Inkling 2 Small 基准测试全盘点：AA 31 分、ARC 登顶与 Terminal-Bench 4.0 的 13.1%

Inkling 2 Small 的分数不少，但分布极不均匀：同一张官方表里既有 86.3% 的亮点，也有 13.1% 的短板。本文把全部可核查的分数按来源分开——官方自测、独立榜单、第三方实测——并说明每项分数的测试条件。先说结论：它的强项是视觉、金融与抽象推理，短板是终端 Agent 任务；而且官方分数全部在最高思考档下测得，日常使用会更低。

官方表：强项与短板同样鲜明

官方模型卡的基准表全部在 effort 0.99（xhigh）、温度 1.0、1M 轨迹上限下测得：

注意两个口径问题：第一，全部是 xhigh 档的分数——日常默认档会更低，官方没有公布默认档的对照表；第二，多项为厂商自测，对手的分数取自对方报告而非同场运行。

AA 指数 31：怎么理解这个数字

Artificial Analysis 智能指数 v5.0 未四舍五入是 30.6，公告里写 31；v5.0.1 口径同样是 31。三个参照系：纵向比，前代 Inkling Small 是 13，进步 18 分；同价位比，29 个模型中第 4；横向比，低于 DeepSeek V4.1 Flash（32.6）、Claude Haiku 5.5（36.5），略低于 Gemini 3.8 Flash（30.8）。AA 的原话是：权重发布后，它将是「中国以外得分最高的开源权重模型」——这个定语很重要：只看 AA 指数、只算中国以外、只算开源权重，三项同时成立才是第一。

ARC 登顶：抽象推理是真强项

ARC Prize 的测试里，Inkling 2 Small 在 ARC-AGI-2 上得 81.7%、ARC-AGI-1 上 96.5%，是开源权重模型中的第一。ARC 测的是抽象推理与模式泛化能力，不是知识记忆——这个第一与 PerceptionBench、MMMU Pro 的高分互相印证，说明视觉与抽象推理确实是它的强项，而不是某一张表的偶然。

Terminal-Bench 4.0 的 13.1%：短板有多严重

这是官方表里最弱的一项：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 测的是终端 Agent 任务——在命令行环境里自主完成多步任务，需要工具选择、状态追踪与长程规划。官方未解释低分原因；模型卡自述的短板里有一条正好对得上：「大代码库中不总选对工具」。与 SWE-Bench Pro 的 86.3% 对照看：给它一个明确的代码补丁任务，它很强；让它在终端环境里自己摸索着完成任务，它很弱。买它做终端 Agent 之前，先用自己的任务测一遍。

独立测量：成本与速度的另一面

AA 的独立测量补上了官方表没有的维度：每任务 $1.18、15.7 分钟、约 150K 输出 tokens——对前代的 $0.20、7.0 分钟、约 37K。分数涨了，账单与耗时也涨了。Plotly 的数据分析基准（11 月 12 日）是另一个独立数据点：比前代高 9 分，成本相近、速度快一倍——至少在数据分析这个场景里，进步没有伴随成本上升。thoughtfullab 的金融尽调测试同样正面：$0.69 生成完整备忘录并识别 12 亿美元错项。