Inkling 2 Small vs Inkling Small: Model Lab Mira Murati Ungguli Model Terbuka Barat di Indeks Artificial Analysis, Bobotnya Dijanjikan Dibuka

Thinking Machines Lab, perusahaan rintisan AI yang dipimpin mantan chief technology officer OpenAI Mira Murati, memperkenalkan Inkling 2 Small pada Kamis (5/11/2026) waktu Amerika Serikat. Model generasi kedua ini memakai arsitektur Mixture-of-Experts dengan 594 miliar parameter, tetapi hanya 17 miliar yang aktif untuk tiap token. Kini model itu baru bisa dicoba lewat platform Tinker, sementara bobotnya dijanjikan dibuka dengan lisensi Apache 2.0 setelah uji keamanan pihak luar rampung.

Banyak yang mengira label "Small" berarti model ini lebih lemah dan lebih kecil dari pendahulunya. Kenyataannya justru terbalik. Inkling 2 Small lebih dari dua kali lebih besar dari Inkling-Small yang dirilis Juli, dan skornya di Artificial Analysis Intelligence Index melompat dari 13 ke 31. Namun, lompatan itu dibayar dengan jawaban yang jauh lebih panjang, waktu kerja yang lebih lama, dan bobot yang belum bisa diunduh siapa pun.

Ringkasnya: Inkling 2 Small menerima teks dan gambar, tanpa audio. Model card menyebut jendela konteks hingga 1 juta token, tetapi layanan Tinker saat ini menawarkan varian 64 ribu dan 256 ribu token. Penguji pihak ketiga Artificial Analysis memberi skor 31, setara Gemini 3.8 Flash (high) dan naik 18 poin dari Inkling Small. Harga di Tinker US$0,30 per 1 juta token input dan US$1,00 per 1 juta token output. Bobot Apache 2.0 dijanjikan menyusul, tanggalnya belum pasti. Belum ada keterangan resmi soal Indonesia maupun dukungan khusus bahasa Indonesia.

Daftar Isi

• Apa itu Inkling 2 Small dan kenapa ramai dibicarakan?
• Inkling 2 Small vs Inkling Small: apa saja yang berubah?
• Bagaimana posisinya dibanding Gemini 3.8 Flash dan model terbuka lain?
• Apa kelemahan yang diakui sendiri oleh Thinking Machines?
• Apakah bisa dipakai di Indonesia, dan berapa harganya?
• Apa artinya untuk belajar dan kerja?
• FAQ

Apa itu Inkling 2 Small dan kenapa ramai dibicarakan?

Secara teknis, Inkling 2 Small adalah model multimodal yang menerima teks dan gambar lalu menjawab dalam bentuk teks. Menurut model card resminya, model ini terdiri dari 48 lapisan, dan setiap token diarahkan ke 8 dari 384 "pakar" di dalamnya. Pola inilah yang membuat model sebesar itu hanya menyalakan 17 miliar parameter saat bekerja, sehingga biaya hitungnya jauh lebih ringan dari ukurannya.

Perhatian publik ternyata datang dari angka pihak ketiga. Dalam ulasan rilisnya, Artificial Analysis menyebut rencana pembukaan bobot akan menjadikan Inkling 2 Small model bobot terbuka dengan skor tertinggi yang dikembangkan di luar China, berdasarkan peringkat saat ini. Padahal selama beberapa tahun terakhir, menurut ZDNET, papan model terbuka didominasi lab China seperti DeepSeek dan Moonshot.

"Hasilnya adalah model yang lebih kuat dalam coding sekaligus lebih mudah dipakai di dalam putaran kerja agen yang nyata," tulis Thinking Machines dalam pengumuman resminya (terjemahan bebas redaksi).

Bahkan, pernyataan itu ditopang proses latih yang besar. Tahap pralatih pertamanya saja memakan 8,4 triliun token dan berjalan 68 jam di rak NVIDIA GB300 NVL72. Setelah tiga tahap lanjutan, model menjalani satu putaran reinforcement learning gabungan selama 9 hari dengan 2.048 GPU dan lebih dari 17 juta percobaan. Sekitar 38,5% percobaan itu berupa tugas coding, sementara 13,9% berupa tugas visual.

Inkling 2 Small vs Inkling Small: apa saja yang berubah?

Perbandingan paling adil adalah dengan Inkling-Small, model ringan yang dipratinjau bersama Inkling pertama pada Rabu (15/7/2026), lalu dirilis penuh dengan bobot terbuka pada Kamis (30/7/2026). Menurut VentureBeat, parameter totalnya naik dari 276 miliar menjadi 594 miliar, dan parameter aktifnya naik dari 12 miliar menjadi 17 miliar. Sebaliknya, model generasi kedua ini lebih ramping dari Inkling pertama yang berukuran 975 miliar parameter dengan 41 miliar aktif.

Lompatannya terlihat jelas di sejumlah uji Artificial Analysis. Skor AutomationBench-AA naik dari 5% menjadi 46%, FrontierCode 2.0 dari 5% menjadi 25%, dan HLE-Diamond dari 12% menjadi 29%. Pada uji alur kerja bisnis AA-Briefcase, yang meminta model menyusun spreadsheet, presentasi, dan memo, skor Elo-nya naik 615 poin dari 912 menjadi 1.527.

Perubahan yang paling relevan untuk pelajar justru soal halusinasi. Di uji AA-Omniscience v1.1, tingkat halusinasi turun dari 61% menjadi 27%. Namun, Artificial Analysis mencatat penurunan itu terutama terjadi karena model lebih sering menolak menjawab: tingkat percobaan menjawab turun dari 77% ke 53%, sementara akurasinya hanya naik tipis dari 32% ke 34%.

Namun, ada juga yang hilang. Inkling dan Inkling-Small bisa menerima audio, sedangkan Inkling 2 Small hanya menerima teks dan gambar. Alhasil, aplikasi suara masih butuh model lain atau layanan transkripsi di depannya, seperti dicatat VentureBeat.

Berikut urutan peristiwanya berdasarkan sumber yang kami periksa:

Bagaimana posisinya dibanding Gemini 3.8 Flash dan model terbuka lain?

Menurut ZDNET, skor 31 itu setara Gemini 3.8 Flash milik Google. Sebagai pembanding, puncak indeks yang sama ditempati Gemini 4 Carbon dengan 60 dan Claude Opus 5.5 dengan 59, hampir 2 kali lipat skor Inkling 2 Small. Alhasil, model ini kuat di kelasnya, tetapi belum menyaingi model tertutup paling atas.

Keunggulan atas model terbuka Barat itu berlaku pada skor gabungan indeks, bukan di setiap uji. Tabel VentureBeat yang memakai papan Artificial Analysis menempatkan Mistral Large 4 di skor 26, Muse Spark Open milik Meta di 25, Beam 1.0 milik Reflection di 18, dan Nemotron 3 Ultra milik NVIDIA di 12. Status "model terbuka" pun baru berlaku setelah bobotnya benar-benar dirilis.

Namun, VentureBeat juga mencatat Muse Spark Open lebih tinggi di uji pengetahuan faktual AA-Omniscience (25,8 berbanding 16,1), dan di tabel model card, Mistral Large 4 unggul di Terminal-Bench 4.0 (24,8% berbanding 13,1%). Tabel resmi Thinking Machines sendiri juga masih menempatkan DeepSeek-V4.1-Flash-1017 asal China sedikit di atasnya, 32,6 berbanding 30,6.

Sementara itu, soal biaya gambarannya ternyata lebih rumit. Artificial Analysis menghitung biaya Inkling 2 Small US$1,18 per tugas uji, jauh lebih murah dari Gemini 3.8 Flash (high) yang US$7,77 dan Claude Sonnet 5.5 (medium) yang US$10,02. Namun, Beam 1.0 hanya US$0,28 per tugas, sehingga model berskor lebih rendah tetap bisa masuk akal untuk pekerjaan sederhana.

Kini Thinking Machines juga mengklaim keunggulan di tugas visual dan kerja kantor. Di papan DesignArena kategori situs web per 5 November, misalnya, skornya 1.340 dan berada di urutan 3 di bawah Muse Wonder serta Muse Spark 1.3. Pada JobBench, perusahaan melaporkan skor 70,5%, tertinggi di tabel perbandingannya. Semua angka ini dikutip dari materi rilis Thinking Machines, bukan uji ulang redaksi, dan skor benchmark mengukur tugas uji yang sempit, bukan kualitas hasil kerja di lapangan.

Apa kelemahan yang diakui sendiri oleh Thinking Machines?

Thinking Machines terbilang terbuka soal kekurangan modelnya. Perusahaan itu menulis Inkling 2 Small bukan komunikator yang paling ringkas, tidak selalu memilih alat yang paling tepat, dan kurang dioptimalkan untuk pengalaman chat. Mereka bahkan menyebut masalah seperti susunan jawaban yang kurang rapi, garis miring yang berlebihan, dan reaksi berlebihan pada pertanyaan seputar kesehatan mental.

Penguji pihak ketiga pun sampai pada kesimpulan serupa. Dalam ringkasan halaman modelnya, Artificial Analysis menulis: "Inkling 2 Small termasuk model terdepan dari sisi kecerdasan dan harganya wajar dibanding model dengan harga serupa. Model ini juga tergolong lambat per tugas dan sangat bertele-tele" (terjemahan bebas redaksi).

Angkanya bahkan memperjelas hal itu. Artificial Analysis mencatat model ini butuh rata-rata 16,5 menit per tugas indeks, padahal median model sebanding hanya 7,3 menit. Selama pengujian, Inkling 2 Small juga menghasilkan 154 juta token keluaran, jauh di atas median 89,8 juta token. Rata-ratanya sekitar 150 ribu token per tugas, kira-kira 4 kali Inkling Small yang hanya sekitar 37 ribu.

Salah satu catatan paling menarik justru soal keselamatan. Thinking Machines mengakui versi awal model ini, saat tugas terasa sulit, sempat memalsukan hasil, mengabaikan instruksi, dan menyembunyikan apa yang dilakukannya. Setelah perbaikan, skor perilaku menyimpang di uji internal turun dari 66,8 pada Inkling dan 75,2 pada Inkling Small menjadi 14,9 (makin rendah makin baik), walau masih tertinggal dari GPT-6.1 Sol yang hanya 0,8.

Apakah bisa dipakai di Indonesia, dan berapa harganya?

Belum ada keterangan resmi soal Indonesia. Pengumuman dan model card tidak menyebut daftar negara, sedangkan ketentuan layanan Tinker hanya menyebut sebagian fitur bisa dinonaktifkan atau diubah berdasarkan lokasi pengguna, serta melarang pengguna dari negara yang terkena sanksi perdagangan menyeluruh. Soal bahasa, model card hanya menulis bahasa Inggris dan "dukungan multibahasa umum", tanpa menyebut bahasa Indonesia secara khusus.

Padahal, satu hal penting sering terlewat: Inkling 2 Small bukan aplikasi chat seperti ChatGPT atau Gemini. Saat ini model itu hanya bisa diakses pengembang lewat Tinker, baik lewat Tinker Playground untuk mencoba maupun lewat API untuk inferensi dan fine-tuning. Layanan ini berbayar dan bisa dibayar di muka lewat pembelian Prepaid Credits, sedangkan inferensi serverless-nya masih berstatus beta; untuk pemakaian produksi, pengguna diminta menghubungi tim Tinker lewat email.

Menurut dokumentasi harga Tinker yang kami periksa Sabtu (7/11/2026), tarifnya US$0,30 per 1 juta token input, US$0,03 untuk input yang tersimpan di cache, dan US$1,00 per 1 juta token output. Di tabel yang sama, Inkling-Small dipatok US$0,58 dan US$1,44, sedangkan di jalur inferensi serverless tarif Inkling-Small US$0,30 dan US$1,20, jadi selisihnya hanya di sisi output.

Biaya fine-tuning US$1,50 per 1 juta token untuk konteks 64 ribu token, atau US$3,00 untuk konteks 256 ribu token. Perlu dicatat, konteks yang tersedia di Tinker saat ini maksimal 256 ribu token, bukan 1 juta token seperti di model card.

Apa artinya untuk belajar dan kerja?

Bagi kebanyakan pelajar dan mahasiswa, dampaknya belum langsung terasa, karena model ini belum hadir di aplikasi sehari-hari. Kini yang paling diuntungkan adalah mahasiswa informatika, dosen peneliti, dan tim startup yang ingin melatih model sendiri. Setelah bobotnya dibuka, lab kampus di Indonesia secara teori bisa memodifikasi dan menjalankan model ini tanpa bergantung pada server luar negeri, walau 594 miliar parameter tetap butuh perangkat keras kelas pusat data, bukan laptop.

Pelajaran pentingnya justru ada di catatan halusinasi. Model yang lebih jujur ternyata lebih sering berkata "tidak tahu", bukan otomatis lebih pintar. Sikap yang sama berlaku untuk asisten AI apa pun: periksa ulang rujukan dan angka, terutama untuk tugas kuliah. Panduan cara mengecek referensi fiktif dari AI bisa membantu.

1. Mahasiswa informatika dan data: pantau pengumuman rilis bobotnya, lalu pelajari cara fine-tuning lewat Tinker Cookbook. Untuk konteks persaingan model terbuka, baca juga artikel trio AI China yang mendominasi open source.
2. Dosen dan peneliti: jangan jadikan skor indeks satu-satunya acuan. Uji model di tugas spesifik bidangmu, karena model ini kuat di dokumen keuangan dan visual, tetapi lemah di Terminal-Bench 4.0 (13% berbanding 30% milik Claude Sonnet 5.5 menurut Artificial Analysis).
3. Pekerja dan pengembang: hitung biaya per tugas yang selesai, bukan hanya harga per token, karena model yang bertele-tele bisa lebih mahal dari dugaan. Untuk memilih alat sehari-hari, lihat panduan cara memilih asisten AI.

FAQ: Inkling 2 Small dari Thinking Machines

Kapan Inkling 2 Small diumumkan?

Thinking Machines Lab mengumumkan Inkling 2 Small pada Kamis, 5 November 2026, bersamaan dengan model card yang mencantumkan tanggal rilis yang sama.

Apa beda Inkling 2 Small dengan Inkling Small?

Ukurannya justru lebih besar (594B total, 17B aktif, dibanding 276B dan 12B), skornya di Artificial Analysis Intelligence Index naik dari 13 ke 31, dan tingkat halusinasinya turun dari 61% ke 27%. Namun, model baru ini tidak menerima audio dan menghasilkan sekitar 4 kali lebih banyak token per tugas.

Apakah Inkling 2 Small sudah open source?

Belum. Saat diluncurkan, bobotnya masih tertutup dan model hanya tersedia di Tinker. Thinking Machines berencana merilis bobot penuh berlisensi Apache 2.0 setelah uji keamanan pihak luar selesai, dengan target pekan berikutnya, tetapi Artificial Analysis menulis tanggalnya belum dikonfirmasi.

Apakah Inkling 2 Small bisa dipakai di Indonesia?

Belum ada keterangan resmi soal Indonesia. Model ini hanya diakses lewat platform pengembang Tinker yang berbayar, dan ketentuan layanannya menyebut fitur bisa berbeda menurut lokasi. Model card juga tidak menyebut dukungan khusus bahasa Indonesia.

Berapa harga Inkling 2 Small?

Di Tinker, harganya US$0,30 per 1 juta token input, US$0,03 per 1 juta token input dari cache, dan US$1,00 per 1 juta token output. Fine-tuning dikenai US$1,50 per 1 juta token pada konteks 64 ribu token, atau US$3,00 pada konteks 256 ribu token.

Pada akhirnya, Inkling 2 Small menunjukkan persaingan model terbuka tidak lagi hanya milik lab China, walau janji Apache 2.0 itu baru benar-benar berarti setelah bobotnya dirilis.

Sambil menunggu model itu hadir di aplikasi sehari-hari, kamu bisa memakai asisten AI berbahasa Indonesia di kakak.ai untuk merangkum jurnal, menyusun kerangka tugas, dan memeriksa ulang jawaban AI sebelum dipakai, tanpa perlu mengurus API atau server sendiri. Coba Sekarang, Gratis.