Analisis Kecil Inkling: 40 vs Inkling 41 pada 276B

Jumlah parameter dulu adalah cermin gym favorit industri AI. Lebih besar terlihat lebih baik, bahkan ketika modelnya sebagian besar hanya memamerkan otot di bawah lampu gudang. Lalu Inkling Small dari Thinking Machines Lab masuk dengan 276B parameter total, 12B MoE aktif, dan skor 40 pada Artificial Analysis Intelligence Index, hanya satu poin di belakang Inkling yang mendapat 41 meskipun Inkling berbobot 975B parameter total dan 41B parameter aktif. Di suatu tempat, spreadsheet berlabel moat sedang berkeringat diam-diam. Versi singkatnya: Thinking Machines Lab telah merilis model penalaran open weights yang lebih kecil dan mendekati saudaranya yang flagship secara agak mengkhawatirkan pada benchmark pihak ketiga. Versi bergunanya: ini adalah pengingat lain bahwa jumlah parameter sedang menjadi proksi yang buruk untuk menentukan apakah sebuah model bisa diterapkan, berguna, atau layak diberi anggaran GPU seperti rakun yang sangat mahal.

Artificial Analysis mengatakan lebih kecil bukan berarti

lebih lemah Artificial Analysis melaporkan pada 30 Juli 2026 bahwa Inkling Small mencetak skor 40 pada Intelligence Index-nya, hanya terpaut satu poin dari Inkling, yang diluncurkan dua minggu sebelumnya dengan skor 41. Laporan Artificial Analysis yang sama mengatakan Inkling Small adalah model penalaran open weights dengan input teks, gambar, dan suara, plus jendela konteks 256K token. Laporan itu juga memberikan perbandingan penting: Inkling Small memiliki 276B parameter total dan 12B MoE aktif, sementara Inkling memiliki 975B total dan 41B aktif. Itu bukan selisih pembulatan, itu rencana diet dengan bukti benchmark.

Artificial Analysis juga melaporkan bahwa Inkling Small menyamai atau melampaui Inkling pada beberapa evaluasi coding dan penalaran frontier. Model ini mencetak skor lebih tinggi pada Humanity's Last Exam dengan 32% versus 30%, GPQA Diamond dengan 89% versus 87%, CritPt dengan 8% versus 5%, dan SciCode dengan 49% versus 46%. Benchmark bukan pengalaman produk, dan siapa pun yang berkata sebaliknya mungkin juga menilai sup dari kekentalannya. Namun ketika model yang lebih kecil menang di beberapa subtes, ceritanya berhenti terdengar lucu dan mulai menjadi soal arsitektur.

Thinking Machines membuat argumen deployment makin lantang

Thinking Machines mengumumkan Inkling Small di situsnya sendiri pada 30 Juli 2026, menyajikannya dengan bagian untuk tugas penalaran dan agen, multimodalitas, epistemik, keamanan, dan benchmarking. Perusahaan itu juga mengarahkan pembaca ke Tinker, kartu model, dan Hugging Face dari halaman pengumuman. Pola distribusi itu penting karena model open weights hidup atau mati bukan hanya dari grafik benchmark, tetapi dari apakah developer benar-benar dapat memeriksa, menyesuaikan, dan menjalankannya tanpa mengirim tiket pengadaan ke kehampaan.

VentureBeat melaporkan bahwa Inkling Small hadir hanya dua minggu setelah Thinking Machines merilis Inkling, model bahasa AI open source pertamanya. VentureBeat juga mengatakan Inkling Small menggunakan lisensi permisif Apache 2.0 dan hanya terpaut satu poin dari model yang lebih besar pada Artificial Analysis Intelligence Index. Bagi tim enterprise, detail lisensi itu bukan hiasan. Itu adalah perbedaan antara mencoba model di lab dan membuat tim legal melempar kursi ke roadmap.

VentureBeat membingkai ini sebagai pesaing open weights

VentureBeat sebelumnya menggambarkan Inkling asli sebagai model yang ditujukan untuk enterprise yang memindahkan workload AI agenik ke model open weights yang dapat mereka kustomisasi, kendalikan, dan jalankan di on-premises atau di virtual private cloud. Konteks itu membuat Inkling Small lebih menarik daripada sekadar rilis saudara yang lebih kecil. Jika model yang lebih kecil bisa berada dekat dengan flagship di papan peringkat, pertanyaan praktisnya menjadi bukan lagi seberapa besar kita bisa membuatnya, melainkan seberapa banyak model yang sebenarnya kita butuhkan untuk workload ini. Di sinilah infrastruktur AI berubah dari kembang api menjadi pipa ledeng, yang kurang glamor tetapi jauh lebih sulit dipalsukan.

Mixture of Experts sangat relevan di sini karena jumlah parameter aktif adalah bagian yang bekerja untuk token tertentu. MoE terdengar seperti firma konsultan yang menagih berdasarkan jumlah keluhan, tetapi idenya sederhana: tidak setiap subjaringan ahli perlu bangun untuk setiap input. Artificial Analysis melaporkan 12B MoE aktif untuk Inkling Small dibandingkan 41B aktif untuk Inkling. Kesenjangan itulah alasan para builder akan mencermati latensi, memori, batching, dan batasan hosting sebelum mereka mencermati logonya.

Artificial Analysis memberi builder pekerjaan rumah yang sebenarnya

Artificial Analysis mengatakan tidak ada model open weights dengan ukuran Inkling Small atau lebih kecil yang mencetak skor lebih tinggi pada Intelligence Index-nya. Laporan itu juga mencatat bahwa DeepSeek V4 Flash dengan 284B total dan 13B aktif mencetak skor 40, MiniMax-M3 mencapai 44 dengan 23B aktif, dan GLM-5.2 mencapai 51 dengan 40B aktif. Terjemahannya, masih ada ruang di atas Inkling Small, tetapi kurva ukuran terhadap skor menjadi aneh dengan cara yang produktif. Grafik lama yang menyatakan lebih banyak parameter sama dengan model lebih baik kini kurang seperti hukum alam dan lebih seperti magnet kulkas.

Bagi pembaca yang membangun dengan AI, langkahnya sederhana: evaluasi model berdasarkan kecocokan tugas, lisensi, jendela konteks, dukungan modalitas, dan batasan serving, bukan hanya jumlah parameter total. Inkling Small tetap perlu diuji pada workload nyata, terutama untuk agen, alur coding, input multimodal, dan keandalan di bawah lalu lintas enterprise yang membosankan, benchmark paling keras karena mencakup rapat. Namun rilis ini memberi tim open weights alasan konkret untuk meninjau ulang asumsi tentang seberapa banyak model yang mereka butuhkan. Papan skor tetaplah papan skor, tetapi meteran baru saja diturunkan pangkatnya menjadi dekorasi kantor.