Inkling-Small、4 分で読める AI モデルの紹介記事
本文の状態
日本語全文を表示中
詳細モードで約15分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
TLDR AI
総パラメータ276B、アクティブ12B の MoE 構造を採用し、元のモデルである Inkling（975B/41B）と比較してサイズを約4分の1に削減した。
AI深層分析を開く2026年7月31日 23:35
AI深層分析
キーポイント
高効率なパラメータ構成
総パラメータ276B、アクティブ12B の MoE 構造を採用し、元のモデルである Inkling（975B/41B）と比較してサイズを約4分の1に削減した。
同等性能の維持と向上
計算リソースの大幅な削減にもかかわらず、ツール使用や推論、指示従順性のベンチマークにおいて Inkling と同等かそれ以上の効率性を示し、同重量クラスの他モデルとも競合する。
高度な機能と柔軟性
音声・画像へのネイティブ推論、最大 1M トークンのコンテキストウィンドウに加え、ユーザーがコストと性能を調整可能な可変思考努力（variable thinking effort）機能を搭載している。
大規模ハードウェアでの訓練
本モデルは NVIDIA GB300 NVL72 システム上で訓練され、大規模計算資源を活用した効率的な学習プロセスを経ている。
Inkling-Smallの公開と利用
Inkling-Smallのフルウェイトが公開され、Tinkerでのファインチューニングやテキスト・画像・音声チャットが可能になった。
重要な引用
Inkling-Small is a Mixture-of-Experts transformer with 276B total parameters, 12B active, trained on NVIDIA GB300 NVL72 systems.
Compared to Inkling, Inkling-Small achieves comparable performance with much less compute.
variable thinking effort lets users easily adapt it to target their use case, balancing cost and performance.
With these improvements, Inkling-Small surpassed Inkling on reasoning and agentic coding benchmarks.
編集コメントを表示
編集コメント
Thinking Machines が公開した Inkling-Small は、大規模モデルの性能を維持しながらリソース効率を飛躍的に高める実証例であり、オープンソースコミュニティにおける実用性の向上に寄与する。特に可変思考努力機能は、コストと性能のトレードオフをユーザーが柔軟に制御できる点で注目される。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
本日、Efficient Open-Weights モデル「Inkling-Small」をリリースします。このモデルは、サイズが既存の Inkling の約 4 分の 1 でありながら、同等のパフォーマンスを実現しています。
Inkling-Small は、NVIDIA GB300 NVL72 システムでトレーニングされた Mixture-of-Experts（MoE）トランスフォーマーです。総パラメータ数は 276B、アクティブに動作するのは 12B です。Inkling と同様に、音声や画像に対するネイティブな推論機能、可変的な思考コストの調整、最大 1M トークンのコンテキストウィンドウを備えており、幅広いベンチマークで高い性能を発揮します。
Inkling-Small#
276B total
12B active
Inkling#
975B total
41B active
Inkling-Small と Inkling のパラメータ比較。
Inkling に比べて、Inkling-Small ははるかに少ない計算資源で同等の性能を達成しています。エージェントによるツール使用（Terminal-Bench 2.1）、推論能力（HLE テキストのみ、ツールなし）、指示従順性（IFBench）といったベンチマークにおいて、Inkling-Small は Inkling よりも効率的であり、同規模の他モデルとも互角の競争力を持っています。さらに、可変的な思考コスト の機能により、ユーザーはコストとパフォーマンスのバランスを取りながら、用途に合わせて柔軟に調整することが可能です。
Inkling-Small 12B active (effort sweep)
Inkling 41B active (effort sweep)
Comparison models
性能と計算リソースの比較
推論コストを「最小」から「最大」までスキャンすることで、Inkling-Small と Inkling のパフォーマンス・計算曲線（サンプルあたりの出力 TFLOPs）を把握できます。これは Terminal-Bench 2.1、HLE（ツールなし）、IFBench における評価結果です。その結果、Inkling-Small は同サイズのオープンウェイトモデルと比較しても、性能と効率性の両面で十分に競争力があることが示されました。
サンプルあたりの出力 TFLOPs は、「アクティブパラメータ数の 2 倍 × サンプルあたりの平均生成トークン数」として算出されています。ここでいう生成トークン数には推論用のトークンも含まれ、そのデータは当社の評価結果または Artificial Analysis の公開レポートに基づいています。
Inkling-Small の全パラメータを Hugging Face で公開しました。また、Tinker 上でのファインチューニングや、テキスト・画像・音声チャット機能も Tinker Playground で利用可能です。
主要な機能
モデルファミリーの構築にあたり、私たちは常にアプローチを改善し続けています。Inkling-Small はその上位版よりも後にトレーニングを開始したため、学習プロセスの改善に注力できました。具体的には、事前学習データの構成や機械学習のレシピを変更しました。さらに、先行するチェックポイントである Inkling-Small (preview) に対しては、教師モデルとして Inkling を用いたオンポリシー蒸留の一部を適用してポストトレーニングを行いました。このチェックポイントを起点に、エージェント型コーディングの強化学習（RL）によるスケーリングをさらに 2 週間継続しました。
これらの改善により、Inkling-Small は推論能力とエージェント型コーディングのベンチマークにおいて Inkling を上回りました。一方で、知識のカバレッジや事実の正確性においては、依然として Inkling が優位性を保っています。
Spider chart comparing Inkling-Small, Inkling, DeepSeek V4 Flash, Gemini 3.5 Flash-Lite, and GPT 5.6 Luna on ten evaluations scored from zero to one hundred. Inkling-Small is shown with a solid purple line, Inkling with the heavier cobalt line, and the comparison models with dashed lines. Evaluations without a reported model score are plotted at zero. Hover an evaluation to compare every model's score.
Inkling-Small は幅広い分野をカバーするバランス型の一般モデルです。ベンチマークスコアは共通の 0〜100 のスケールで示されており、数値が高いほど優れています。
Reasoning and Agentic Tasks#
推論およびエージェントタスクにおいて、Inkling-Small は Inking と同等かそれ以上の性能を発揮します。Humanity's Last Exam では 31.6% のスコアを記録し、Inkling の 29.7% を上回っています。この優位性はあらゆる思考予算（thinking budget）において維持されており、テスト時の計算コスト曲線も Inkling-Small の方が常に上回っています。また、SWEBench-Verified では 80% を超える結果となりました。
多くの推論およびエージェントベンチマークにおいて、最大限の推理努力を払った際の Inkling-Small は、同規模のオープンウェイトモデルと比較して、性能とトークン数のトレードオフにおいて優れたバランスを示しています。
Inkling-Small
Inkling
比較対象モデル
パレートフロンティア
GDPval-AA v2 (Elo)
各モデルのスコアとタスクあたりの出力トークン数は以下の通りです。
- GDPval-AA v2 · Inkling-Small: 1269, 23k output tokens/task
- GDPval-AA v2 · Inkling: 1238, 28.6k output tokens/task
- GDPval-AA v2 · Nemotron 3 Ultra: 1164, 27.2k output tokens/task
- GDPval-AA v2 · DeepSeek V4 Flash: 1189, 28.2k output tokens/task
- GDPval-AA v2 · DeepSeek V4 Pro: 1306, 31.8k output tokens/task
- GDPval-AA v2 · Qwen3.5-397B-A17B: 962, 15.5k output tokens/task
- GDPval-AA v2 · MiMo V2.5: 1145, 16k output tokens/task
- GDPval-AA v2 · MiMo V2.5 Pro: 1265.1, 22.8k output tokens/task
- GDPval-AA v2 · Minimax M2.7: 1159, 24.1k output tokens/task
- GDPval-AA v2 · MiniMax M3: 1390.8, 43.1k output tokens/task
- GDPval-AA v2 · Kimi K2.5: 1009, 15.9k output tokens/task
- GDPval-AA v2 · Kimi K2.6: 1190, 25.3k output tokens/task
- GDPval-AA v2 · GLM 5.2: 1514, 78.8k output tokens/task
τ³-Banking テストの結果は以下の通りです。
- τ³-Banking · Inkling-Small: 15.5%, 5.1k output tokens/task
τ³-Banking における各モデルの性能と出力トークン数は以下の通りです。
Inkling-Small は正答率 23.7%、タスクあたり 8,400 トークンの出力を記録しました。Nemotron 3 Ultra は 13.8% と 9,500 トークン、DeepSeek V4 Flash は 22.9% と 11,100 トークンです。DeepSeek V4 Pro は 26.0% で 9,900 トークン、Qwen3.5-397B-A17B は 13.4% と 7,700 トークンでした。
MiMo V2.5 は正答率 6.6%、出力トークン数 6,700 です。同様の MiMo V2.5 Pro では 9.0% と 7,200 トークンに改善されています。Minimax M2.7 は 8.9% で 5,800 トークン、MiniMax M3 は 13.0% と 5,000 トークンを出力しました。
Kimi K2.5 は 14.2% で 5,600 トークン、Kimi K2.6 では 20.6% と 10,800 トークンを達成しています。GLM 5.2 は正答率 26.8% を記録し、タスクあたり 19,500 トークンの出力を生成しました。
次に AA-Briefcase（Elo）の評価結果です。Inkling-Small は Elo 値 917、出力トークン数 29,000 でトップに立ちました。Inkling は 839 と 52,200 トークン、Nemotron 3 Ultra は 870 と 47,500 トークンです。
DeepSeek V4 Flash は Elo 833、出力トークン数 37,600。MiMo V2.5 Pro は 878.9 と 32,800 トークンを記録しました。
AA-Briefcase · MiniMax M3: 1107.8, タスクあたり出力トークン数 81.9k
AA-Briefcase · GLM 5.2: 1266, タスクあたり出力トークン数 115k
Inkling-Small
Inkling
タスクあたり出力トークン数
CritPt
0%
5%
10%
15%
20%
25%
40k
100k
200k
CritPt · Inkling-Small: 8.3%, タスクあたり出力トークン数 101k
CritPt · Inkling: 5.4%, タスクあたり出力トークン数 79.3k
CritPt · Nemotron 3 Ultra: 3.1%, タスクあたり出力トークン数 82.5k
CritPt · DeepSeek V4 Flash: 7.1%, タスクあたり出力トークン数 202k
CritPt · DeepSeek V4 Pro: 13.0%, タスクあたり出力トークン数 105k
CritPt · Qwen3.5-397B-A17B: 1.7%, タスクあたり出力トークン数 45.2k
CritPt · MiMo V2.5: 3.7%, タスクあたり出力トークン数 41.2k
CritPt · MiMo V2.5 Pro: 4.0%, タスクあたり出力トークン数 58.4k
CritPt · Minimax M2.7: 0.6%, タスクあたり出力トークン数 39.4k
CritPt · MiniMax M3: 3.7%, タスクあたり出力トークン数 77.9k
CritPt · Kimi K2.5: 3.1%, タスクあたり出力トークン数 39.6k
CritPt · Kimi K2.6: 8.0%, タスクあたり出力トークン数 183k
CritPt · GLM 5.2: 20.9%, タスクあたり出力トークン数 106k
Inkling-Small
Inkling
タスクあたり出力トークン数
推論とエージェントタスクにおけるトークン効率性とパフォーマンスのトレードオフについて評価を行いました。Inkling-Small と最大努力で動作する Inkling、および他のオープンウェイトモデルを、GDPval-AA v2、τ³-Banking、AA-Briefcase、CritPt といったエージェント・推論ベンチマークで検証し、性能と出力トークン数（推論プロセスと回答の合計）を示しました。Inkling-Small は破線で示されるように、最も効率的なオープンウェイトモデルの一つです。結果は当社の評価データまたは Artificial Analysis の参照データに基づいています。
Inkling-Small は、さまざまなコーディングおよびエージェントハーンスでも円滑に動作するため、コーディングやツール使用ワークフローにおけるコスト効率の高い選択肢となります。
多様性#
Inklingと同様に、インクリング・スモールは音声知能のために設計されており、実世界の音声アプリケーションに適したモデルです。また、視覚タスクにおける Python の活用能力も向上させました。
このモデルは、切り抜きやズーム、プログラムによる画像検査などの操作と組み合わせて視覚推論を行うことで、文書やチャート上で情報が小さかったり直接確認が困難な場合でも、使い勝手が大幅に改善されます。
インクリング・スモールは、インクリングと同じくネイティブのマルチモーダルエンコーダーフリーアーキテクチャを採用しています。音声は dMel スペクトログラムで表現され、画像は 40×40 ピクセルのパッチに分割された上で、4 層の hMLP を通じて変換されます。これらは軽量な埋め込み層を経てテキストトークンと共に処理されます。
インクリング・スモールはコストを抑えながら、視覚推論、チャートや図表の理解、数学的な視覚質問応答、音声理解、長文の音声推論など、ほぼすべてのマルチモーダル評価においてインクリングに匹敵する性能を維持しています。
Open weights
Closed weights
Inkling-Small
MiMo V2.5
Nemotron-3Nano-Omni
Qwen3-Omni
Qwen3.5397B-A17B
Qwen3.5Omni-Plus
Gemini 3.5Flash-Lite
Vision
MMMU Pro(Standard 10)
74.0%
75.4%
53.0%
60.0%
77.3%
71.0%
79.0%
Charxiv RQoriginal / with python
77.4/81.3%
81.0%/–
63.6%/–
61.1%/–
80.8%/–
72.5%/–
70.0%/–
Audio
Audio MC
54.9%
30.4%
23.2%
24.3%
–
37.6%
33.6%
MMAU
77.0%
73.6%
76.7%
77.5%
–
81.1%
75.2%
VoiceBench
90.1%
86.4%
89.4%
88.8%
–
92.4%
85.9%
専門的なオムニモデル（オープンウェイトおよびクローズドウェイト）とのオーディオ・ビジョンベンチマークの結果。評価は努力度=0.99 の条件で報告されています。
認識の限界#
Inkling-Small は、Epistemics 上のデータを用いて Inkling と同様に学習されました。その重点は、較正（キャリブレーション）、指示の遵守、そして検閲への耐性です。
予測精度においては、Inkling-Small は Inkling の性能に匹敵します。較正プロセスでは、膨大な実世界の予測問題データセットに対して、適切なスコアリングルールを用いた強化学習（RL）を実施しました。これにより、不確実性の下で適切な自信レベルを表現し、信頼性の高い予測結果を生み出す能力が向上しています。
重み付けの公開状況
オープンウェイト（Open weights）
クローズドウェイト（Closed weights）
モデル一覧:
- Inkling-Small
- Inkling
- Kimi K2.6
- GPT-5.5
- Claude Opus 4.8
- Gemini 3.1 Pro
- Grok 4.3
予測性能評価結果
ForecastBench（検索機能なし）
Brier Index（数値が低いほど優れている）: 61.3 ± 0.46
ForecastBench（検索機能あり）
Brier Index: 61.5 ± 0.54
Prophet Arena
Brier Score（数値が低いほど優れている）: 0.1238 ± 0.0086
※上記の ForecastBench および Prophet Arena の結果は、2026 年 7 月 19 日から 28 日にかけて行われたテスト期間中に取得されたものです。
セーフティ（Safety）
Inkling-Small は、Inkling と同じ安全なポストトレーニングのレシピを受け継いでおり、内部仕様に準拠した組み込みのセーフガードを備えています。これには、日常的な人間と AI の相互作用や、二重利用可能な機能への対応も含まれます。また、Inkling-Small も事前展開テストプロセスを共通して実施しており、内部評価に加え、信頼できる外部パートナーによるレッドチーム演習も含まれています。
明確に有害なリクエストを拒否する能力を測定する StrongREJECT では、Inkling-Small は Inkling と同等の性能を示し、既存のオープンウェイトモデルとも互角の結果を記録しました。一方、犯罪、暴力、二重利用リスクなど多様なシナリオにおける安全性を評価する FORTRESS では、拒否率と過剰な拒否（over-refusal）の両面で競争力のあるパフォーマンスを発揮しています。
Inkling-Small
Inkling
Nemotron 3Ultra
Qwen3.5397B-A17B
MiMo V2.5
Minimax M2.7
DeepSeek V4Flash
FORTRESS (adversarial)
71.6%
78.0%
77.6%
77.3%
64.8%
86.3%
32.0%
FORTRESS (benign)
96.9%
95.9%
90.6%
95.4%
94.6%
90.1%
99.2%
StrongREJECT
98.4%
98.6%
98.7%
99.4%
99.3%
99.4%
97.4%
安全性ベンチマークの結果は、effort=0.99 の条件下で報告されています。数値が高いほど優れています。FORTRESS adversarial は有害なリクエストを拒否する割合、benign は安全なリクエストに対して依然として回答できる割合を示します。
Inkling-Small のベンチマーク
Inkling と同様に、Inkling-Small についても幅広い能力範囲でベンチマークを実施しました。すべての評価は effort 0.99、temperature 1.0 で実行されています。コーディング関連の評価では、Inkling と同様、最大トークン数 256K の軌道制限を設けています。
一貫性を高めるため、内部モデルおよび外部モデルの両方について、可能な限り外部機関が報告した評価結果を採用しました。具体的には、以下の機関が報告したスコアを使用しています。
- Artificial Analysis: Humanity's Last Exam, GPQA Diamond, SciCode, GDPval-AA v2, Tau 3 Banking, AA Omniscience, MMMU Pro, AA-Briefcase
- Scale AI: AudioMC, MCP Atlas
- ARC Prize: ARC-AGI v1 および ARC-AGI v2
- Forecasting Research Institute: ForecastBench
- ProphetArena
モデル情報（オープンウェイトとクローズドウェイトの比較）
| モデル | AA Index v4.1 |
|---|---|
| Qwen3.5 (397B-A17B) | 40.0% |
| MiMo V2.5 | 34.0% |
| Minimax M2.7 | 37.0% |
| DeepSeek V4 Flash | 38.0% |
| Nemotron 3 Ultra | 40.0% |
| Inkling | 38.0% |
| Claude 4.5 Haiku | 41.0% |
| Gemini 3.5 Flash-Lite | 30.0% |
| GPT 5.6 Luna | 36.0% |
| Inkling-Small | 49.0% |
パラメータ数（B）の活性化数と総数の比較
12 / 276
17 / 397
15 / 310
10 / 230
13 / 284
55 / 550
41 / 975
–
–
–
エージェント型タスク（コーディング）
SWEBench Verified*
80.2%
76.4%
71.0%
79.9%
79.0%
70.7%
77.6%
73.3%
75.0%
93.0%
SWEBench Propublic
55.9%
50.9%
56.1%
56.2%
52.6%
46.4%
54.3%
39.5%
54.2%
62.7%
Terminal Bench 2.1*（ベストなハーンネス）
64.7%
51.3%
63.7%
55.4%
61.8%
56.4%
63.8%
44.2%
54.0%
82.5%
SciCode
48.7%
42.0%
43.1%
47.0%
44.9%
39.9%
46.1%
43.3%
40.9%
50.0%
エージェント型タスク（一般）
GDPval-AA v2
1269
962
1145
1159
1189
1164
1238
911
1139
1530
MCP Atlas public / all
79.6/79.2%
74.2%/–
–
49.4%/–
69.0%/–
47.4/44.7%
78.8/76.0%
41.2/40.2%
79.8/76.8%
77.0/75.0%
Tau 3 Banking
15.5%
13.4%
6.6%
8.9%
22.9%
13.8%
23.7%
9.1%
16.5%
24.3%
コンテキスト管理を備えた BrowseComp
77.4%
78.6%
–
76.3%
73.2%
63.0%
77.1%
–
–
84.0%
Toolathlon 検証済み
54.4%
40.7%
49.1%
47.5%
50.9%
34.3%
45.5%
26.9%
57.1%
67.9%
AA-Briefcase
917
–
–
–
833
870
839
612
–
–
推論（一般）
GPQA Diamond
89.5%
89.3%
84.9%
87.4%
89.4%
86.7%
87.2%
67.2%
83.8%
89.5%
HLE テキストのみ
31.6%
27.3%
25.2%
28.1%
32.1%
26.6%
29.7%
9.7%
17.5%
35.6%
HLE† ツール使用時
47.8%
48.3%
40.0%
40.3%
45.1%
37.4%
46.0%
17.8%
42.5%
48.9%
AIME 2026
95.5%
93.3%
93.6%
87.7%
95.8%
94.2%
97.1%
85.1%
82.2%
97.6%
HMMT 2026 年 2 月
90.2%
87.9%
82.6%
71.2%
93.9%
78.8%
86.3%
66.7%
63.6%
98.5%
CritPt
8.3%
1.7%
3.7%
0.6%
7.1%
3.1%
5.4%
0.0%
0.0%
20.6%
推論能力（概要）
ARC-AGI-1
84.0%
79.5%
47.7%
87.7%
ARC-AGI-2
40.1%
36.5%
4.0%
47.6%
事実性
SimpleQA Verified
20.6%、26.0%、16.1%、13.5%、34.1%、32.4%、43.9%、5.9%、44.1%、41.7%
AA Omniscience index
-9.0、-29.8
原文を表示
Today, we are releasing Inkling-Small, an efficient open-weights model that achieves comparable performance to Inkling at a quarter of its size.
Inkling-Small is a Mixture-of-Experts transformer with 276B total parameters, 12B active, trained on NVIDIA GB300 NVL72 systems. Like Inkling, it features native reasoning over audio and images, variable thinking effort, a context window of up to 1M tokens, and well-rounded performance across a range of benchmarks.
Compared to Inkling, Inkling-Small achieves comparable performance with much less compute. Across agentic tool use (Terminal-Bench 2.1), reasoning (HLE text-only, no tools), and instruction following (IFBench) benchmarks, Inkling-Small is more efficient than Inkling and competitive with other models in its weight class. Furthermore, its variable thinking effort lets users easily adapt it to target their use case, balancing cost and performance.
We are releasing the full weights of Inkling-Small. We’re also making it available for fine-tuning on Tinker, and for text, image, and audio chat on Tinker Playground.
Capabilities#
As we build our model family, we are always iterating on our approach. Inkling-Small began training after its larger counterpart, which let us improve its training process. For example, we made changes to Inkling-Small’s pre-training data mix and machine learning recipe. Additionally, we post-trained an earlier checkpoint, Inkling-Small (preview), in part using on-policy distillation with Inkling as the teacher. Starting from that checkpoint, we continued scaling agentic coding RL for two weeks. With these improvements, Inkling-Small surpassed Inkling on reasoning and agentic coding benchmarks. Inkling maintains an advantage on knowledge coverage and factuality.
Reasoning and Agentic Tasks#
Inkling-Small matches or exceeds Inkling on reasoning and agentic tasks. On Humanity’s Last Exam it scores 31.6%, ahead of Inkling’s 29.7%, and the advantage holds at every thinking budget: Inkling-Small’s test-time compute curves sit above Inkling’s throughout. On SWEBench-Verified it exceeds 80%.
Across many reasoning and agentic benchmarks, Inkling-Small at max reasoning effort has a strong performance-token tradeoff when compared to open weights models in its weight class.
Inkling-Small
Inkling
Comparison models
Pareto frontier
GDPval-AA v2 (Elo)
- 900
1100
1300
1500
15k
30k
60k
GDPval-AA v2 · Inkling-Small: 1269, 23k output tokens/task
GDPval-AA v2 · Inkling: 1238, 28.6k output tokens/task
GDPval-AA v2 · Nemotron 3 Ultra: 1164, 27.2k output tokens/task
GDPval-AA v2 · DeepSeek V4 Flash: 1189, 28.2k output tokens/task
GDPval-AA v2 · DeepSeek V4 Pro: 1306, 31.8k output tokens/task
GDPval-AA v2 · Qwen3.5-397B-A17B: 962, 15.5k output tokens/task
GDPval-AA v2 · MiMo V2.5: 1145, 16k output tokens/task
GDPval-AA v2 · MiMo V2.5 Pro: 1265.1, 22.8k output tokens/task
GDPval-AA v2 · Minimax M2.7: 1159, 24.1k output tokens/task
GDPval-AA v2 · MiniMax M3: 1390.8, 43.1k output tokens/task
GDPval-AA v2 · Kimi K2.5: 1009, 15.9k output tokens/task
GDPval-AA v2 · Kimi K2.6: 1190, 25.3k output tokens/task
GDPval-AA v2 · GLM 5.2: 1514, 78.8k output tokens/task
Inkling-Small
Inkling
Output tokens/task
τ³-Banking
5%
10%
15%
20%
25%
30%
5k
10k
20k
τ³-Banking · Inkling-Small: 15.5%, 5.1k output tokens/task
τ³-Banking · Inkling: 23.7%, 8.4k output tokens/task
τ³-Banking · Nemotron 3 Ultra: 13.8%, 9.5k output tokens/task
τ³-Banking · DeepSeek V4 Flash: 22.9%, 11.1k output tokens/task
τ³-Banking · DeepSeek V4 Pro: 26.0%, 9.9k output tokens/task
τ³-Banking · Qwen3.5-397B-A17B: 13.4%, 7.7k output tokens/task
τ³-Banking · MiMo V2.5: 6.6%, 6.7k output tokens/task
τ³-Banking · MiMo V2.5 Pro: 9.0%, 7.2k output tokens/task
τ³-Banking · Minimax M2.7: 8.9%, 5.8k output tokens/task
τ³-Banking · MiniMax M3: 13.0%, 5k output tokens/task
τ³-Banking · Kimi K2.5: 14.2%, 5.6k output tokens/task
τ³-Banking · Kimi K2.6: 20.6%, 10.8k output tokens/task
τ³-Banking · GLM 5.2: 26.8%, 19.5k output tokens/task
Inkling-Small
Inkling
Output tokens/task
AA-Briefcase (Elo)
700
900
1100
1300
30k
60k
100k
AA-Briefcase · Inkling-Small: 917, 29k output tokens/task
AA-Briefcase · Inkling: 839, 52.2k output tokens/task
AA-Briefcase · Nemotron 3 Ultra: 870, 47.5k output tokens/task
AA-Briefcase · DeepSeek V4 Flash: 833, 37.6k output tokens/task
AA-Briefcase · MiMo V2.5 Pro: 878.9, 32.8k output tokens/task
AA-Briefcase · MiniMax M3: 1107.8, 81.9k output tokens/task
AA-Briefcase · GLM 5.2: 1266, 115k output tokens/task
Inkling-Small
Inkling
Output tokens/task
CritPt
0%
5%
10%
15%
20%
25%
40k
100k
200k
CritPt · Inkling-Small: 8.3%, 101k output tokens/task
CritPt · Inkling: 5.4%, 79.3k output tokens/task
CritPt · Nemotron 3 Ultra: 3.1%, 82.5k output tokens/task
CritPt · DeepSeek V4 Flash: 7.1%, 202k output tokens/task
CritPt · DeepSeek V4 Pro: 13.0%, 105k output tokens/task
CritPt · Qwen3.5-397B-A17B: 1.7%, 45.2k output tokens/task
CritPt · MiMo V2.5: 3.7%, 41.2k output tokens/task
CritPt · MiMo V2.5 Pro: 4.0%, 58.4k output tokens/task
CritPt · Minimax M2.7: 0.6%, 39.4k output tokens/task
CritPt · MiniMax M3: 3.7%, 77.9k output tokens/task
CritPt · Kimi K2.5: 3.1%, 39.6k output tokens/task
CritPt · Kimi K2.6: 8.0%, 183k output tokens/task
CritPt · GLM 5.2: 20.9%, 106k output tokens/task
Inkling-Small
Inkling
Output tokens/task
Output tokens/task
Token-Efficiency Performance Tradeoff on Reasoning + Agentic Benchmarks. We evaluate Inkling-Small and Inkling (with max effort) along with other open-weights models on agentic and reasoning tasks (GDPval-AA v2, τ³-Banking, AA-Briefcase and CritPt) and show performance and output token length (including reasoning + answer). Inkling-Small is among the most efficient open weights models, marked by the dashed line. Results were obtained from our evaluation or reference data from Artificial Analysis.
Inkling-Small also runs smoothly across a variety of coding and agent harnesses, making it a cost-efficient choice for coding and tool-use workflows.
Multimodality#
Like Inkling, we crafted Inkling-Small for audio intelligence, making it a good candidate for real-world audio applications. We also improved its ability to use Python for visual tasks. The model can combine visual reasoning with operations such as cropping, zooming, and programmatic image inspection, improving usability on documents and charts where relevant information may be small or difficult to inspect directly.
Inkling-Small uses the same natively multimodal encoder-free architecture as Inkling. Audio is represented as dMel spectrograms, while images are divided into 40×40-pixel patches and transformed using a four-layer hMLP. Both are transformed via a light-weight embedding layer and processed jointly with text tokens. Inkling-Small nearly matches Inkling across most multimodal evaluations at a lower cost. It retains strong performance on visual reasoning, chart and diagram understanding, mathematical visual question answering, speech understanding, and longer-form audio reasoning.
Open weights
Closed weights
Inkling-Small
MiMo V2.5
Nemotron-3Nano-Omni
Qwen3-Omni
Qwen3.5397B-A17B
Qwen3.5Omni-Plus
Gemini 3.5Flash-Lite
Vision
MMMU Pro(Standard 10)
74.0%
75.4%
53.0%
60.0%
77.3%
71.0%
79.0%
Charxiv RQoriginal / with python
77.4/81.3%
81.0%/–
63.6%/–
61.1%/–
80.8%/–
72.5%/–
70.0%/–
Audio
Audio MC
54.9%
30.4%
23.2%
24.3%
–
37.6%
33.6%
MMAU
77.0%
73.6%
76.7%
77.5%
–
81.1%
75.2%
VoiceBench
90.1%
86.4%
89.4%
88.8%
–
92.4%
85.9%
Audio and vision benchmarks against specialist omni models (open- and closed-weight), reported at effort=0.99.
Epistemics#
Inkling-Small was trained similarly to Inkling on epistemics, focusing on calibration, instruction following, and resistance to censorship. Inkling-Small matches Inkling’s performance on forecasting. Calibration involved RL against proper scoring rules on a large corpus of real-world forecasting questions, improving its ability to express appropriate confidence and produce calibrated forecasts under uncertainty.
Open weights
Closed weights
Inkling-Small
Inkling
Kimi K2.6
GPT-5.5
Claude Opus 4.8
Gemini 3.1 Pro
Grok 4.3
Forecasting
ForecastBenchno search · Brier Index ↑
61.3 ± 0.46
60.1 ± 0.54
58.8 ± 0.41
59.3 ± 0.33
56.2 ± 0.71
60.6 ± 0.43
60.9 ± 0.38
ForecastBenchwith search · Brier Index ↑
61.5 ± 0.54
61.0 ± 0.56
–
64.3 ± 0.79
59.9 ± 0.38
61.9 ± 0.69
61.3 ± 0.54
Prophet ArenaBrier Score ↓
0.1238 ± 0.0086
0.1276 ± 0.0092
0.1265 ± 0.0093
0.1179 ± 0.0089
0.1181 ± 0.0087
0.1155 ± 0.0084
0.1264 ± 0.0089
ForecastBench and Prophet Arena results were obtained during testing between July 19 and July 28, 2026.
Safety#
Inkling-Small inherited the same safety post-training recipe as Inkling, with built-in safeguards covering our internal spec of safety. These include everyday human-AI interactions as well as dual-use capabilities. Inkling-Small also underwent the same pre-deployment testing process, comprising both internal evaluations and red-teaming by trusted external partners.
On StrongREJECT, which measures whether models refuse unambiguously harmful requests, Inkling-Small is on par with Inkling, and matches the performance of existing open-weights models. On FORTRESS, which measures safety in settings spanning crime, violence, and dual-use risks, it is competitive in both refusal and over-refusal.
Inkling-Small
Inkling
Nemotron 3Ultra
Qwen3.5397B-A17B
MiMo V2.5
Minimax M2.7
DeepSeek V4Flash
FORTRESSadversarial
71.6%
78.0%
77.6%
77.3%
64.8%
86.3%
32.0%
FORTRESSbenign
96.9%
95.9%
90.6%
95.4%
94.6%
90.1%
99.2%
StrongREJECT
98.4%
98.6%
98.7%
99.4%
99.3%
99.4%
97.4%
Safety benchmarks, reported at effort=0.99; higher is better throughout. FORTRESS adversarial is the rate of refusing harmful requests, benign the rate of still answering safe ones.
Benchmarking Inkling-Small#
Like Inkling, we benchmarked Inkling-Small on a broad range of capabilities. All evals run at effort 0.99 and temperature 1.0. All coding evals run with 256K max-token trajectory limit, similar to Inkling.
To improve consistency, we rely on externally reported evaluations for both internal and external models when applicable. Specifically, we use the scores reported by:
Artificial Analysis: Humanity’s Last Exam, GPQA Diamond, SciCode, GDPval-AA v2, Tau 3 Banking, AA Omniscience, MMMU Pro, AA-Briefcase
- Scale AI: AudioMC, MCP Atlas
- ARC Prize: ARC-AGI v1 and ARC-AGI v2
- Forecasting Research Institute: ForecastBench
- ProphetArena
Open weights
Closed weights
Inkling-Small
Qwen3.5397B-A17B
MiMo V2.5
Minimax M2.7
DeepSeek V4Flash
Nemotron 3Ultra
Inkling
Claude 4.5Haiku
Gemini 3.5Flash-Lite
GPT 5.6Luna
Model Info
AA Indexv4.1
40.0%
34.0%
37.0%
38.0%
40.0%
38.0%
41.0%
30.0%
36.0%
49.0%
Params (B)activated / total
12 / 276
17 / 397
15 / 310
10 / 230
13 / 284
55 / 550
41 / 975
–
–
–
Agentic (coding)
SWEBench Verified*
80.2%
76.4%
71.0%
79.9%
79.0%
70.7%
77.6%
73.3%
75.0%
93.0%
SWEBench Propublic
55.9%
50.9%
56.1%
56.2%
52.6%
46.4%
54.3%
39.5%
54.2%
62.7%
Terminal Bench 2.1*best harness
64.7%
51.3%
63.7%
55.4%
61.8%
56.4%
63.8%
44.2%
54.0%
82.5%
SciCode
48.7%
42.0%
43.1%
47.0%
44.9%
39.9%
46.1%
43.3%
40.9%
50.0%
Agentic (general)
GDPval-AA v2
1269
962
1145
1159
1189
1164
1238
911
1139
1530
MCP Atlaspublic / all
79.6/79.2%
74.2%/–
–
49.4%/–
69.0%/–
47.4/44.7%
78.8/76.0%
41.2/40.2%
79.8/76.8%
77.0/75.0%
Tau 3 Banking
15.5%
13.4%
6.6%
8.9%
22.9%
13.8%
23.7%
9.1%
16.5%
24.3%
BrowseCompwith context management
77.4%
78.6%
–
76.3%
73.2%
63.0%
77.1%
–
–
84.0%
Toolathlon Verified
54.4%
40.7%
49.1%
47.5%
50.9%
34.3%
45.5%
26.9%
57.1%
67.9%
AA-Briefcase
917
–
–
–
833
870
839
612
–
–
Reasoning (general)
GPQA Diamond
89.5%
89.3%
84.9%
87.4%
89.4%
86.7%
87.2%
67.2%
83.8%
89.5%
HLEtext only
31.6%
27.3%
25.2%
28.1%
32.1%
26.6%
29.7%
9.7%
17.5%
35.6%
HLE†with tools
47.8%
48.3%
40.0%
40.3%
45.1%
37.4%
46.0%
17.8%
42.5%
48.9%
AIME 2026
95.5%
93.3%
93.6%
87.7%
95.8%
94.2%
97.1%
85.1%
82.2%
97.6%
HMMT Feb 2026
90.2%
87.9%
82.6%
71.2%
93.9%
78.8%
86.3%
66.7%
63.6%
98.5%
CritPt
8.3%
1.7%
3.7%
0.6%
7.1%
3.1%
5.4%
0.0%
0.0%
20.6%
Reasoning (abstract)
ARC-AGI-1
84.0%
–
–
–
–
–
79.5%
47.7%
–
87.7%
ARC-AGI-2
40.1%
–
–
–
–
–
36.5%
4.0%
–
47.6%
Factuality
SimpleQA Verified
20.6%
26.0%
16.1%
13.5%
34.1%
32.4%
43.9%
5.9%
44.1%
41.7%
AA Omniscienceindex
-9.0
-29.8
関連記事
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み