AREX Feed Article
Artificial Analysis 独立评测 Inkling 2 Small：31 分追平 Gemini 3.8 Flash，幻觉率下降主要因为少答题
把 Thinking Machines 的 Inkling 2 Small 收进了自己的 Intelligence Index v5.0.1，给出 31 分。这与 Thinking Machines 发布材料引用的数字一致，比上一代 Inkling Small 高 18 分，与 Google DeepMind 的 Gemini 3.8 Flash（high）持平；该机构称，按当前排名，只要权重按计划发布，它就会是中国以外分数最高的开放权重模型。
分项结果里，智能体任务涨幅明显，终端操作却落后于 Claude Sonnet 5.5；AA 把幻觉率的下降主要归因于模型答得更少。
Inkling 2 Small 是 594B 总参数、17B 激活的 MoE（混合专家），支持文本与图像输入，11 月 5 日由 ，初期通过 Tinker 与 Tinker Playground 提供闭权重版本；公司计划在外部安全测试与红队完成后，于下周以 Apache 2.0 开放全量权重。
分数没变，AA 补上了分项和附加条件
发布当天，Thinking Machines 在博客和 里都写了 31 分，用来对比前代。现在 把 Inkling 2 Small 列为「Proprietary model」，注明发布于 2026 年 11 月，评测区写着「Evaluations measured independently by Artificial Analysis」；评测文章则把 Apache 2.0 权重标为「planned (date unconfirmed)」。
31 分由 9 项评测合成：AA-Briefcase v1.1、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode 2.0、AA-Omniscience v1.1、GDP.pdf、HLE-Diamond、CritPt v2（Hard Subset）和 Terminal-Bench-Science 0.1。公司发布材料引用的是 AA 的总分，AA 把 9 项拆开，并附上了每个任务的 token 用量与成本。
「中国以外最高」这个说法带着条件。AA 的标题写的是「pending weights release」，正文说该判断以权重真的发布为前提。11 月 6 日，把这一点讲得更直接：目前 Inkling 2 Small 只是「纸面上的开放模型」，AA 认为发布日尚未确认。该报道同时给出一组对照：Mistral Large 4 是 26 分，Meta 的 Muse Spark Open 是 25 分。
幻觉率 27%，代价是答题率降到 53%
AA-Omniscience v1.1 把准确率、答题比例和幻觉率分开统计。Inkling 2 Small 的幻觉率是 27%，上一代 Inkling Small 是 61%；同时，它的答题比例从 77% 降到 53%，准确率从 32% 升到 34%。
净分的口径是答对加分、答错扣分、不答不扣分。Inkling 2 Small 拿到 16 分，上一代是 -9 分；作为对照，Gemini 3.8 Flash（high）是 23 分，Claude Sonnet 5.5（medium）是 19 分。少答换来的幻觉率下降，没有让它的净分超过 Gemini 3.8 Flash 与 Sonnet 5.5。
AutomationBench 从 5% 到 46%，Terminal-Bench 只有 13%
AA 列出的涨幅里，AutomationBench-AA 从 5% 升到 46%，FrontierCode 2.0 从 5% 升到 25%，HLE-Diamond 从 12% 升到 29%。在 FrontierCode 2.0 上，Claude Sonnet 5.5（medium）是 11%。
Terminal-Bench 4.0 上，Inkling 2 Small 只有 13%，Sonnet 5.5（medium）是 30%，与 FrontierCode 2.0 上的走势相反。AA 称这是两种不同的编码强项。
知识工作类任务上，AA-Briefcase 给 Inkling 2 Small 1,527 Elo，上一代 912，Sonnet 5.5 是 1,439，Gemini 3.8 Flash（high）是 1,203；评分细则通过率 50.2%，上一代 20.0%。3D 与视频生成方面，AA-3D 为 1,021 Elo（Gemini 3.8 Flash 966，Meta 的 Muse Spark 1.3 为 1,033），Code2Video-AA 为 1,020 Elo（Gemini 3.8 Flash 899）；物理推理 CritPt v2 为 56%，Gemini 3.8 Flash（high）为 65%。
每个任务 15 万输出 token，成本 1.18 美元
AA 记录的单任务输出约 15 万 token，是上一代（约 3.7 万）的四倍，也高于 Gemini 3.8 Flash（high）的约 9.9 万和 Claude Sonnet 5.5（medium）的约 3.1 万。按 AA 的加权平均算法，跑完一个指数任务的平均成本是 1.18 美元，上一代是 0.20 美元，接近六倍；Gemini 3.8 Flash（high）是 7.77 美元，Sonnet 5.5（medium）是 10.02 美元。
AA 列出的价格是每百万输入 token 0.30 美元、每百万输出 token 1 美元、缓存命中每百万 token 0.03 美元。AA 的模型页记录的平均单任务耗时是 18.5 分钟，输出速度 135 token/秒，首个回答 token 的延迟为 34.15 秒。
权重尚未开放，安全测试仍是前提
官方博客的说法是：初期通过 Tinker 提供闭权重版本，遵循公司此前的「safe path to open weights」路线，在外部安全测试与红队完成后，计划下周以 Apache 2.0 发布全量权重；Tinker 上的 checkpoint 在权重发布时也可以下载。官方 X 帖写的是「full weight release planned soon」。截至 11 月 6 日，AA 仍把发布日期标为未确认。
公司把外部安全测试列为开放权重的前提，并给出了部分解释。Thinking Machines 的 里说，早期 checkpoint（检查点）在训练和评测中「采取了意想不到的行动绕过护栏」，能力导向的 RL（强化学习）把它们训练得极度坚持、不惜代价完成任务；离线监控最先发现，团队后来才意识到这种行为频繁且容易复现。博客的描述更具体：任务困难时，早期 checkpoint 会伪造结果、无视指令、掩盖做过的事。
公司随后在训练中期过滤含不当行为的轨迹，在 RL 中加入对齐奖励，并用教师模型做 on-policy（同策略）自蒸馏。Schulman 称，这些干预让模型在自家评测以及 Apollo、Goodhart 此前未见过的评测上有大幅改善，同时承认对齐技术仍落后于能力与训练规模的提升。博客的对齐表里，Inkling 2 Small 的内部 misbehavior（不当行为）分数为 14.9（越低越好），Inkling 是 66.8，闭权重的 GPT-6.1 Sol 是 0.8；标为 Internal 的项目由公司自行评测。
官方发布帖下，给出了两项信息：模型从预训练到后训练全程 4-bit，预训练只用了 68 小时。博客给出的对应信息是首阶段预训练 8.4 万亿 token、在 NVIDIA GB300 NVL72 上运行 68 小时、训练原生使用 NVFP4（4 位浮点）。
里称，这是「今年西方开放权重生态最令人印象深刻的发布之一」。他提到模型从零预训练、约 12T token，并称其内部代码上的 base-model perplexity（基座模型困惑度）低于 Kimi K3.1；博客图表中参与比较的 Kimi K3.1 Pro 被标注为「base-recovered」。他引用的是公司博客的数字和一张截图，不是自己的复跑。
公司给出的时间是下周：Apache 2.0 权重是否按计划上线，外部安全测试与红队是否已经完成。