Inkling 2 Small или DeepSeek-V4.1-Flash: какую модель взять для кода

Коротко: в таблице, которую Thinking Machines опубликовала для Inkling 2 Small (страница релиза от 5 ноября 2026 года, сверено 7 ноября), DeepSeek-V4.1-Flash-1017 впереди в пяти из шести строк про код, где есть числа для обеих моделей. Inkling впереди в одной и сильна в веб-дизайне. Но таблица — от самого вендора, так что это повод проверить на своём коде, а не приговор.

Если вы увидели заголовок вроде «Inkling близка к DeepSeek» и думаете, не переключить ли своего кодового агента, идти стоит по порядку: прочитать строки, которые похожи на вашу работу, понять, чего таблица не показывает, прогнать пять собственных запросов и посчитать цену одной готовой задачи.

Что такое Inkling 2 Small#

По странице релиза, Inkling 2 Small — модель второго поколения от Thinking Machines Lab. Это Mixture-of-Experts: 594B параметров всего и 17B активных на токен. Принимает изображения (не аудио), есть настройка усилия. Пока работает на Tinker — облачном сервисе инференса лаборатории, он в бете.

Две детали легко пропустить. Веса пока закрыты: лаборатория планирует выложить их под Apache 2.0 «на следующей неделе» после внешней проверки безопасности, а другие платформы обещает «в ближайшие недели». Пока файлов нет, это план, а не факт. И контекст: в списке моделей Tinker максимум 256K. Цифры 512K и 1M на странице релиза — настройки обучения и оценки, а не то, что можно отправить сегодня.

Даты здесь важнее обычного: половина предложения — это обещание.

Читаем таблицу по строкам#

Вендор сравнивает Inkling 2 Small с DeepSeek-V4.1-Flash-1017. По документации DeepSeek, алиас deepseek-flash сейчас отдаёт именно эту версию (у страницы нет даты, сверено 7 ноября 2026). Ниже — строки, где есть числа для обеих моделей. Последний столбец — просто разность.

Проверка одной строки: 77.0 - 72.1 = 4.9. Если посчитать, DeepSeek впереди в пяти строках, Inkling — в одной.

Прежде чем цитировать эту таблицу команде, обратите внимание на несколько вещей.

• Самый большой разрыв — в самой «сырой» строке. Terminal Bench Science имеет версию 0.1, а 12.9% против 5.7% — больше чем вдвое. Это подсказка про работу в терминале, но не вердикт.
• В одной строке нет очного сравнения. В SWEBench Pro v2 (Hard) у Inkling 86.3%, у DeepSeek — «не указано». Число с пропуском не сравнить.
• Маленький разрыв — это маленький разрыв. 1.4 или 3.1 пункта на бенчмарке, который вы сами не запускали, могут не пережить смену репозитория или формулировки запроса.
• Страница один раз себе противоречит. Индекс Artificial Analysis Intelligence Index в тексте — 31, в таблице — 30.6 (v5.0), без объяснения. Мелочь, но напоминание читать сноски.

Независимой проверки пока нет; все числа — от вендора Inkling.

Веб-дизайн — другая строка#

Если ваша задача — генерировать сайты, а не чинить баги, нужное число — DesignArena Website. По срезу от 5 ноября на странице релиза Inkling 2 Small набрала 1,340 и стоит третьей после Muse Wonder (1,366) и Muse Spark 1.3 (1,351). Вендор ожидает, что после выхода весов она станет лучшей среди моделей с открытыми весами. До первого места: 1,366 - 1,340 = 26 пунктов.

Это рейтинг, где люди сравнивают сгенерированные страницы, так что он и правда говорит о внешнем виде. Но числа DeepSeek для этой строки на странице нет, очного сравнения не получится. Прежде чем опираться на срез, откройте сам DesignArena.

Чего не покажет ни одна таблица#

Допустим, вы поддерживаете десятилетний монолит на Django с медленными тестами и кучей неписаных правил. Бенчмарк из свежих аккуратных репозиториев мало говорит о том, как модель справится с вашим utils.py на 3,000 строк. В любой таблице вендора нет четырёх вещей:

1. Вашего кода и ваших привычек. Имена, стиль тестов, файлы, которые агент трогать не должен.
2. Поведения цикла агента. Одна и та же модель в одном инструменте работает хорошо, в другом плохо: инструменты по-разному подают ей файлы и ошибки.
3. Числа шагов на задачу. Модель, которая на 3 пункта лучше за попытку, но требует больше попыток, не обязательно лучше для вас.
4. Цены. Цены Inkling за токен нет ни на странице релиза, ни в списке моделей Tinker (сверено 7 ноября 2026). Откройте страницу тарифов Tinker и запишите дату рядом с тем, что найдёте.

Если хотите подробнее разобрать, как читать бенчмарки, есть отдельная статья: как читать бенчмарк и прогнать тест из 5 запросов.

Проверка на пяти запросах по вашему коду#

Это займёт полдня и для решения даст больше любого рейтинга. Возьмите пять задач, которые вы реально делали за последние две недели, у каждой — способ понять, что ответ верный. Отправьте всем моделям один и тот же текст и оцените результат сами.

Для моделей, которые вызываются по OpenAI-совместимому API, цикл короткий. Положите пять запросов в tasks.txt, разделив их строкой =====. Подробности — в документации CheapTokens; адрес API — 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)

На экране будут пять строк: номер задачи, входные токены, выходные токены, finish_reason. stop — модель закончила сама, length — ответ обрезал max_tokens. Id модели здесь полный: deepseek-ai/DeepSeek-V4-Flash-0731; короткий id из таблицы цен не подойдёт.

У DeepSeek-V4-Flash в CheapTokens контекст 380K, до 32,768 токенов в одном ответе, одна цена в любое время суток и ещё Anthropic-совместимый эндпоинт, так что те же пять запросов можно прогнать и через инструменты на этом формате. Важны для вашего репозитория именно баллы по вашим пяти запросам. Для Inkling 2 Small отправьте те же пять текстов через Tinker.

Хотите третьего и четвёртого участника на том же балансе? GLM-5.3-Flash (zai-org/GLM-5.3-Flash, контекст 390K) и MiniMax-M2.7 (MiniMaxAI/MiniMax-M2.7, контекст 180K) вызываются так же, меняется только model. Как DeepSeek выглядит рядом с MiniMax на задачах, разобрано в статье MiniMax-M2.7 или DeepSeek-V4-Flash.

Цена задачи, а не цена токена#

Цена за миллион токенов — это ещё не цена готовой задачи. Платите вы за число шагов, умноженное на токены в каждом шаге, вход и выход вместе. Допустим, агент решает баг за 20 шагов, на каждом шаге уходит около 30,000 токенов файлов и истории, а возвращается около 1,500 токенов. Один шаг на DeepSeek-V4-Flash стоит $0.0006. Вся задача по живым ценам:

В таблице есть и справочная цена OpenRouter; в сумме, с учётом входа и выхода, DeepSeek-V4-Flash в CheapTokens получается дешевле. Цены по всем моделям — на странице тарифов.

Теперь то, что важно для сравнения. Если модель A решает задачу за 20 шагов, а модели B нужно 30, то 30 / 20 = 1.5: при одинаковой цене токена B обходится в полтора раза дороже за задачу. Несколько лишних пунктов бенчмарка легко съедаются лишними шагами, и наоборот. Поэтому проверка на пяти запросах фиксирует токены: вы увидите шаги и токены на задачу, а не только оценку. Подробнее эта мысль разобрана в статье цена за 1M токенов и цена задачи.

Подставьте свои числа в калькулятор. В примере ниже 200 запусков — это 10 задач в день по 20 шагов; токены на шаг замените теми, что показала ваша проверка.

Что выбрать#

Кодовый агент на настоящем репозитории. В строках про код у самого вендора DeepSeek-V4.1-Flash-1017 впереди в большинстве. Начните проверку с DeepSeek-V4-Flash (id — в коде выше) и добавьте Inkling на те же пять запросов. Переключайтесь, только если Inkling выиграет на ваших задачах, а не на задачах вендора. Если нужна предыстория самого релиза DeepSeek — что изменилось в deepseek-flash.

Сайты и генерация интерфейсов. Рейтинг Inkling в DesignArena Website — самое сильное заявление релиза. Прогоните два-три своих запроса на страницы на обеих моделях и смотрите на страницы, а не на числа.

Самостоятельный запуск позже. Планы по открытым весам есть у Inkling, под Apache 2.0. Пока файлов нет, это план. Перед тем как что-то строить вокруг него, ещё раз откройте страницу релиза, а пока те же запросы можно гонять на хостинговой модели — DeepSeek в CheapTokens.

И последний совет, если решаете по задачам: сохраните пять запросов и таблицу оценок. Когда вендор опубликует следующую таблицу, вы повторите проверку за час, а не будете снова читать рейтинги.