Felo API PlatformFelo API Platform
返回模型列表

Thinking Machines: Inkling 2 Small (free) API

Thinking Machines 推出的稀疏混合专家模型,支持文本与图像输入,主打智能体、编程与多语言任务。

Inkling 2 Small 是 Thinking Machines 推出的多模态模型,可接受文本与图像输入并生成文本输出。它基于 48 层仅解码器 Transformer 架构,前馈部分采用稀疏混合专家结构,每个 token 路由到 384 个专家中的 8 个;总参数 5940 亿,激活参数 170 亿,并支持 MXFP8 与 NVFP4 数值格式。图像经视觉 Transformer 编码后,与文本在共享隐空间中联合处理。

该模型面向英文及其他语言,并覆盖多种编程语言,适合智能体与工具调用系统、编程助手、聊天机器人以及检索增强生成系统。官方还列出通用对话、指令遵循、金融任务、3D 创作和通过代码生成视频等场景;在开放权重模型中,它在多项金融基准上表现突出。

与上一代 Inkling Small 相比,它的幻觉率从 61% 降至 27%,自动化任务通过率从 5% 提升到 46%,编程测试得分从 5% 提升到 25%。不过幻觉减少主要源于答题数量下降:尝试率从 77% 降至 53%,准确率仅从 32% 微升至 34%;在 Intelligence Index 任务上平均输出约 150,000 个 token,约为 Inkling Small 的 37,000 个 token 的 4 倍。模型知识截至其训练截止时间,不建议在未经额外微调、领域验证和人工监督的情况下用于医疗、法律或安全关键决策。

更新时间:

模型 ID

inkling-2-small:free
上下文
1.049M
最大输出
131.072K
推荐 API
messages
输入
text / image
输出
video

核心要点

  • 稀疏混合专家架构,激活参数 170 亿
  • 支持文本与图像输入
  • 面向智能体与工具调用
  • 幻觉率较上一代显著下降
  • 开放权重模型中金融基准表现突出
  • 支持 MXFP8 与 NVFP4 数值格式

供应商

1 个供应商

比较不同供应商的调用价格,点击供应商可查看完整费用和适用条件。

供应商 · 计费明细
可用率
$0$0

基准测试

  • EnterpriseBench-CoreCraft

    来自 Surge AI,衡量智能体能力

    71.8%
  • CritPt v2

    Inkling Small 为 34%,Gemini 3.8 Flash high 为 65%

    56%
  • GPQA Diamond

    89.5
  • SWE-bench Verified

    80.2
  • MMMU Pro Standard 10 Options

    74
  • Terminal Bench 2.1

    64.7
  • MathArena AIME 2026

    95.5
  • HLE

    31.6

分数来自模型厂商公布的数据,未独立验证。

推理能力

默认推理强度
high
默认启用
是
始终启用
是
可选推理强度
max / high / medium / low / minimal

快速开始

直接复制代码,通过 Felo API Platform 兼容 API 调用该模型。写代码前可先在 Playground 测试提示词。

1

填入 API key

从 Felo API Platform 账户创建 key,并设置为环境变量。

export FELO_API_KEY="YOUR_API_KEY"
2

发起第一次请求

使用该模型 ID 调用 Felo API Platform endpoint。可选请求头如 X-Request-Id 能帮助排查问题。

inkling-2-small:free

该模型支持推理。如果所选协议和模型路由暴露推理控制,请在继续对话时保留返回的推理元数据。

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());

使用第三方 SDK

兼容 SDK 只需把 baseURL 设置为 https://openapi.felo.ai/api/v1. Claude 风格客户端使用 Anthropic-compatible base URL。 https://openapi.felo.ai/api.

3

启用流式输出

加入 stream: true,即可以 server-sent events 接收响应。

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 提供兼容的模型调用入口。选择你的应用或 Agent 客户端已经支持的接口即可。

SurfaceMethodURL

Messages

Anthropic-compatible messages for Claude-style clients.

POST

https://openapi.felo.ai/api/v1/messages

参数

名称类型默认值说明
modelstringinkling-2-small:freePublic model ID to call.
max_tokensinteger—Maximum generated tokens.
messagesarray—Conversation messages for Chat Completions.
seed———
stop———
toolsarray—Tool calling definitions following compatible schema.
top_p———
reasoning———
temperaturenumber—Controls response variety when supported.
reasoning_effort———
include_reasoning———

常见问题

什么是 Thinking Machines: Inkling 2 Small (free)?

Inkling 2 Small 是 Thinking Machines 推出的多模态模型,可接受文本与图像输入并生成文本输出。它基于 48 层仅解码器 Transformer 架构,前馈部分采用稀疏混合专家结构,每个 token 路由到 384 个专家中的 8 个;总参数 5940 亿,激活参数 170 亿,并支持 MXFP8 与 NVFP4 数值格式。图像经视觉 Transformer 编码后,与文本在共享隐空间中联合处理。 该模型面向英文及其他语言,并覆盖多种编程语言,适合智能体与工具调用系统、编程助手、聊天机器人以及检索增强生成系统。官方还列出通用对话、指令遵循、金融任务、3D 创作和通过代码生成视频等场景;在开放权重模型中,它在多项金融基准上表现突出。 与上一代 Inkling Small 相比,它的幻觉率从 61% 降至 27%,自动化任务通过率从 5% 提升到 46%,编程测试得分从 5% 提升到 25%。不过幻觉减少主要源于答题数量下降:尝试率从 77% 降至 53%,准确率仅从 32% 微升至 34%;在 Intelligence Index 任务上平均输出约 150,000 个 token,约为 Inkling Small 的 37,000 个 token 的 4 倍。模型知识截至其训练截止时间,不建议在未经额外微调、领域验证和人工监督的情况下用于医疗、法律或安全关键决策。

如何计算调用费用?

费用取决于你使用的供应商、对应价格和实际用量。长文本输入等情况可能适用不同价格,详见计费明细。

Inkling 2 Small 支持哪些输入和输出?

它支持文本输入和图像输入,并生成文本输出。图像会经视觉 Transformer 编码后与文本在共享隐空间中联合处理。

它适合哪些任务?

适合智能体与工具调用系统、编程助手、聊天机器人、检索增强生成系统,以及通用对话、指令遵循、金融任务、3D 创作和通过代码生成视频等场景。

它的架构有什么特点?

它采用 48 层仅解码器 Transformer,前馈部分为稀疏混合专家结构,每个 token 路由到 384 个专家中的 8 个,总参数 5940 亿、激活参数 170 亿。

与 Inkling Small 相比有哪些变化?

幻觉率从 61% 降至 27%,自动化任务通过率从 5% 提升到 46%,编程测试得分从 5% 提升到 25%。但尝试率从 77% 降至 53%,准确率仅从 32% 升至 34%,且平均输出 token 数约为后者的 4 倍。

部署时需要注意什么?

模型知识截至训练截止时间,Thinking Machines 建议在高风险或安全关键场景中保留人工监督与复核,并在部署前自行评估性能、安全与公平性。

相关模型