Inkling 2 Small 的分數不少，但分佈極不均勻：同一張官方表裏既有 86.3% 的亮點，也有 13.1% 的短板。本文把全部可覈查的分數按來源分開——官方自測、獨立榜單、第三方實測——並說明每項分數的測試條件。先說結論：它的強項是視覺、金融與抽象推理，短板是終端 Agent 任務；而且官方分數全部在最高思考檔下測得，日常使用會更低。
官方模型卡的基準表全部在 effort 0.99（xhigh）、溫度 1.0、1M 軌跡上限下測得：
| 測試 | 得分 | 怎麼看 |
|---|---|---|
| SWE-Bench Pro v2 (Hard) | 86.3% | 表中僅次於 Kimi K3；代碼補丁任務強 |
| PerceptionBench | 64.7% | 高於 Kimi K3 的 58.5%；視覺強 |
| EnterpriseBench-CoreCraft | 71.8% | 遠高於 GLM-5.3-Flash 的 46.7%；企業文檔強 |
| JobBench | 70.5% | 知識工作任務 |
| FrontierCode v2.0 | 25.4% | 前代 5%，進步大；但低於 DeepSeek 的 28.5% |
| DeepSWE v1.1 | 72.1% | 低於 DeepSeek 的 77.0% |
| Vals Finance Index | 61.5% | 高於 DeepSeek 的 60.9%；金融強 |
| Terminal-Bench 4.0 | 13.1% | 明顯短板；GLM-5.3-Flash 32.8%、DeepSeek 33.8% |
| AA-Briefcase v1.1 | 1527 Elo | 前代 912 Elo；文檔 Agent 大幅進步 |
| AA-Omniscience v1.1（非幻覺率） | 73.3% | 表中最高；淨分 16.1 |
| MMMU Pro (Standard 10) | 81.6% | 多模態推理強 |
| HLE-Diamond | 28.7% | 難題基準，中等 |
注意兩個口徑問題：第一，全部是 xhigh 檔的分數——日常默認檔會更低，官方沒有公佈默認檔的對照表；第二，多項爲廠商自測，對手的分數取自對方報告而非同場運行。
Artificial Analysis 智能指數 v5.0 未四捨五入是 30.6，公告裏寫 31；v5.0.1 口徑同樣是 31。三個參照系：縱向比，前代 Inkling Small 是 13，進步 18 分；同價位比，29 個模型中第 4；橫向比，低於 DeepSeek V4.1 Flash（32.6）、Claude Haiku 5.5（36.5），略低於 Gemini 3.8 Flash（30.8）。AA 的原話是：權重發布後，它將是「中國以外得分最高的開源權重模型」——這個定語很重要：只看 AA 指數、只算中國以外、只算開源權重，三項同時成立纔是第一。
ARC Prize 的測試裏，Inkling 2 Small 在 ARC-AGI-2 上得 81.7%、ARC-AGI-1 上 96.5%，是開源權重模型中的第一。ARC 測的是抽象推理與模式泛化能力，不是知識記憶——這個第一與 PerceptionBench、MMMU Pro 的高分互相印證，說明視覺與抽象推理確實是它的強項，而不是某一張表的偶然。
這是官方表裏最弱的一項：13.1%，不到 GLM-5.3-Flash（32.8%）的一半、不到 GLM 5.3（41.9%）的三分之一。Terminal-Bench 測的是終端 Agent 任務——在命令行環境裏自主完成多步任務，需要工具選擇、狀態追蹤與長程規劃。官方未解釋低分原因；模型卡自述的短板裏有一條正好對得上：「大代碼庫中不總選對工具」。與 SWE-Bench Pro 的 86.3% 對照看：給它一個明確的代碼補丁任務，它很強；讓它在終端環境裏自己摸索着完成任務，它很弱。買它做終端 Agent 之前，先用自己的任務測一遍。
AA 的獨立測量補上了官方表沒有的維度：每任務 $1.18、15.7 分鐘、約 150K 輸出 tokens——對前代的 $0.20、7.0 分鐘、約 37K。分數漲了，賬單與耗時也漲了。Plotly 的數據分析基準（11 月 12 日）是另一個獨立數據點：比前代高 9 分，成本相近、速度快一倍——至少在數據分析這個場景裏，進步沒有伴隨成本上升。thoughtfullab 的金融盡調測試同樣正面：$0.69 生成完整備忘錄並識別 12 億美元錯項。
參考來源：本文爲本站原創改寫與整理，事實與數據覈對自 theddari Inkling 2 Small 指南與基準解讀（2026-11-07）
← 返回 Inkling 2 Small 專題