Inkling Small Analyse: 40 vs. Inkling 41 bei 276B

Die Anzahl der Parameter war früher der liebste Fitnessstudio-Spiegel der KI-Branche. Größer sah besser aus, selbst wenn das Modell hauptsächlich unter Lagerhallenbeleuchtung die Muskeln spielen ließ. Dann kam Inkling Small von Thinking Machines Lab herein, mit 276B Gesamtparametern, 12B aktiven MoE-Parametern und einer 40 im Artificial Analysis Intelligence Index, nur einen Punkt hinter Inklings 41, obwohl Inkling mit 975B Gesamtparametern und 41B aktiven Parametern auf die Waage kommt. Irgendwo gerät gerade eine Tabelle mit der Beschriftung „Burggraben“ leise ins Schwitzen. Die Kurzversion: Thinking Machines Lab hat ein kleineres Reasoning-Modell mit offenen Gewichten veröffentlicht, das seinem Flaggschiff-Geschwistermodell in einem Benchmark eines Drittanbieters unangenehm nahe kommt. Die nützliche Version: Das ist eine weitere Erinnerung daran, dass die Parameterzahl zu einem miserablen Ersatzmaß dafür wird, ob ein Modell bereitstellbar, nützlich oder es wert ist, dein GPU-Budget damit zu füttern wie einen sehr teuren Waschbären.

Artificial Analysis sagt: kleiner bedeutete nicht schwächer

Artificial Analysis berichtete am 30. Juli 2026, dass Inkling Small auf seinem Intelligence Index 40 Punkte erreicht, also nur einen Punkt weniger als Inkling, das zwei Wochen zuvor mit 41 gestartet war. Derselbe Bericht von Artificial Analysis sagt, Inkling Small sei ein Reasoning-Modell mit offenen Gewichten, mit Eingabe für Text, Bild und Sprache sowie einem Kontextfenster von 256K Token. Er liefert außerdem den entscheidenden Vergleich: Inkling Small hat 276B Gesamtparameter und 12B aktive MoE-Parameter, während Inkling 975B Gesamtparameter und 41B aktive Parameter hat. Das ist kein Rundungsfehler, das ist ein Diätplan mit Benchmark-Belegen.

Artificial Analysis berichtete außerdem, dass Inkling Small Inkling bei mehreren Coding- und Frontier-Reasoning-Bewertungen erreicht oder übertrifft. Es schneidet höher ab bei Humanity's Last Exam mit 32% gegenüber 30%, GPQA Diamond mit 89% gegenüber 87%, CritPt mit 8% gegenüber 5% und SciCode mit 49% gegenüber 46%. Benchmarks sind keine Produkterfahrung, und wer dir etwas anderes erzählt, beurteilt wahrscheinlich auch Suppe nach ihrer Viskosität. Aber wenn das kleinere Modell mehrere Untertests gewinnt, hört die Geschichte auf, niedlich zu sein, und wird architektonisch interessant.

Thinking Machines macht das Bereitstellungsargument lauter

Thinking Machines kündigte Inkling Small am 30. Juli 2026 auf seiner eigenen Website an und präsentierte es mit Abschnitten zu Reasoning- und agentischen Aufgaben, Multimodalität, Epistemik, Sicherheit und Benchmarking. Das Unternehmen verweist Leserinnen und Leser auf der Ankündigungsseite außerdem auf Tinker, eine Model Card und Hugging Face. Dieses Verteilungsmuster ist wichtig, denn Modelle mit offenen Gewichten leben oder sterben nicht nur durch Benchmark-Diagramme, sondern dadurch, ob Entwickler sie tatsächlich prüfen, anpassen und ausführen können, ohne ein Beschaffungsticket ins Nichts zu schicken.

VentureBeat berichtet, dass Inkling Small nur zwei Wochen nach der Veröffentlichung von Inkling erschien, dem ersten Open-Source-KI-Sprachmodell von Thinking Machines. VentureBeat sagt außerdem, dass Inkling Small eine freizügige Apache-2.0-Lizenz nutzt und auf dem Artificial Analysis Intelligence Index nur einen einzigen Punkt hinter dem größeren Modell liegt. Für Enterprise-Teams ist dieses Lizenzdetail nicht bloße Dekoration. Es ist der Unterschied zwischen dem Testen eines Modells im Labor und einer Rechtsabteilung, die einen Stuhl durch die Roadmap wirft.

VentureBeat beschreibt es als Konkurrenten mit offenen Gewichten

VentureBeat beschrieb das ursprüngliche Inkling zuvor als auf Unternehmen ausgerichtet, die agentische KI-Workloads auf Modelle mit offenen Gewichten verlagern, die sie anpassen, kontrollieren und vor Ort oder in virtuellen privaten Clouds betreiben können. Dieser Kontext macht Inkling Small interessanter als eine einfache Geschwister-Veröffentlichung. Wenn ein kleineres Modell in der Rangliste nahe am Flaggschiff liegen kann, wird die praktische Frage weniger: Wie groß können wir werden? Sondern eher: Wie viel Modell brauchen wir tatsächlich für diesen Workload? Genau hier verwandelt sich KI-Infrastruktur von Feuerwerk in Sanitärtechnik, was weniger glamourös, aber viel schwerer vorzutäuschen ist.

Mixture of Experts ist hier besonders relevant, weil die aktive Parameterzahl der Teil ist, der für ein bestimmtes Token die Arbeit erledigt. MoE klingt wie eine Beratungsfirma, die nach Seufzern abrechnet, aber die Idee ist einfach: Nicht jedes Experten-Teilnetzwerk muss für jede Eingabe aufwachen. Artificial Analysis meldet 12B aktive MoE-Parameter für Inkling Small gegenüber 41B aktiven Parametern für Inkling. Genau wegen dieser Lücke werden Builder zuerst auf Latenz, Speicher, Batching und Hosting-Einschränkungen schielen, bevor sie auf das Logo schielen.

Artificial Analysis gibt Buildern die echten Hausaufgaben

Artificial Analysis sagt, dass kein Modell mit offenen Gewichten in der Größe von Inkling Small oder kleiner auf seinem Intelligence Index höher abschneidet. Es merkt außerdem an, dass DeepSeek V4 Flash mit 284B Gesamtparametern und 13B aktiven Parametern 40 Punkte erzielt, MiniMax-M3 mit 23B aktiven Parametern 44 erreicht und GLM-5.2 mit 40B aktiven Parametern 51 erreicht. Übersetzt heißt das: Über Inkling Small ist noch Luft, aber die Kurve von Größe zu Punktzahl wird auf produktive Weise seltsam. Das alte Diagramm, in dem mehr Parameter gleich besseres Modell bedeuten, ist jetzt weniger ein Naturgesetz und eher ein Kühlschrankmagnet.

Für Leserinnen und Leser, die mit KI bauen, ist der nächste Schritt einfach: Bewertet Modelle nach Aufgabenpassung, Lizenzierung, Kontextfenster, Unterstützung von Modalitäten und Serving-Einschränkungen, nicht nur nach der Gesamtzahl der Parameter. Inkling Small muss sich immer noch in echten Workloads beweisen, besonders bei Agenten, Coding-Flows, multimodalen Eingaben und Zuverlässigkeit unter langweiligem Enterprise-Traffic, dem härtesten Benchmark, weil er Meetings enthält. Aber diese Veröffentlichung gibt Teams, die mit offenen Gewichten arbeiten, einen konkreten Grund, ihre Annahmen darüber zu überprüfen, wie viel Modell sie wirklich brauchen. Die Anzeigetafel bleibt eine Anzeigetafel, aber das Maßband wurde gerade zur Bürodekoration degradiert.