Artificial Analysis 独立验证 Inkling-Small：综合智力指数 40 追平 DeepSeek V4 Flash，token 效率显著优于同级模型

7 月 30 日，第三方评测机构 Artificial Analysis 发布了对 Thinking Machines Lab 新模型 Inkling-Small 的独立深度评测，确认其综合智力指数（AA Intelligence Index v4.1）为 40 分，与 Inkling 旗舰（41 分）仅差 1 分，并以不足三分之一的参数量（276B 总参/12B 激活 vs. 975B/41B）追平了今年 4 月版 DeepSeek V4 Flash（284B/13B 激活，同为 40 分）。更值得注意的是，Inkling-Small 在达成同等智力水平时展现出显著的 token 效率优势。

token 效率：同等分数，不到一半输出量

Artificial Analysis 的独立评测揭示了一个官方公告中未强调的效率维度：Inkling-Small 在完成 Intelligence Index 全部评测任务时，平均每个任务仅产生约 24K 输出 token，与 Inkling（约 25K）基本持平。而同等分数的 DeepSeek V4 Flash（4 月版）平均每个任务约 45K token，GPT-5.4 mini（xhigh 设置）更高达约 78K token。

这意味着在推理效率层面，Inkling-Small 以明显更少的思考 token 达成了同等智能水平。Artificial Analysis 将这一结果归因于模型"输出简洁"而非思考不足——其全量 Intelligence Index 评测累计约 131M 输出 token，仅略高于 Inkling 的约 128M。

AA-Briefcase：报告质量驱动的反超

在长周期智能体知识工作基准 AA-Briefcase 上，Inkling-Small 以 917 Elo 大幅领先 Inkling 的 839 Elo。但 Artificial Analysis 指出，这一领先主要来自报告呈现质量的提升，而非答案正确率的实质飞跃——两模型的评分标准通过率几乎一致（20% vs. 19%）。真正关键的效率指标是：Inkling-Small 平均仅需 34 轮完成任务，不到 Inkling 的 81 轮的一半。

幻觉率反而更低

在 AA-Omniscience 指数上，Inkling-Small 得分为 -9（Inkling 为 +2），意味着错误回答多于正确回答。但分解数据显示，这一差距完全由准确率驱动（31% vs. 40%），而非幻觉率——Inkling-Small 的幻觉率为 57%，反而低于 Inkling 的 63%。这对一个参数量仅为其四分之一的模型而言，是一个反直觉但积极的安全信号。

时效注记：对标基线已更新

需要指出的是，DeepSeek 于 7 月 31 日（Inkling-Small 发布次日）即上线了 V4 Flash 0731 正式版，同架构、同参数、仅重做后训练，AA Intelligence Index 从 40 跃升至 50。Inkling-Small 追平的 V4 Flash 是 4 月版，而非这一最新版本。这意味着同等参数量级的竞争基准仍在快速上移。

本次更新来源

• Artificial Analysis — Inkling Small lands within a point of Inkling（2026-07-30，独立评测核心来源）
• Thinking Machines Lab — Introducing Inkling-Small（官方公告，供交叉核对）