Die unabhängige Messung: Artificial Analysis führt Inkling Small mit 40 Punkten im Intelligence Index, gegenüber 41 für Inkling. Die Parameterrelation dazu: 276 Milliarden gesamt und 12 Milliarden aktiv gegen 975 Milliarden gesamt und 41 Milliarden aktiv – nach Formulierung von Artificial Analysis „weniger als ein Drittel der Gesamtparameter und der aktiven Parameter“. Die Einordnung im offenen Feld: Kein Open-Weights-Modell dieser Größe oder kleiner erreicht laut derselben Auswertung einen höheren Indexwert. Die Preise auf der Artificial-Analysis-Modellseite: 0,30 US-Dollar je Million Eingabe-Token, 1,20 US-Dollar je Million Ausgabe-Token.
Die Token-Effizienz, gemessen an derselben Aufgabenmenge: Inkling Small erzeugte im Schnitt rund 24.000 Ausgabe-Token je Index-Aufgabe. Inkling lag bei rund 25.000, DeepSeek V4 Flash (max) bei rund 45.000 und GPT-5.4 mini (xhigh) bei rund 78.000. Das ist kein Fähigkeitsmaß, sondern ein Kostenmaß – und in agentischen Schleifen, in denen ein Modell dieselbe Aufgabe über viele Züge bearbeitet, der Posten, der die Rechnung bestimmt.
Die Architektur laut Modellkarte (Primärquelle): ein 42-Lagen-Decoder-only-Transformer mit dünnbesetztem Mixture-of-Experts-Rückgrat – „each token is routed to 6 of 256 experts, plus 2 shared experts“. Gewichte in BF16 und NVFP4. Die Eingabe ist multimodal (Text, Bilder, Audio als WAV mit 16 kHz), die Ausgabe reiner Text. Lizenz Apache 2.0. ⚠️ Eine Abweichung legen wir offen: Die Modellkarte des Labors nennt ausdrücklich „a context window of up to 1M tokens“, Artificial Analysis führt das Modell dagegen mit einem 256K-Token-Fenster. Welche Zahl den ausgelieferten Endpunkt beschreibt und welche die Modellfähigkeit, geht aus keiner der beiden Quellen hervor; wir führen beide.
Wie der Sprung zustande kam, beschreibt das Labor selbst: eine veränderte Datenmischung im Vortraining, On-Policy-Destillation mit Inkling als Lehrermodell und zwei Wochen zusätzliches Reinforcement Learning auf agentisches Programmieren. Trainiert wurde auf NVIDIA-GB300-NVL72-Systemen. Die vom Labor berichteten Benchmark-Werte (anbieter-selbstberichtet, unabhängig nicht reproduziert) liegen in mehreren Disziplinen über denen des größeren Vorgängers: SWE-Bench Verified 80,2 gegen 77,6 Prozent, GPQA Diamond 89,5 gegen 87,2, Humanity’s Last Exam (nur Text) 31,6 gegen 29,7. Weiter nennt die Tabelle SWE-Bench Pro 55,9, Terminal Bench 2.1 64,7, AIME 2026 95,5 und IFBench 82,2 Prozent.
Der Vergleichsrahmen derselben Tabelle – ebenfalls Anbieterangabe – stellt Inkling Small neben Qwen3.5 397B, DeepSeek V4, Claude Haiku 4.5 und GPT-5.6 Luna. Gegen die offenen Konkurrenten liegt es bei SWE-Bench Verified vorn (80,2 gegen 76,4 und 79,0), gegen GPT-5.6 Luna deutlich zurück (93,0); bei Terminal Bench 2.1 ist der Abstand größer (64,7 gegen 82,5). Bei GPQA Diamond liegen Inkling Small und GPT-5.6 Luna gleichauf bei 89,5 Prozent. Verfügbar sind die Gewichte auf Hugging Face; ausprobieren lässt sich das Modell im Tinker Playground des Labors.
Einordnung zum Vorgänger: Inkling war Mitte Juli als 975-Milliarden-Modell erschienen, ausdrücklich als Rohstoff zur Feinjustierung und nicht als stärkstes verfügbares Modell. Inkling Small dreht dieselbe Wette auf die Betreibbarkeit: Wer die These des Labors teilt, dass gezielt angepasste Modelle große Allzweck-Modelle auf engen Aufgaben schlagen, braucht ein Fundament, das sich überhaupt betreiben lässt. Offen bleibt, wie sich der Abstand außerhalb der Index-Aufgaben verhält – die agentische Coding-Phase im Nachtraining war gezielt auf einen Teil dieses Spektrums gerichtet.