়া#

ভেন্ডর Inkling 2 Small-কে DeepSeek-V4.1-Flash-1017-এর সাথে তুলনা করে। DeepSeek-এর ডক অনুযায়ী deepseek-flash অ্যালিয়াস এখন সেই ভার্সন দ্বারা সার্ভ করা হয় (পেজে তারিখ নেই, ৭ নভেম্বর ২০২৬ যাচাই করা)। এখানে সেই সারিগুলো যেখানে উভয় মডেলের সংখ্যা আছে। শেষ কলামটি শুধু বিয়োগফল।

একটি যাচাই: 77.0 - 72.1 = 4.9। সারিগুলো গুনুন এবং DeepSeek পাঁচটিতে এগিয়ে, Inkling একটিতে।

আপনার দলকে এই টেবিল উদ্ধৃত করার আগে কয়েকটি বিষয় খেয়াল করুন।

• সবচেয়ে বড় ব্যবধান সবচেয়ে অপরিপক্ব সারিতে। Terminal Bench Science ভার্সন 0.1-এ, এবং 12.9% বনাম 5.7% দ্বিগুণেরও বেশি। এটি টার্মিনাল-ধরনের কাজ সম্পর্কে একটি ইঙ্গিত, চূড়ান্ত রায় নয়।
• একটি সারিতে মুখোমুখি তুলনা নেই। SWEBench Pro v2 (Hard) Inkling-কে 86.3%-এ দেখায় এবং DeepSeek-কে not reported। একটি সংখ্যাকে ফাঁকা জায়গার সাথে তুলনা করা যায় না।
• ছোট ব্যবধান ছোট। যে বেঞ্চমার্ক আপনি কখনো চালাননি তাতে 1.4 বা 3.1 পয়েন্টের ব্যবধান রেপো বা প্রম্পট বদলালে টিকে নাও থাকতে পারে।
• পেজটি একবার নিজের সাথে বিরোধ করে। Artificial Analysis Intelligence Index টেক্সটে 31 এবং টেবিলে 30.6 (v5.0), কোনো ব্যাখ্যা ছাড়াই। এটি ছোট বিষয়, তবে ফুটনোট পড়ার reminder।

এখানে কিছুই এখনো স্বাধীনভাবে পুনরুৎপাদিত হয়নি; সব সংখ্যা Inkling ভেন্ডরের কাছ থেকে।

ওয়েব ডিজাইন আলাদা সারি#

যদি আপনার কাজ বাগ ঠিক করার বদলে ওয়েবসাইট তৈরি করা হয়, প্রাসঙ্গিক সংখ্যা হলো DesignArena Website। রিলিজ পেজের ৫ নভেম্বরের স্ন্যাপশটে, Inkling 2 Small স্কোর করেছে 1,340, Muse Wonder (1,366) এবং Muse Spark 1.3 (1,351)-এর পরে তৃতীয়। ভেন্ডর আশা করে ওয়েট বের হওয়ার পর এটি সেখানে শীর্ষ ওপেন-ওয়েটস মডেল হবে। প্রথম স্থানের সাথে ব্যবধান 1,366 - 1,340 = 26 পয়েন্ট।

এটি জেনারেট করা পেজ তুলনা করা মানুষের একটি লিডারবোর্ড, তাই এটি চেহারা সম্পর্কে বাস্তব কিছু বলে। তবে পেজটি এই সারিতে কোনো DeepSeek সংখ্যা দেয় না, তাই পড়ার মতো কোনো মুখোমুখি তুলনা নেই। স্ন্যাপশটের উপর নির্ভর করার আগে DesignArena নিজে খুলুন।

কোনো টেবিল যা দেখাতে পারে না#

ধরুন আপনি একটি দশ বছরের পুরনো Django মনোলিথ রক্ষণাবেক্ষণ করেন, ধীর টেস্ট এবং অনেক ঘরোয়া নিয়ম সহ। নতুন, পরিপাটি রেপো দিয়ে তৈরি বেঞ্চমার্ক একটি মডেল আপনার 3,000 লাইনের utils.py কীভাবে সামলায় সে সম্পর্কে কম বলে। যেকোনো ভেন্ডর টেবিলে চারটি জিনিস অনুপস্থিত:

1. আপনার কোড এবং আপনার অভ্যাস। নামকরণ, টেস্ট স্টাইল, এজেন্ট কোন ফাইলগুলো কখনো স্পর্শ করা উচিত নয়।
2. এজেন্ট লুপ কীভাবে আচরণ করে। একই মডেল একটি টুলে ভালো এবং অন্যটিতে খারাপ করতে পারে, কারণ টুলগুলো ফাইল ও ত্রুটি কীভাবে খাওয়ায় তাতে ভিন্ন।
3. একটি কাজ কত ধাপ নেয়। যে মডেল প্রতি প্রচেষ্টায় 3 পয়েন্ট ভালো কিন্তু বেশি প্রচেষ্টা লাগে, সেটি আপনার জন্য অগত্যা ভালো নয়।
4. দাম। Inkling-এর প্রতি-টোকেন দাম রিলিজ পেজে বা Tinker মডেল তালিকায় নেই (৭ নভেম্বর ২০২৬ যাচাই করা)। Tinker-এর প্রাইসিং পেজ দেখুন এবং যা পাবেন তার পাশে তারিখ লিখুন।

বেঞ্চমার্ক টেবিল পড়ার দীর্ঘ নির্দেশনা চাইলে আলাদা একটি লেখা আছে: কীভাবে একটি AI বেঞ্চমার্ক পড়বেন এবং 5-প্রম্পট টেস্ট চালাবেন।

আপনার নিজের কোডে 5-প্রম্পট যাচাই#

এটি একটি বিকেল নেয় এবং আপনার সিদ্ধান্তের জন্য যেকোনো লিডারবোর্ডকে হারায়। গত দুই সপ্তাহে আপনি সত্যিই করেছেন এমন পাঁচটি কাজ বেছে নিন, প্রতিটির সাথে উত্তর সঠিক কিনা বোঝার একটি উপায়। একই টেক্সট প্রতিটি মডেলে পাঠান এবং ফলাফল নিজে স্কোর করুন।

যে মডেলগুলো OpenAI-সামঞ্জস্যপূর্ণ API-তে কল করা যায়, তাদের জন্য লুপটি ছোট। পাঁচটি প্রম্পট tasks.txt-এ রাখুন, ===== সহ একটি লাইন দিয়ে আলাদা করে। সম্পূর্ণ ডকুমেন্টেশন পড়ুন CheapTokens docs-এ; ঠিকানা https://api.cheaptokens.dev/v1।

import os
from openai import OpenAI

client = OpenAI(
    base_url='https://api.cheaptokens.dev/v1',
    api_key=os.environ['CHEAPTOKENS_API_KEY'],
)

tasks = open('tasks.txt').read().split('=====')
for i, task in enumerate(tasks, 1):
    r = client.chat.completions.create(
        model='deepseek-ai/DeepSeek-V4-Flash-0731',
        messages=[{'role': 'user', 'content': task.strip()}],
        max_tokens=4000,
    )
    u = r.usage
    print(i, u.prompt_tokens, u.completion_tokens, r.choices[0].finish_reason)

আপনি দেখবেন task number, input tokens, output tokens, finish_reason-এর পাঁচটি লাইন। stop মানে মডেল নিজে শেষ করেছে; length মানে max_tokens উত্তর কেটে দিয়েছে। এখানে মডেল আইডি সম্পূর্ণ: deepseek-ai/DeepSeek-V4-Flash-0731। প্রাইস টেবিলের একটি সংক্ষিপ্ত আইডি কাজ করবে না।

CheapTokens-এ DeepSeek-V4-Flash-এর 380K কনটেক্সট, এক উত্তরে সর্বোচ্চ 32,768 টোকেন, দিনের যেকোনো সময় একই দাম এবং একটি Anthropic-সামঞ্জস্যপূর্ণ এন্ডপয়েন্টও আছে, তাই একই পাঁচটি প্রম্পট সেই ফরম্যাটে তৈরি টুলের মাধ্যমেও চলে। আপনার নিজের পাঁচটি প্রম্পটের স্কোরই আপনার রেপোর জন্য গুরুত্বপূর্ণ। Inkling 2 Small-এর জন্য, একই পাঁচটি টেক্সট Tinker-এর মাধ্যমে পাঠান।

একই ব্যালেন্সে তৃতীয় ও চতুর্থ প্রতিদ্বন্দ্বী চান? GLM-5.3-Flash (zai-org/GLM-5.3-Flash, 390K কনটেক্সট) এবং MiniMax-M2.7 (MiniMaxAI/MiniMax-M2.7, 180K কনটেক্সট) আরেকটি model মান দিয়ে একই কল নেয়। কাজে DeepSeek মডেল MiniMax-এর সাথে কেমন তুলনা করে দেখতে চাইলে আছে MiniMax-M2.7 বনাম DeepSeek-V4-Flash।

প্রতি টোকেনে নয়, প্রতি কাজে খরচ#

প্রতি মিলিয়ন টোকেনের দাম একটি সম্পন্ন কাজের দাম নয়। আপনি যা দেন তা হলো ধাপের সংখ্যা গুণ প্রতি ধাপে টোকেন, ইনপুট ও আউটপুট একসাথে গোনা। ধরুন আপনার এজেন্ট 20 ধাপে একটি বাগ সমাধান করে, এবং প্রতিটি ধাপ প্রায় 30,000 টোকেন ফাইল ও হিস্ট্রি পাঠায় এবং প্রায় 1,500 টোকেন ফেরত পায়। DeepSeek-V4-Flash-এ এক ধাপের খরচ $0.0006। লাইভ দামে পুরো কাজ:

সেই টেবিলে OpenRouter-এর রেফারেন্স দামও দেখায়, এবং মোটে, ইনপুট ও আউটপুট একসাথে গুনলে, CheapTokens-এ DeepSeek-V4-Flash সস্তা পড়ে। প্রতিটি মডেলের প্রতি-টোকেন হার প্রাইসিং পেজ-এ আছে।

এখন তুলনার জন্য গুরুত্বপূর্ণ বিষয়। যদি মডেল A কাজটি 20 ধাপে সমাধান করে এবং মডেল B-এর 30 লাগে, তাহলে 30 / 20 = 1.5, তাই একই টোকেন দামে B প্রতি কাজে দেড় গুণ বেশি খরচ করে। বেঞ্চমার্কে কয়েকটি অতিরিক্ত পয়েন্ট সহজেই অতিরিক্ত ধাপে খেয়ে ফেলা যায়, এবং উল্টোটাও। এজন্যই 5-প্রম্পট যাচাই টোকেন রেকর্ড করে: আপনি প্রতি কাজে ধাপ ও টোকেন দেখবেন, কেবল স্কোর নয়। এই ধারণার দীর্ঘ সংস্করণ আছে প্রতি 1M টোকেনে দাম বনাম প্রতি কাজে খরচ-এ।

ক্যালকুলেটরে আপনার নিজের সংখ্যা বসান। নিচের উদাহরণে, 200 রান মানে দিনে 10 কাজ, প্রতিটি 20 ধাপে; প্রতি ধাপে টোকেন আপনার যাচাই যা দেখিয়েছে তাতে বদলান।

কোনটি বেছে নেবেন#

একটি বাস্তব রেপোতে কোডিং এজেন্ট। ভেন্ডরের নিজের কোডিং সারিতে DeepSeek-V4.1-Flash-1017 বেশিরভাগে এগিয়ে। DeepSeek-V4-Flash (উপরের কোডে আইডি) দিয়ে যাচাই শুরু করুন এবং একই পাঁচটি প্রম্পটে Inkling যোগ করুন। কেবল তখনই বদলান যদি Inkling আপনার কাজে জেতে, ভেন্ডরের কাজে নয়। DeepSeek রিলিজের পটভূমি চাইলে দেখুন deepseek-flash-এ কী বদলেছে।

ওয়েবসাইট ও ফ্রন্ট-এন্ড জেনারেশন। Inkling-এর DesignArena Website র‍্যাঙ্ক রিলিজের সবচেয়ে শক্তিশালী দাবি। উভয় মডেলে আপনার নিজের দু-তিনটি পেজ প্রম্পট চালান এবং সংখ্যা নয়, পেজগুলো দেখুন।

পরে সেলফ-হোস্টিং। Inkling-ই একমাত্র যার ওপেন-ওয়েটস পরিকল্পনা আছে, Apache 2.0-এর অধীনে। ফাইলগুলো না থাকা পর্যন্ত এটি একটি পরিকল্পনা। এর চারপাশে কিছু বানানোর আগে রিলিজ পেজ আবার দেখুন, এবং ততক্ষণে CheapTokens-এ DeepSeek দিয়ে হোস্টেড মডেলে একই প্রম্পট চালাতে পারেন।

আরেকটি টিপ, যদি আপনি কাজ দিয়ে সিদ্ধান্ত নেন: পাঁচটি প্রম্পট এবং স্কোরিং শিট রাখুন। পরেরবার কোনো ভেন্ডর টেবিল প্রকাশ করলে, র‍্যাঙ্কিং আবার পড়ার বদলে এক ঘণ্টায় যাচাইটি আবার চালান।