Inkling 2 Small vs DeepSeek-V4.1-Flash: model mana untuk coding?

Jawaban singkat: dalam tabel yang diterbitkan Thinking Machines untuk Inkling 2 Small (halaman rilis 5 November 2026, diperiksa 7 November), DeepSeek-V4.1-Flash-1017 unggul pada lima dari enam baris coding yang menampilkan kedua model. Inkling unggul di satu baris, dan peringkat desain webnya kuat. Namun itu tabel milik vendor sendiri, jadi anggap sebagai alasan untuk menjalankan pengecekan kecil pada kode Anda, bukan sebagai vonis.

Jika Anda melihat judul seperti "Inkling hampir menyamai DeepSeek" dan bertanya-tanya apakah harus mengganti agen coding Anda, inilah urutan yang tepat: baca baris yang sesuai dengan pekerjaan Anda, lihat apa yang tidak bisa ditunjukkan tabel, jalankan lima prompt Anda sendiri, dan hitung biaya untuk satu tugas yang selesai.

Apa itu Inkling 2 Small#

Menurut halaman rilis, Inkling 2 Small adalah model generasi kedua dari Thinking Machines Lab. Ini adalah model Mixture-of-Experts dengan total 594B parameter dan 17B aktif per token. Model ini menerima gambar (bukan audio) dan memiliki pengaturan effort variabel. Saat ini model berjalan di Tinker, layanan inferensi serverless lab tersebut, yang masih dalam tahap Beta.

Dua detail mudah terlewat. Bobotnya ditutup untuk sementara: lab berencana merilisnya di bawah Apache 2.0 "minggu depan" setelah pengujian keamanan eksternal, dan mengatakan platform lain akan menyusul "dalam beberapa minggu ke depan". Itu rencana, bukan fakta, sampai file benar-benar keluar. Dan konteks: daftar model Tinker menunjukkan 256K sebagai maksimum. Angka 512K dan 1M di halaman rilis adalah pengaturan pelatihan dan evaluasi, bukan yang bisa Anda kirim hari ini.

Tanggal lebih penting dari biasanya di sini, karena separuh penawaran adalah janji:

Membaca tabel baris demi baris#

Vendor membandingkan Inkling 2 Small dengan DeepSeek-V4.1-Flash-1017. Dokumen DeepSeek menyatakan alias deepseek-flash sekarang dilayani oleh versi tersebut (halaman tanpa tanggal, diperiksa 7 November 2026). Berikut baris di mana kedua model memiliki angka. Kolom terakhir hanya pengurangan.

Periksa satu: 77.0 - 72.1 = 4.9. Hitung barisnya dan DeepSeek unggul di lima, Inkling di satu.

Beberapa hal yang perlu diperhatikan sebelum Anda mengutip tabel ini ke tim Anda.

• Selisih terbesar ada di baris paling belum matang. Terminal Bench Science masih versi 0.1, dan 12.9% versus 5.7% lebih dari dua kali lipat. Ini petunjuk tentang pekerjaan bergaya terminal, bukan keputusan.
• Satu baris tidak memiliki head-to-head. SWEBench Pro v2 (Hard) menunjukkan Inkling di 86.3% dan DeepSeek tidak dilaporkan. Anda tidak bisa membandingkan angka dengan kosong.
• Selisih kecil tetap kecil. Selisih 1.4 atau 3.1 poin pada benchmark yang belum pernah Anda jalankan mungkin tidak bertahan jika repo atau prompt berubah.
• Halaman itu kontradiktif sekali. Artificial Analysis Intelligence Index adalah 31 di teks dan 30.6 (v5.0) di tabel, tanpa penjelasan. Ini hal kecil, tapi pengingat untuk membaca catatan kaki.

Belum ada yang direplikasi secara independen; semua angka berasal dari vendor Inkling.

Desain web adalah baris yang berbeda#

Jika tugas Anda menghasilkan situs web bukan memperbaiki bug, angka yang relevan adalah DesignArena Website. Dalam snapshot 5 November di halaman rilis, Inkling 2 Small mencetak 1,340, peringkat ketiga di belakang Muse Wonder (1,366) dan Muse Spark 1.3 (1,351). Vendor memperkirakan model ini akan menjadi model bobot terbuka teratas di sana setelah bobotnya keluar. Selisih ke peringkat pertama adalah 1,366 - 1,340 = 26 poin.

Itu adalah papan peringkat orang yang membandingkan halaman yang dihasilkan, jadi ini menunjukkan sesuatu yang nyata tentang tampilan. Tapi halaman tidak memberikan angka DeepSeek untuk baris ini, jadi tidak ada head-to-head untuk dibaca. Buka DesignArena sendiri sebelum mengandalkan snapshot.

Apa yang tidak bisa ditunjukkan tabel mana pun#

Katakan Anda memelihara monolit Django berusia sepuluh tahun dengan tes lambat dan banyak aturan internal. Benchmark yang terbuat dari repo baru dan rapi tidak banyak memberi tahu tentang bagaimana model menangani utils.py Anda dengan 3.000 baris. Empat hal hilang dari tabel vendor mana pun:

1. Kode dan kebiasaan Anda. Penamaan, gaya tes, file mana yang tidak boleh disentuh agen.
2. Bagaimana loop agen berperilaku. Model yang sama bisa berkinerja baik di satu alat dan buruk di alat lain, karena alat berbeda dalam cara memberi file dan error.
3. Berapa langkah yang dibutuhkan suatu tugas. Model yang 3 poin lebih baik per percobaan tetapi butuh lebih banyak percobaan belum tentu lebih baik untuk Anda.
4. Harga. Harga per token Inkling tidak ada di halaman rilis atau di daftar model Tinker (diperiksa 7 November 2026). Lihat halaman harga Tinker dan tulis tanggal di samping apa pun yang Anda temukan.

Jika Anda ingin panduan lebih panjang tentang membaca tabel benchmark, ada artikel terpisah: cara membaca benchmark AI dan menjalankan tes 5-prompt.

Pengecekan 5-prompt pada kode Anda sendiri#

Ini memakan waktu satu sore dan mengalahkan papan peringkat mana pun untuk keputusan Anda. Pilih lima tugas yang benar-benar Anda kerjakan dalam dua minggu terakhir, masing-masing dengan cara untuk mengetahui apakah jawabannya benar. Kirim teks yang sama ke setiap model dan nilai hasilnya sendiri.

Untuk model yang dapat Anda panggil melalui API kompatibel OpenAI, loopnya singkat. Masukkan lima prompt ke tasks.txt, dipisahkan oleh baris dengan =====. Baca dokumentasi lengkap di dokumentasi CheapTokens; alamatnya 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)

Yang akan Anda lihat adalah lima baris task number, input tokens, output tokens, finish_reason. stop berarti model selesai sendiri; length berarti max_tokens memotong jawaban. ID model di sini adalah yang lengkap: deepseek-ai/DeepSeek-V4-Flash-0731. ID pendek dari tabel harga tidak akan berfungsi.

DeepSeek-V4-Flash di CheapTokens memiliki konteks 380K, hingga 32.768 token dalam satu jawaban, satu harga kapan pun, dan endpoint kompatibel Anthropic juga, sehingga lima prompt yang sama juga berjalan melalui alat yang dibangun dengan format tersebut. Skor dari lima prompt Anda sendiri adalah yang penting untuk repo Anda. Untuk Inkling 2 Small, kirim lima teks yang sama melalui Tinker.

Ingin pesaing ketiga dan keempat dengan saldo yang sama? GLM-5.3-Flash (zai-org/GLM-5.3-Flash, konteks 390K) dan MiniMax-M2.7 (MiniMaxAI/MiniMax-M2.7, konteks 180K) menerima panggilan yang sama dengan nilai model lain. Jika Anda ingin melihat bagaimana model DeepSeek dibandingkan dengan MiniMax pada tugas, ada MiniMax-M2.7 vs DeepSeek-V4-Flash.

Biaya per tugas, bukan per token#

Harga per juta token bukan harga per tugas selesai. Yang Anda bayar adalah jumlah langkah dikali token di setiap langkah, input dan output dihitung bersama. Katakan agen Anda menyelesaikan bug dalam 20 langkah, dan setiap langkah mengirim sekitar 30.000 token file dan riwayat serta menerima sekitar 1.500 token kembali. Satu langkah pada DeepSeek-V4-Flash berbiaya $0.0006. Seluruh tugas, dengan harga live:

Tabel itu juga menunjukkan harga referensi OpenRouter, dan secara total, dengan input dan output dihitung bersama, DeepSeek-V4-Flash di CheapTokens lebih murah. Tarif per token untuk setiap model ada di halaman harga.

Sekarang poin yang penting untuk perbandingan. Jika model A menyelesaikan tugas dalam 20 langkah dan model B membutuhkan 30, maka 30 / 20 = 1.5, jadi B berbiaya satu setengah kali lebih banyak per tugas pada harga token yang sama. Beberapa poin tambahan pada benchmark bisa dengan mudah termakan oleh langkah ekstra, dan sebaliknya. Itulah sebabnya pengecekan 5-prompt mencatat token: Anda akan melihat langkah dan token per tugas, bukan hanya skor. Versi lebih panjang dari ide ini ada di harga per 1 juta token vs biaya per tugas.

Masukkan angka Anda sendiri ke kalkulator. Dalam contoh di bawah, 200 eksekusi adalah 10 tugas sehari dengan 20 langkah masing-masing; ubah token per langkah sesuai yang ditunjukkan pengecekan Anda.

Mana yang harus dipilih#

Agen coding pada repo nyata. Pada baris coding milik vendor sendiri, DeepSeek-V4.1-Flash-1017 unggul di sebagian besar. Mulai pengecekan dengan DeepSeek-V4-Flash (ID di kode di atas) dan tambahkan Inkling ke lima prompt yang sama. Beralih hanya jika Inkling menang pada tugas Anda, bukan pada tugas vendor. Jika Anda ingin latar belakang tentang rilis DeepSeek itu sendiri, lihat apa yang berubah di deepseek-flash.

Situs web dan generasi front-end. Peringkat DesignArena Website Inkling adalah klaim terkuat dalam rilis. Jalankan dua atau tiga prompt halaman Anda sendiri pada kedua model dan lihat halamannya, bukan angkanya.

Self-hosting nanti. Inkling adalah yang memiliki rencana bobot terbuka, di bawah Apache 2.0. Sampai file ada, itu hanya rencana. Periksa halaman rilis lagi sebelum Anda membangun apa pun di sekitarnya, dan sementara itu Anda dapat menjalankan prompt yang sama terhadap model hosted dengan DeepSeek di CheapTokens.

Satu tips lagi, jika Anda memutuskan berdasarkan tugas: simpan lima prompt dan lembar penilaian. Lain kali vendor menerbitkan tabel, Anda menjalankan ulang pengecekan dalam satu jam alih-alih membaca peringkat lagi.