Thinking Machines: Inkling 2 Small (free) API
Inkling 2 Small จาก Thinking Machines เป็นโมเดลที่รับข้อความและภาพเป็นอินพุตและสร้างข้อความเอาต์พุต โดดเด่นด้านงานเอเจนต์ การเขียนโค้ด และการสนทนา
Inkling 2 Small เป็นโมเดลจาก Thinking Machines ที่รับอินพุตทั้งข้อความและภาพ แล้วสร้างเอาต์พุตเป็นข้อความ ตัวโมเดลสร้างบนสถาปัตยกรรม decoder-only transformer จำนวน 48 ชั้น ใช้โครงข่ายฟีดฟอร์เวิร์ดแบบ sparse Mixture-of-Experts โดยแต่ละโทเคนจะถูกส่งไปยังผู้เชี่ยวชาญ 8 รายจากทั้งหมด 384 ราย โมเดลมีพารามิเตอร์รวม 594 พันล้านตัว และมีพารามิเตอร์ที่ใช้งานจริง 17 พันล้านตัว รองรับรูปแบบตัวเลข MXFP8 และ NVFP4 ภาพจะถูกเข้ารหัสผ่าน vision transformer และประมวลผลร่วมกับข้อความในพื้นที่ซ่อนร่วมกัน
โมเดลนี้ออกแบบมาสำหรับระบบเอเจนต์และการใช้เครื่องมือ ผู้ช่วยเขียนโค้ด แชตบอต และระบบ retrieval-augmented generation รองรับภาษาอังกฤษ ภาษาต่างๆ และภาษาการเขียนโปรแกรมหลายภาษา จุดเด่นด้านประสิทธิภาพ ได้แก่ อัตราการสร้างข้อมูลเท็จที่ลดลงเหลือ 27 เปอร์เซ็นต์ จาก 61 เปอร์เซ็นต์ของ Inkling Small และอัตราการผ่านงานอัตโนมัติที่เพิ่มจาก 5 เปอร์เซ็นต์เป็น 46 เปอร์เซ็นต์เมื่อเทียบกับเวอร์ชันก่อนหน้า
งานที่เหมาะกับโมเดลนี้ครอบคลุมเวิร์กโฟลว์แบบเอเจนต์ ผู้ช่วยเขียนโค้ด แชตบอต ระบบ RAG การใช้งานทั่วไป การทำตามคำสั่ง งานด้านการเงิน การสร้างงาน 3D และการสร้างวิดีโอผ่านโค้ด ในกลุ่มโมเดล open weight ถือว่าทำผลงานได้ดีที่สุดในหลาย benchmark ด้านการเงิน และบน Artificial Analysis Intelligence Index v5.0.1 ทำได้เทียบเท่า Gemini 3.8 Flash ในโหมด high และเหนือกว่า MiMo-V2.6-Pro อย่างไรก็ตาม โมเดลตอบคำถามน้อยลงจึงทำให้ hallucinate น้อยลง ขณะที่ความแม่นยำเพิ่มขึ้นเพียงเล็กน้อย โดยอัตราการลองตอบลดลงเหลือ 53 เปอร์เซ็นต์ จาก 77 เปอร์เซ็นต์ และความแม่นยำเพิ่มขึ้นเป็น 34 เปอร์เซ็นต์ จาก 32 เปอร์เซ็นต์ อีกทั้งใช้เอาต์พุตโดยเฉลี่ยประมาณ 150,000 โทเคนต่องาน Intelligence Index ซึ่งมากกว่าประมาณ 37,000 โทเคนของ Inkling Small ราว 4 เท่า
อัปเดต:
ID โมเดล
inkling-2-small:free- บริบท
- 1.049M
- เอาต์พุตสูงสุด
- 131.072K
- API ที่แนะนำ
- messages
- อินพุต
- text / image
- เอาต์พุต
- video
จุดเด่น
- รับข้อความและภาพ สร้างเอาต์พุตข้อความ
- สถาปัตยกรรม sparse MoE 48 ชั้น
- พารามิเตอร์รวม 594 พันล้านตัว
- พารามิเตอร์ใช้งานจริง 17 พันล้านตัว
- อัตรา hallucination ลดลงเหลือ 27 เปอร์เซ็นต์
- ผ่านงานอัตโนมัติเพิ่มเป็น 46 เปอร์เซ็นต์
ผู้ให้บริการ
เปรียบเทียบราคา API ระหว่างผู้ให้บริการ เลือกผู้ให้บริการเพื่อดูค่าใช้จ่ายและเงื่อนไขทั้งหมด
| อัตราความพร้อมใช้งาน | |||
|---|---|---|---|
| $0 | $0 |
สถิติย้อนหลังไม่ใช่การตรวจสอบแบบเรียลไทม์ ข้อมูลที่หายไปไม่ได้หมายถึงบริการขัดข้อง
เบนช์มาร์ก
- 71.8%
EnterpriseBench-CoreCraft
จาก Surge AI วัดความสามารถด้านเอเจนต์
- 56%
CritPt v2
เทียบกับ 34% ของ Inkling Small และ 65% ของ Gemini 3.8 Flash high
- 89.5
GPQA Diamond
- 80.2
SWE-bench Verified
- 74
MMMU Pro Standard 10 Options
- 64.7
Terminal Bench 2.1
- 95.5
MathArena AIME 2026
- 1527
AA-Briefcase
Elo; เทียบกับ 912 Elo ของ Inkling Small, 1439 Elo ของ Claude Sonnet 5.5 medium และ 1203 Elo ของ Gemini 3.8 Flash high
คะแนนตามที่ผู้ให้บริการโมเดลเผยแพร่
การให้เหตุผล
- ระดับความพยายามเริ่มต้น
- high
- เปิดใช้งานโดยค่าเริ่มต้น
- ใช่
- เปิดใช้งานตลอด
- ใช่
- ระดับความพยายามที่ใช้ได้
- max / high / medium / low / minimal
เริ่มต้นอย่างรวดเร็ว
โค้ดพร้อมใช้สำหรับเรียกโมเดลนี้ด้วย API ที่เข้ากันได้ของ Felo API Platform เริ่มใน Playground เมื่อคุณต้องการทดสอบพรอมต์ก่อนเขียนโค้ด
ตั้งค่าคีย์ API
สร้างคีย์จากบัญชี Felo API Platform ของคุณและตั้งเป็นตัวแปรสภาพแวดล้อม
export FELO_API_KEY="YOUR_API_KEY"ส่งคำขอแรก
ใช้ ID โมเดลนี้กับ endpoint ของ Felo API Platform ส่วนหัวคำขอแบบไม่บังคับ เช่น X-Request-Id ช่วยในการแก้ไขปัญหา
inkling-2-small:freeโมเดลนี้มีความสามารถในการให้เหตุผล หากโปรโตคอลและเส้นทางโมเดลที่คุณเลือกเปิดการควบคุมการให้เหตุผล ให้เก็บเมทาดาทาการให้เหตุผลที่ส่งคืนไว้เมื่อสนทนาต่อ
const response = await fetch("https://openapi.felo.ai/api/v1/messages", {
method: 'POST',
headers: {
Authorization: `Bearer ${process.env.FELO_API_KEY}`,
'Content-Type': 'application/json',
},
body: JSON.stringify({
"model": "inkling-2-small:free",
"max_tokens": 1024,
"messages": [
{
"role": "user",
"content": "Hello"
}
]
}),
});
if (!response.ok) throw new Error(await response.text());
console.log(await response.json());การใช้ SDK ของบุคคลที่สาม
ใน SDK ที่เข้ากันได้ ให้ตั้ง baseURL เป็น https://openapi.felo.ai/api/v1. สำหรับไคลเอนต์สไตล์ Claude ให้ใช้ base URL ที่เข้ากันได้กับ Anthropic https://openapi.felo.ai/api.
เปิดใช้สตรีมมิ่ง
เพิ่ม stream: true เพื่อรับการตอบกลับเป็น server-sent events
curl -N https://openapi.felo.ai/api/v1/messages \
-H "Authorization: Bearer $FELO_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "inkling-2-small:free",
"max_tokens": 1024,
"messages": [
{
"role": "user",
"content": "Hello"
}
],
"stream": true
}'Endpoint
Felo API Platform มีอินเทอร์เฟซสำหรับเรียกโมเดลที่เข้ากันได้ เลือกอินเทอร์เฟซที่แอปหรือไคลเอนต์เอเจนต์ของคุณรองรับอยู่แล้ว
Messages
ข้อความที่เข้ากันได้กับ Anthropic สำหรับไคลเอนต์สไตล์ Claude
POST
https://openapi.felo.ai/api/v1/messagesพารามิเตอร์
modelstringinkling-2-small:freeID โมเดลสาธารณะที่ต้องการเรียกmax_tokensinteger—จำนวนโทเคนสูงสุดที่สร้างmessagesarray—ข้อความสนทนาสำหรับ Chat Completionsseed———stop———toolsarray—นิยาม tool calling ตามสคีมาที่เข้ากันได้top_p———reasoning———temperaturenumber—ควบคุมความหลากหลายของการตอบกลับเมื่อรองรับreasoning_effort———include_reasoning———คำถามที่พบบ่อย
รู้จัก Thinking Machines: Inkling 2 Small (free)?
Inkling 2 Small เป็นโมเดลจาก Thinking Machines ที่รับอินพุตทั้งข้อความและภาพ แล้วสร้างเอาต์พุตเป็นข้อความ ตัวโมเดลสร้างบนสถาปัตยกรรม decoder-only transformer จำนวน 48 ชั้น ใช้โครงข่ายฟีดฟอร์เวิร์ดแบบ sparse Mixture-of-Experts โดยแต่ละโทเคนจะถูกส่งไปยังผู้เชี่ยวชาญ 8 รายจากทั้งหมด 384 ราย โมเดลมีพารามิเตอร์รวม 594 พันล้านตัว และมีพารามิเตอร์ที่ใช้งานจริง 17 พันล้านตัว รองรับรูปแบบตัวเลข MXFP8 และ NVFP4 ภาพจะถูกเข้ารหัสผ่าน vision transformer และประมวลผลร่วมกับข้อความในพื้นที่ซ่อนร่วมกัน โมเดลนี้ออกแบบมาสำหรับระบบเอเจนต์และการใช้เครื่องมือ ผู้ช่วยเขียนโค้ด แชตบอต และระบบ retrieval-augmented generation รองรับภาษาอังกฤษ ภาษาต่างๆ และภาษาการเขียนโปรแกรมหลายภาษา จุดเด่นด้านประสิทธิภาพ ได้แก่ อัตราการสร้างข้อมูลเท็จที่ลดลงเหลือ 27 เปอร์เซ็นต์ จาก 61 เปอร์เซ็นต์ของ Inkling Small และอัตราการผ่านงานอัตโนมัติที่เพิ่มจาก 5 เปอร์เซ็นต์เป็น 46 เปอร์เซ็นต์เมื่อเทียบกับเวอร์ชันก่อนหน้า งานที่เหมาะกับโมเดลนี้ครอบคลุมเวิร์กโฟลว์แบบเอเจนต์ ผู้ช่วยเขียนโค้ด แชตบอต ระบบ RAG การใช้งานทั่วไป การทำตามคำสั่ง งานด้านการเงิน การสร้างงาน 3D และการสร้างวิดีโอผ่านโค้ด ในกลุ่มโมเดล open weight ถือว่าทำผลงานได้ดีที่สุดในหลาย benchmark ด้านการเงิน และบน Artificial Analysis Intelligence Index v5.0.1 ทำได้เทียบเท่า Gemini 3.8 Flash ในโหมด high และเหนือกว่า MiMo-V2.6-Pro อย่างไรก็ตาม โมเดลตอบคำถามน้อยลงจึงทำให้ hallucinate น้อยลง ขณะที่ความแม่นยำเพิ่มขึ้นเพียงเล็กน้อย โดยอัตราการลองตอบลดลงเหลือ 53 เปอร์เซ็นต์ จาก 77 เปอร์เซ็นต์ และความแม่นยำเพิ่มขึ้นเป็น 34 เปอร์เซ็นต์ จาก 32 เปอร์เซ็นต์ อีกทั้งใช้เอาต์พุตโดยเฉลี่ยประมาณ 150,000 โทเคนต่องาน Intelligence Index ซึ่งมากกว่าประมาณ 37,000 โทเคนของ Inkling Small ราว 4 เท่า
การใช้งานถูกเรียกเก็บเงินอย่างไร
ค่าใช้จ่ายขึ้นอยู่กับผู้ให้บริการที่คุณใช้ ราคาของผู้ให้บริการนั้น และปริมาณการใช้งาน อินพุตที่ยาวขึ้นหรือเงื่อนไขอื่นอาจมีราคาแตกต่างกัน
Inkling 2 Small รับอินพุตและให้เอาต์พุตแบบใด
รับอินพุตเป็นข้อความและภาพ และสร้างเอาต์พุตเป็นข้อความ
โมเดลนี้เหมาะกับงานประเภทใด
เหมาะกับระบบเอเจนต์และการใช้เครื่องมือ ผู้ช่วยเขียนโค้ด แชตบอต และระบบ retrieval-augmented generation รวมถึงงานด้านการเงิน การสร้างงาน 3D และการสร้างวิดีโอผ่านโค้ด
Inkling 2 Small ต่างจาก Inkling Small อย่างไร
Inkling 2 Small มีอัตราการสร้างข้อมูลเท็จลดลงเหลือ 27 เปอร์เซ็นต์ จาก 61 เปอร์เซ็นต์ของ Inkling Small และอัตราการผ่านงานอัตโนมัติเพิ่มจาก 5 เปอร์เซ็นต์เป็น 46 เปอร์เซ็นต์
โมเดลนี้มีข้อจำกัดอะไรบ้าง
มีความรู้จำกัดถึงข้อมูล ณ เวลาตัดข้อมูลฝึก และไม่ควรนำไปใช้ในการตัดสินใจด้านการแพทย์ กฎหมาย หรือความปลอดภัยโดยไม่มีการปรับแต่งเพิ่มเติม การตรวจสอบเฉพาะโดเมน และการกำกับดูแลจากมนุษย์
โมเดลนี้ใช้เอาต์พุตจำนวนมากเพียงใด
ใช้เอาต์พุตโดยเฉลี่ยประมาณ 150,000 โทเคนต่องาน Intelligence Index ซึ่งมากกว่าประมาณ 37,000 โทเคนของ Inkling Small ราว 4 เท่า