Inkling 2 Small vs Qwen4 Max
完整资料:Inkling 2 Small(Thinking Machines)和 Qwen4 Max(Alibaba),包括全部基准测试、价格和排名。
更新于 · 数据来自 10 个来源
截至 2026年11月19日,两者共同的基准测试太少,无法判断质量高下。Inkling 2 Small 更便宜,对方的价格是它的 4.7 倍(每百万 token 混合价格 $0.475 比 $2.25)。看重编程(59 比 55)选 Inkling 2 Small;看重推理(59 比 52)和知识(59 比 53)选 Qwen4 Max。Inkling 2 Small 的首次回答更快(40.0 秒 比 139.2 秒)。Inkling 2 Small 的输出更快(约 2 倍)。
要点(截至 2026年11月19日)
- Inkling 2 Small 每百万 token 混合价格为 $0.475(标价,2026年11月19日)。
- Qwen4 Max 每百万 token 混合价格为 $2.25(标价,2026年11月19日)。
- Inkling 2 Small 比 Qwen4 Max 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月19日)。
- 在两者都有结果的 16 项基准测试中,Qwen4 Max 领先 13 项(BenchLeader,2026年11月19日)。
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 59 比 55;FrontierCode 2.0 (AA) 25.4% 比 26.4% | 中 |
| 推理 | Qwen4 Max | 类别得分 59 比 52;HLE-Diamond (AA) 44.9% 比 28.7% | 中 |
| 知识 | Qwen4 Max | 类别得分 59 比 53;AA-Omniscience v1.1 27.7 比 16.1 | 中 |
| 对话质量(人类偏好) | – | 只有 Inkling 2 Small 有 Arena 评分(类别得分 59) | 无法比较 |
| 成本最低 | Inkling 2 Small | 每百万 token 混合价格 $0.475 比 $2.25;智能体编程会话 $0.022 比 $0.108 | – |
| 首次回答最快 | Inkling 2 Small | 首个回答 token 40.0 秒(Inkling 2 Small)比 139.2 秒(Qwen4 Max) | – |
| 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
- 共同的基准测试太少,无法给出结论。
- Inkling 2 Small 在编程方面更强。
- Qwen4 Max 在知识、推理方面更强。
- Inkling 2 Small 更便宜,对方的价格是它的 4.7 倍(每百万 token 混合价格 $0.475 比 $2.25)。
- Inkling 2 Small 的输出速度是对方的 2.0 倍(117 比 59 token/秒)。
概览
| 规格 | Inkling 2 Small | Qwen4 Max |
|---|---|---|
| 提供商 | Thinking Machines | Alibaba |
| 发布日期 | 2026年11月5日 | 2026年11月16日 |
| 上下文窗口(token) | 1,048,576 | 991,808 |
| 对比时的配置 | Inkling 2 Small | Qwen4 Max |
| 开放权重 | 否 | 否 |
| 每百万 token 价格(输入 / 输出 / 缓存输入) | $0.300 / $1.00 / $0.030 | $1.50 / $4.50 / $0.071 |
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 | Inkling 2 Small | Qwen4 Max | 领先者 |
|---|---|---|---|
| 推理 | 52.1 | 58.5 | Qwen4 Max |
| 编程 | 59.4 | 55.1 | Inkling 2 Small |
| 智能体与工具 | 60.6 | – | 无法比较 |
| 知识 | 53.1 | 59.0 | Qwen4 Max |
| 人类偏好 | 58.7 | – | 无法比较 |
| 多模态 | 63.6 | – | 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, 人类偏好。
各来源的分歧
在两者都有结果的 16 项基准测试中,Inkling 2 Small 领先 3 项,Qwen4 Max 领先 13 项。所有同时评测两者的综合评分都认为 Qwen4 Max 更强。
| 综合 Index | Inkling 2 Small | Qwen4 Max | 领先者 |
|---|---|---|---|
| AA Intelligence Index v5.0.1 | 30.6 | 42.9 | Qwen4 Max |
| Vals Index | 56.1 | 63.2† | Qwen4 Max |
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 | Inkling 2 Small | Qwen4 Max |
|---|---|---|
| 每百万 token 混合价格 | $0.475 | $2.25 |
| 每百万 token 输入 / 输出 | $0.300 / $1.00 | $1.50 / $4.50 |
| 每百万 token 缓存输入 | $0.030 | $0.071 |
| 每项任务价格:聊天回复 | $0.0004 | $0.0020 |
| 每项任务价格:总结一份 30 页的报告 | $0.0042 | $0.021 |
| 每项任务价格:代码编辑 | $0.0033 | $0.016 |
| 每项任务价格:智能体编程会话 | $0.022 | $0.108 |
| 每项任务价格:结构化信息提取 | $0.0008 | $0.0039 |
| 智能体编程会话(输入大多命中缓存) | $0.0099 | $0.044 |
| 每项基准测试任务成本(AA Index) | $1.18 | $3.27 |
| 每项任务输出 token(AA Index) | 150k | 105k |
| 其中推理部分 | 88k | 69k |
| 每项任务耗时(AA Index) | 21 min | 30 min |
| 输出速度 | 117 tok/s | 59 tok/s |
| 首次回答时间 | 40.0 秒 | 139.2 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | 163.6 秒 | – |
按 token 计价不等于按任务计价:在 Artificial Analysis 的 Intelligence Index 中,一项平均任务在 Inkling 2 Small 上花费 $1.18,在 Qwen4 Max 上花费 $3.27;完成同样的工作,Inkling 2 Small 输出的 token 是对方的 1.4 倍,这是只看 token 单价看不出来的。
每个模型都按其排名最高的推理强度设置进行对比。Inkling 2 Small 得分 57.6,首个回答 token 需 40 秒。Qwen4 Max首个回答 token 需 139 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 89 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 | Inkling 2 Small | Qwen4 Max |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 57.6 | – |
| 智能体与工具得分 | BenchLeader | 60.6 | – |
| 编程得分 | BenchLeader | 59.4 | 55.1 |
| 人类偏好得分 | BenchLeader | 58.7 | – |
| 知识得分 | BenchLeader | 53.1 | 59.0 |
| 长上下文得分 | BenchLeader | 66.4 | – |
| 多模态得分 | BenchLeader | 63.6 | – |
| 推理得分 | BenchLeader | 52.1 | 58.5 |
| 混合价格(美元/百万 token) | BenchLeader | $0.475 | $2.25 |
| 输出速度 | BenchLeader | 117 tok/s | 59 tok/s |
| 首次回答时间 | BenchLeader | 40.0 秒 | 139.2 秒 |
| 上下文窗口 | BenchLeader | 1,048,576 token | 991,808 token |
| 推理 | |||
| Arena Hard Prompts | Arena (LMArena) | 1439 | – |
| LiveBench 2.0 Reasoning | LiveBench | – | 92.2%† |
| Humanity's Last Exam (AA) | Artificial Analysis | 44.1% | – |
| HLE-Diamond (AA) | Artificial Analysis | 28.7% | 44.9% |
| ARC-AGI-1 | ARC Prize | 96.5%† | – |
| ARC-AGI-2 | ARC Prize | 81.7%† | – |
| ARC-AGI-3 | ARC Prize | 2.6%† | – |
| CritPt v2 hard subset (AA) | Artificial Analysis | 35.0% | 43.0% |
| MysteryMechanism | Vals AI | 25.2% | – |
| Arena Expert | Arena (LMArena) | 1491 | – |
| 编程 | |||
| SciCode | SciCode | 52.3% | – |
| Arena Coding | Arena (LMArena) | 1486 | – |
| Arena WebDev | Arena (LMArena) | 1644 | 1750† |
| LiveBench 2.0 Coding | LiveBench | – | 69.8%† |
| ProgramBench | Vals AI | 0.5% | – |
| SWE-bench Multimodal | Vals AI | 43.1% | – |
| Vibe Code Bench v1.1 | Vals AI | 81.5% | 86.7%† |
| 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% | – |
| FrontierSWE | Epoch AI Benchmarking Hub | 25.1%† | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 13.1% | 48.5% |
显示全部 89 项基准测试
| 指标 | 发布方 | Inkling 2 Small | Qwen4 Max |
|---|---|---|---|
| 编程 | |||
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 81.3% | – |
| FrontierCode 2.0 (AA) | Artificial Analysis | 25.4% | 26.4% |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 13.0%† | – |
| APEX-Agents | Mercor | 46.8% | – |
| Arena Agent | Arena (LMArena) | 1.5 | 7.3† |
| LiveBench Long Agentic | LiveBench | – | 46.6%† |
| LiveBench Browser | LiveBench | – | 80.7%† |
| MCP Atlas | Scale AI SEAL | 85.4% | – |
| GDPval-AA v2.1 | Artificial Analysis | 1630 | 1809 |
| τ³-Banking (AA) | Artificial Analysis | 40.4% | – |
| Analyst Agent (AA) | Artificial Analysis | 51.3% | 46.3% |
| APEX-Agents (AA) | Artificial Analysis | – | 59.1% |
| CyberBench | Vals AI | 72.7% | – |
| Finance Agent v2.1 | Vals AI | 67.5% | 66.7%† |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | 21.7% | 21.3%† |
| Legal Research Bench | Vals AI | 46.6% | 41.4%† |
| SREBench | Vals AI | 1.9% | – |
| Tax Agent Bench | Vals AI | 38.9% | 40.4%† |
| Terminal-Bench 4.0 (Vals) | Vals AI | 12.6% | 48.5%† |
| Terminal-Bench Science | Vals AI | 2.9% | – |
| Arena Agent Task Completion | Arena (LMArena) | 2.4 | 8.8† |
| AutomationBench | Artificial Analysis | 45.6% | 72.6% |
| GDP.pdf (AA) | Artificial Analysis | 25.2% | 26.2% |
| Harvey LAB-AA v1.1 | Harvey | – | 9.4% |
| EnterpriseOps-Gym | Artificial Analysis | 46.8% | 48.5% |
| AA-Briefcase v1.1 | Artificial Analysis | 1527 | 1686 |
| Design Arena Agentic | Design Arena | 1306 | 1356 |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 5.7% | 23.3% |
| 数学 | |||
| ArXivMath | MathArena | 31.9% | – |
| BrokenArXiv | MathArena | 63.2% | – |
| 知识 | |||
| LiveBench 2.0 Data Analysis | LiveBench | – | 83.4%† |
| LiveBench Research | LiveBench | – | 84.7%† |
| AA-Omniscience v1.1 | Artificial Analysis | 16.1 | 27.7 |
| BioMysteryBench | Vals AI | 70.0% | – |
| Excel Modeling Benchmark v1.1 | Vals AI | 69.5% | 70.8%† |
| MedCode | Vals AI | 44.1% | – |
| MedScribe | Vals AI | 90.2% | – |
| GDP.pdf | Epoch AI Benchmarking Hub | 43.6%† | – |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 33.8% | 43.7% |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 73.3% | 71.6% |
| 指令遵循 | |||
| Arena Instruction Following | Arena (LMArena) | 1410 | – |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1412 | – |
| Arena Creative Writing | Arena (LMArena) | 1343 | – |
| Arena Multi-turn | Arena (LMArena) | 1412 | – |
| Arena Longer Queries | Arena (LMArena) | 1408 | – |
| 多模态 | |||
| LiveBench Design | LiveBench | – | 79.1%† |
| 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 | 83.3% | – |
| MLCR | Artificial Analysis | 20.6% | 19.4% |
| 综合 | |||
| LiveBench 2.0 | LiveBench | – | 73.1%† |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 30.6 | 42.9 |
| AA Progress Index v1 | Artificial Analysis | 317.6 | – |
| Vals Index | Vals AI | 56.1 | 63.2† |
| Vals Finance Index | Vals AI | 61.5% | 62.0%† |
| Vals Science Index | Vals AI | 32.7% | – |
| Vals Legal Index | Vals AI | 73.9% | 70.7%† |
| 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 | 38.9 | – |
数据截至 2026年11月19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。
变化
- Inkling 2 Small:2 项分数修订。
- Inkling 2 Small:3 项新结果(AA Progress Index v1, MedCode, MedScribe)。
- Inkling 2 Small:1 项分数修订。
- Inkling 2 Small:1 项分数修订;价格 $0.060/M → $0.030/M。
- 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。
相关对比
- 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
- Qwen4 Max vs Qwen3.8 Max
- Inkling 2 Small vs Qwen3.7 Plus
- Inkling 2 Small vs GPT-6.1 Sol
- Inkling 2 Small vs Claude Fable 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
Inkling 2 Small vs Qwen4 Max:常见问题
- Inkling 2 Small 和 Qwen4 Max 哪个更便宜?价格会变吗?
- 目前 Inkling 2 Small 更便宜:每百万 token $0.475 比 $2.25(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 Inkling 2 Small 还是 Qwen4 Max 更好?
- Inkling 2 Small 在编程方面得分更高(类别得分 59 比 55,50 为平均水平)。在两者共同的最主要编程基准测试 FrontierCode 2.0 (AA) 上,Inkling 2 Small 为 25.4%,Qwen4 Max 为 26.4%。
- Inkling 2 Small 和 Qwen4 Max 哪个更快?
- Inkling 2 Small 输出更快(约 2 倍;输出 117 比 59 token/秒,Artificial Analysis 7 日中位数)。
- 处理长文档哪个更好?
- Inkling 2 Small 支持更长的上下文:1,048,576 token,Qwen4 Max 为 991,808 token。
- 哪个延迟更低?
- Inkling 2 Small 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 40.0 秒比 139.2 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
更多问题(2)
- 第三方基准测试对 Inkling 2 Small 和 Qwen4 Max 的看法一致吗?
- 在两者都有结果的 16 项基准测试中,Inkling 2 Small 领先 3 项,Qwen4 Max 领先 13 项。所有同时评测两者的综合评分都认为 Qwen4 Max 更强。
- Qwen4 Max 是什么时候发布的?
- Qwen4 Max 于 2026年11月16日 发布。