DeepSeek V4 Flash vs Inkling 2 Small
完整资料:DeepSeek V4 Flash(DeepSeek)和 Inkling 2 Small(Thinking Machines),包括全部基准测试、价格和排名。
更新于 · 数据来自 11 个来源
截至 2026年11月16日,DeepSeek V4 Flash 与 Inkling 2 Small 的质量不相上下(BenchLeader Index 57.2 比 57.9,在 ±5.2 的误差范围内)。DeepSeek V4 Flash 更便宜,对方的价格是它的 1.8 倍(每百万 token 混合价格 $0.262 比 $0.475)。看重推理(59 比 53)、人类偏好(62 比 59)和知识(55 比 54)选 DeepSeek V4 Flash;看重编程(60 比 55)选 Inkling 2 Small。DeepSeek V4 Flash 的首次回答更快(0.7 秒 比 49.0 秒)。Inkling 2 Small 的输出更快(约 1.5 倍)。
要点(截至 2026年11月16日)
- DeepSeek V4 Flash 的 BenchLeader Index 为 57.2,Inkling 2 Small 为 57.9(BenchLeader,2026年11月16日)。
- DeepSeek V4 Flash 每百万 token 混合价格为 $0.262(标价,2026年11月16日)。
- Inkling 2 Small 每百万 token 混合价格为 $0.475(标价,2026年11月16日)。
- Inkling 2 Small 比 DeepSeek V4 Flash 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
- 在两者都有结果的 17 项基准测试中,Inkling 2 Small 领先 10 项(BenchLeader,2026年11月16日)。
- 在 Arena WebDev 上,DeepSeek V4 Flash 的评分为 1582,Inkling 2 Small 为 1647(LMArena,截至 2026年11月16日 的公布数据)。
按用途怎么选
推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。
| 用途 | 推荐 | 理由 | 置信度 |
|---|---|---|---|
| 编程 | Inkling 2 Small | 类别得分 60 比 55;Arena WebDev 1647 比 1582 | 中 |
| 推理 | DeepSeek V4 Flash | 类别得分 59 比 53;Arena Hard Prompts 1459 比 1438 | 中 |
| 知识 | DeepSeek V4 Flash | 类别得分 55 比 54;BioMysteryBench 64.4% 比 70.0% | 中 |
| 对话质量(人类偏好) | DeepSeek V4 Flash | Arena 投票 62 比 59 | 中 |
| 成本最低 | DeepSeek V4 Flash | 每百万 token 混合价格 $0.262 比 $0.475;智能体编程会话 $0.011 比 $0.022 | – |
| 首次回答最快 | DeepSeek V4 Flash | 首个回答 token 0.7 秒(DeepSeek V4 Flash (high))比 49.0 秒(Inkling 2 Small) | – |
| 低预算大批量 | 两者都不选 | 通常更小的模型更合适:便宜好用的大模型、最快的大模型 | – |
主要差异
- DeepSeek V4 Flash (high) 与 Inkling 2 Small 的质量不相上下(57.2 比 57.9,在 ±5.2 的误差范围内)。
- DeepSeek V4 Flash (high) 在人类偏好、知识、推理方面更强。
- Inkling 2 Small 在编程方面更强。
- DeepSeek V4 Flash (high) 更便宜,对方的价格是它的 1.8 倍(每百万 token 混合价格 $0.262 比 $0.475)。
概览
| 规格 | DeepSeek V4 Flash | Inkling 2 Small |
|---|---|---|
| 提供商 | DeepSeek | Thinking Machines |
| 发布日期 | 2026年7月31日 | 2026年11月5日 |
| 上下文窗口(token) | 1,048,576 | 1,048,576 |
| 对比时的配置 | DeepSeek V4 Flash (high) | Inkling 2 Small |
| 开放权重 | 是 | 否 |
| 每百万 token 价格(输入 / 输出 / 缓存输入) | $0.150 / $0.600 / $0.0030 | $0.300 / $1.00 / $0.030 |
逐类别对比
类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。
| 类别 | DeepSeek V4 Flash (high) | Inkling 2 Small | 领先者 |
|---|---|---|---|
| 推理 | 59.2 | 52.8 | DeepSeek V4 Flash |
| 编程 | 55.0 | 60.3 | Inkling 2 Small |
| 智能体与工具 | – | 61.1 | 无法比较 |
| 数学 | 61.9 | – | 无法比较 |
| 知识 | 54.8 | 53.5 | DeepSeek V4 Flash |
| 人类偏好 | 62.0 | 58.6 | DeepSeek V4 Flash |
| 多模态 | – | 64.0 | 无法比较 |
| 长上下文 | – | 66.4 | 无法比较 |
同一图表对比
各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。
未绘制(测得的模型少于两个):智能体与工具, 数学, 指令遵循, 长上下文, 多模态。
各来源的分歧
在两者都有结果的 17 项基准测试中,DeepSeek V4 Flash 领先 7 项,Inkling 2 Small 领先 10 项。所有同时评测两者的综合评分都认为 DeepSeek V4 Flash 更强。
| 综合 Index | DeepSeek V4 Flash (high) | Inkling 2 Small | 领先者 |
|---|---|---|---|
| BenchLeader Index | 57.2 | 57.9 | 不相上下 |
| Arena Text | 1439 | 1412 | DeepSeek V4 Flash |
各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。
价格、速度与延迟
标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。
| 指标 | DeepSeek V4 Flash (high) | Inkling 2 Small |
|---|---|---|
| 每百万 token 混合价格 | $0.262 | $0.475 |
| 每百万 token 输入 / 输出 | $0.150 / $0.600 | $0.300 / $1.00 |
| 每百万 token 缓存输入 | $0.0030 | $0.030 |
| 每项任务价格:聊天回复 | $0.0002 | $0.0004 |
| 每项任务价格:总结一份 30 页的报告 | $0.0022 | $0.0042 |
| 每项任务价格:代码编辑 | $0.0018 | $0.0033 |
| 每项任务价格:智能体编程会话 | $0.011 | $0.022 |
| 每项任务价格:结构化信息提取 | $0.0004 | $0.0008 |
| 智能体编程会话(输入大多命中缓存) | $0.0048 | $0.0099 |
| 每项基准测试任务成本(AA Index) | – | $1.18 |
| 每项任务输出 token(AA Index) | – | 150k |
| 其中推理部分 | – | 88k |
| 每项任务耗时(AA Index) | – | 25 min |
| 输出速度 | 82 tok/s | 100 tok/s |
| 首次回答时间 | 0.7 秒 | 49.0 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | – | 163.6 秒 |
每个模型都按其排名最高的推理强度设置进行对比。DeepSeek V4 Flash (high) 得分 57.2,首个回答 token 需 1 秒;DeepSeek V4 Flash (max) 为 56.8(28 秒),DeepSeek V4 Flash 为 53.8(1 秒)。Inkling 2 Small 得分 57.9,首个回答 token 需 49 秒。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本
全部基准测试
共 127 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。
| 指标 | 发布方 | DeepSeek V4 Flash (high) | Inkling 2 Small |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 57.2 | 57.9 |
| 编程得分 | BenchLeader | 55.0 | 60.3 |
| 人类偏好得分 | BenchLeader | 62.0 | 58.6 |
| 知识得分 | BenchLeader | 54.8 | 53.5 |
| 数学得分 | BenchLeader | 61.9 | – |
| 推理得分 | BenchLeader | 59.2 | 52.8 |
| 智能体与工具得分 | BenchLeader | – | 61.1 |
| 长上下文得分 | BenchLeader | – | 66.4 |
| 多模态得分 | BenchLeader | – | 64.0 |
| 混合价格(美元/百万 token) | BenchLeader | $0.262 | $0.475 |
| 输出速度 | BenchLeader | 82 tok/s | 100 tok/s |
| 首次回答时间 | BenchLeader | 0.7 秒 | 49.0 秒 |
| 上下文窗口 | BenchLeader | 1,048,576 token | 1,048,576 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 91.0%† | – |
| SimpleBench | SimpleBench | 61.1%† | – |
| Arena Hard Prompts | Arena (LMArena) | 1459 | 1438 |
| LiveBench 1.0 Reasoning | LiveBench | 86.6%† | – |
| GPQA Diamond (AA) | Artificial Analysis | 90.8%† | – |
| Humanity's Last Exam (AA) | Artificial Analysis | 38.5%† | 44.1% |
| HLE-Diamond (AA) | Artificial Analysis | – | 28.7% |
| GPQA Diamond (Vals) | Vals AI | 89.9% | – |
| Kagi LLM Benchmark | Kagi LLM Benchmark | 52.2%† | – |
| ARC-AGI-1 | ARC Prize | 87.0% | 96.5%† |
| ARC-AGI-2 | ARC Prize | 56.0% | 81.7%† |
| CritPt | Artificial Analysis | 16.6%† | – |
| CritPt v2 hard subset (AA) | Artificial Analysis | – | 35.0% |
| MysteryMechanism | Vals AI | – | 25.2% |
| Arena Expert | Arena (LMArena) | 1467 | 1488 |
| Chess Puzzles | Epoch AI Benchmarking Hub | 32.0%† | – |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 34.0%† | – |
| LMCA | Epoch AI Benchmarking Hub | 41.7%† | – |
| DTBench | Epoch AI Benchmarking Hub | 90.9%† | – |
| 编程 | |||
| SciCode | SciCode | 42.0% | 52.3% |
| WeirdML | WeirdML | 57.0% | – |
| FrontierCode | Cognition | 18.8%† | – |
| Arena Coding | Arena (LMArena) | 1480 | 1485 |
| Arena WebDev | Arena (LMArena) | 1582 | 1647 |
| LiveBench 1.0 Coding | LiveBench | 75.0%† | – |
显示全部 127 项基准测试
| 指标 | 发布方 | DeepSeek V4 Flash (high) | Inkling 2 Small |
|---|---|---|---|
| 编程 | |||
| SciCode (AA) | Artificial Analysis | 50.4%† | 52.3% |
| LiveCodeBench | Vals AI | 87.3% | – |
| IOI | Vals AI | 32.7% | – |
| SWE-bench (Vals) | Vals AI | 88.8% | – |
| Code Migration | Vals AI | 38.6% | – |
| ProgramBench | Vals AI | 0.0% | 0.5% |
| SWE-bench Multimodal | Vals AI | – | 43.1% |
| Vibe Code Bench v1.1 | Vals AI | 74.7% | 81.5% |
| SWE Atlas v1.1 | Scale AI SEAL | – | 61.9% |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | – | 74.2% |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | – | 58.1% |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | – | 53.3% |
| SWE-Bench Pro V2 | Scale AI SEAL | – | 97.7% |
| SWE-Bench Pro V2 HARD | Scale AI SEAL | – | 86.3% |
| ALE-Bench | Epoch AI Benchmarking Hub | 678.2 | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 12.1%† | 13.1% |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 78.7%† | 81.3% |
| GameBench 2 Overall | DuelLab GameBench 2 | 34.1† | – |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 43.4 | – |
| Design Arena Website | Design Arena | 1199† | 1335 |
| FrontierCode 2.0 (AA) | Artificial Analysis | – | 25.4% |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | – | 13.0%† |
| APEX-Agents | Mercor | – | 46.8% |
| Arena Agent | Arena (LMArena) | – | 2.5 |
| LiveBench Agentic Coding | LiveBench | 46.8%† | – |
| Terminal-Bench 2.1 (Vals) | Vals AI | 67.0%† | – |
| MCP Atlas | Scale AI SEAL | – | 85.4% |
| HiL-Bench | Scale AI SEAL | 47.8%† | – |
| GDPval-AA v2.1 | Artificial Analysis | 1437† | 1630 |
| τ³-Banking (AA) | Artificial Analysis | 39.4%† | 40.4% |
| Analyst Agent (AA) | Artificial Analysis | – | 51.3% |
| CyberBench | Vals AI | 72.1% | 72.7% |
| Finance Agent v2 | Vals AI | 49.5% | – |
| Finance Agent v2.1 | Vals AI | – | 67.5% |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | – | 21.7% |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 8.3% | – |
| Legal Research Bench | Vals AI | 30.3% | 46.6% |
| SkillsBench | Vals AI | 50.7% | – |
| SREBench | Vals AI | – | 1.9% |
| Tax Agent Bench | Vals AI | 28.1% | 38.9% |
| Terminal-Bench 4.0 (Vals) | Vals AI | 18.7% | 12.6% |
| Terminal-Bench Science | Vals AI | 4.3% | 2.9% |
| Arena Agent Task Completion | Arena (LMArena) | – | 3.3 |
| AutomationBench | Artificial Analysis | 54.0%† | 45.6% |
| GDP.pdf (AA) | Artificial Analysis | 11.0%† | 25.2% |
| EnterpriseOps-Gym | Artificial Analysis | – | 46.8% |
| AA-Briefcase v1.1 | Artificial Analysis | 1255† | 1527 |
| Design Arena Agentic | Design Arena | – | 1315 |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | – | 5.7% |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 57.5%† | – |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 24.4%† | – |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 94.4%† | – |
| ProofBench | Vals AI | 56.0%† | – |
| LiveBench Mathematics | LiveBench | 86.8%† | – |
| AIME 2026 | MathArena | 95.8%† | – |
| HMMT February 2026 | MathArena | 93.9%† | – |
| MathArena Apex | MathArena | 27.1%† | – |
| ArXivMath | MathArena | – | 31.9% |
| BrokenArXiv | MathArena | – | 63.2% |
| Arena Maths | Arena (LMArena) | 1441 | – |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 33.6%† | – |
| LiveBench 1.0 Data Analysis | LiveBench | 79.3%† | – |
| AA-Omniscience v1.1 | Artificial Analysis | – | 16.1 |
| MMLU-Pro | Vals AI | 86.2% | – |
| LegalBench | Vals AI | 77.7% | – |
| CorpFin | Vals AI | 61.9% | – |
| TaxEval | Vals AI | 70.7% | – |
| BioMysteryBench | Vals AI | 64.4% | 70.0% |
| Excel Modeling Benchmark | Vals AI | 57.0% | – |
| Excel Modeling Benchmark v1.1 | Vals AI | – | 69.5% |
| MedCode | Vals AI | 41.4% | – |
| MedScribe | Vals AI | 80.4% | – |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | – | 33.8% |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | – | 73.3% |
| 指令遵循 | |||
| LiveBench Language | LiveBench | 79.2%† | – |
| LiveBench Instruction Following | LiveBench | 65.5%† | – |
| Arena Instruction Following | Arena (LMArena) | 1434 | 1410 |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1439 | 1412 |
| EQ-Bench Creative Writing v3 | EQ-Bench | 1559† | – |
| Arena Creative Writing | Arena (LMArena) | 1411 | 1345 |
| Arena Multi-turn | Arena (LMArena) | 1447 | 1415 |
| Arena Longer Queries | Arena (LMArena) | 1449 | 1410 |
| 多模态 | |||
| MMMU-Pro | Artificial Analysis | – | 81.6% |
| SAGE | Vals AI | – | 88.6% |
| Humanity's Sixth Sense | Scale AI SEAL | – | 33.3% |
| VIALS-AA | Handshake AI | – | 42.9% |
| Code2Video-AA | Artificial Analysis | – | 1020 |
| AA-3D | Artificial Analysis | – | 1027 |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 79.7%† | 83.3% |
| MLCR | Artificial Analysis | – | 20.6% |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 154.4† | – |
| LiveBench 1.0 | LiveBench | 74.2%† | – |
| AA Intelligence Index v5.0.1 | Artificial Analysis | – | 30.6 |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 34.3† | – |
| AA Progress Index v1 | Artificial Analysis | 309.4† | – |
| Vals Index | Vals AI | – | 56.1 |
| Vals Finance Index | Vals AI | – | 61.5% |
| Vals Science Index | Vals AI | – | 32.7% |
| Vals Legal Index | Vals AI | – | 73.9% |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | – | 16.2% |
| DistressBench | Scale AI SEAL | – | 82.3% |
| 元数据 | |||
| AA Openness Index | Artificial Analysis | 44.4† | 38.9 |
数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。
DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.
变化
- Inkling 2 Small:1 项分数修订;价格 $0.060/M → $0.030/M。
- DeepSeek V4 Flash (high):1 项分数修订。
- Inkling 2 Small:1 项分数修订。
- Inkling 2 Small:BenchLeader Index 58.4 → 57.9。
- Inkling 2 Small:2 项新结果(FORTRESS, Design Arena Agentic)。
- Inkling 2 Small:2 项新结果(MysteryMechanism, Vals Science Index);1 项分数修订。
- Inkling 2 Small:3 项新结果(SciCode, APEX-Agents, MLCR)。
- Inkling 2 Small:8 项新结果(Arena Text, Arena Hard Prompts, Arena Coding…);2 项分数修订。
- Inkling 2 Small:BenchLeader Index 57.5 → 58.4。
- Inkling 2 Small:1 项新结果(Arena WebDev)。
相关对比
- DeepSeek V4 Flash vs Claude Fable 5.1
- DeepSeek V4 Flash vs GPT-6.1 Sol
- Inkling 2 Small vs Gemini 4 Carbon
- Inkling 2 Small vs Claude Opus 5.5
- Inkling 2 Small vs GPT-6 Astra
- Inkling 2 Small vs Claude Fable 5.1
- DeepSeek V4 Flash vs Gemini 4 Argon
- DeepSeek V4 Flash vs Claude Sonnet 5.5
排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型
DeepSeek V4 Flash vs Inkling 2 Small:常见问题
- DeepSeek V4 Flash 比 Inkling 2 Small 更好吗?
- DeepSeek V4 Flash (high) 与 Inkling 2 Small 的质量不相上下(57.2 比 57.9,在 ±5.2 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
- DeepSeek V4 Flash 和 Inkling 2 Small 哪个更便宜?价格会变吗?
- 目前 DeepSeek V4 Flash 更便宜:每百万 token $0.262 比 $0.475(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
- 编程用 DeepSeek V4 Flash 还是 Inkling 2 Small 更好?
- Inkling 2 Small 在编程方面得分更高(类别得分 60 比 55,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,DeepSeek V4 Flash 为 1582,Inkling 2 Small 为 1647。
- DeepSeek V4 Flash 和 Inkling 2 Small 哪个更快?
- Inkling 2 Small 输出更快(约 1.5 倍;输出 100 比 82 token/秒,Artificial Analysis 7 日中位数)。
- 处理长文档哪个更好?
- 两者都支持 1,048,576 token 的上下文。
更多问题(3)
- 哪个延迟更低?
- DeepSeek V4 Flash 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 0.7 秒比 49.0 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
- 第三方基准测试对 DeepSeek V4 Flash 和 Inkling 2 Small 的看法一致吗?
- 在两者都有结果的 17 项基准测试中,DeepSeek V4 Flash 领先 7 项,Inkling 2 Small 领先 10 项。所有同时评测两者的综合评分都认为 DeepSeek V4 Flash 更强。
- Inkling 2 Small 是什么时候发布的?
- Inkling 2 Small 于 2026年11月5日 发布。