Thinking Machines: 모델 지능, 성능 및 가격

Thinking Machines

이 분석은 사용 사례에 가장 적합한 Thinking Machines 제공 모델을 선택하는 데 도움을 드립니다.

가장 높은 지능

Inkling 2 Small

Inkling Small

Inkling (xhigh)

Intelligence Index

총 모델 3개

가장 짧은 작업당 시간

Inkling Small

5.3 min

Inkling (xhigh)

10.7 min

Inkling 2 Small

28.5 min

Intelligence Index 작업당 시간(분)

총 모델 3개

가장 낮은 가격

Inkling 2 Small

$0.18

Inkling Small

$0.22

Inkling (xhigh)

$0.72

혼합 가격(토큰 100만 개당)

총 모델 3개

Thinking Machines에서 지능, 성능, 가격 특성이 서로 다른 모델 3개를 제공합니다. 아래에서 모델별 주요 지표를 비교합니다.

Thinking Machines에서 지능이 가장 높은 모델은 Inkling 2 Small(31), Inkling Small(13) 및 Inkling (xhigh)(12)입니다.
작업당 시간에서는 Inkling Small(5.3분), Inkling (xhigh)(10.7분) 및 Inkling 2 Small(28.5분)이(가) Thinking Machines에서 Intelligence Index 작업을 가장 빨리 완료합니다.
첫 답변 토큰까지 걸린 시간이 가장 짧은 모델은 Inkling Small(15.14초), Inkling (xhigh)(21.00초) 및 Inkling 2 Small(68.69초)입니다.
토큰 100만 개당 혼합 가격이 가장 낮은 모델은 Inkling 2 Small($0.18), Inkling Small($0.22) 및 Inkling (xhigh)($0.72)입니다.
Thinking Machines에서 가장 큰 컨텍스트 창을 지원하는 모델은 Inkling 2 Small(262k), Inkling (xhigh)(262k) 및 Inkling Small(256k)입니다.
Inkling 2 Small은 지능과 비용 효율성의 균형이 가장 뛰어납니다. 작업당 시간이 가장 짧은 모델은 Inkling Small입니다.

지능

Artificial Analysis Intelligence Index · Higher is better

작업당 시간

Inference time (minutes) per Intelligence Index task · Lower is better

가격

USD per 1M tokens (blended) · Lower is better

지능

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v5.0.1 incorporates 9 evaluations: AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 (Hard Subset), and Terminal-Bench-Science 0.1

Artificial Analysis Intelligence Index v5.0.1 includes: AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2 (Hard Subset), Terminal-Bench-Science 0.1. See Intelligence Index methodology for further details, including a breakdown of each evaluation and how we run them.

Evaluations

Evaluations measured independently by Artificial Analysis · AA-PersonalityBench scores are percentile ranks from 1 to 100

AA-Briefcase v1.1

Agentic knowledge work, Elo

AA-Omniscience v1.1 Accuracy

Knowledge

AA-Omniscience v1.1 Non-Hallucination Rate

1 - hallucination rate

AutomationBench-AA

Agentic SaaS workflows

Terminal-Bench-Science 0.1

Agentic scientific research workflows in a terminal

FrontierCode-AA 2.0

Agentic software engineering in open-source repositories

HLE-Diamond

Reasoning & knowledge

GDP.pdf

Professional document reasoning, All-pass

Terminal-Bench 4.0

Agentic coding & terminal use

CritPt v2 (Hard Subset)

Physics reasoning

AA-AnalystAgent

Quantitative analysis on spreadsheets & documents

Harvey LAB-AA v1.1

Legal agentic work, Hallucination-Gated All-Pass Rate

EnterpriseOps-Gym-AA

Agentic business operations

GDPval-AA v2.1

Agentic real-world work tasks, Elo

AA-3D

Agentic interactive 3D experiences, Elo

Code2Video-AA

Product and brand videos designed in code, Elo

ITBench-AA

Kubernetes incident root-cause analysis

No data available

MLCR-AA

Medical long context reasoning

MMMU-Pro

Visual reasoning

AA-PersonalityBench: Expressiveness Score

Rich, varied, well-crafted language

AA-PersonalityBench: Organization Score

Well-structured, scannable, answer-first

AA-PersonalityBench: Transparency Score

Truthful, acknowledges uncertainty, non-sycophantic

AA-PersonalityBench: Slop Score

Use of filler and generic language

While model intelligence generally translates across use cases, specific evaluations may be more relevant for certain use cases.

Intelligence Index vs. 가격

Blended at 7:2:1 (cache-input-output) · USD per 1M tokens (blended)

Most attractive quadrant

While higher intelligence models are typically more expensive, they do not all follow the same price-quality curve.

가격

Intelligence Index 작업당 비용

Weighted average cost (USD) per Intelligence Index task · Segmented by token type · Lower is better

Weighted average cost per Intelligence Index task. Each evaluation’s cost is calculated from input, cache hit, cache write, reasoning, and answer token prices, divided by task count, and weighted by its Intelligence Index weight.

Intelligence Index vs. 가격

Blended at 7:2:1 (cache-input-output) · USD per 1M tokens (blended)

Most attractive quadrant

While higher intelligence models are typically more expensive, they do not all follow the same price-quality curve.

속도

측정한 단일 요청 및 멀티턴 에이전트 워크로드의 평균

Intelligence Index 작업당 시간

Output tokens divided by end-to-end output speed (minutes per Intelligence Index task) · Lower is better

The weighted average time (minutes) per Artificial Analysis Intelligence Index task: output tokens per task divided by output speed, weighted by each benchmark's weight in the Intelligence Index.

Speed and latency metrics average each endpoint's runs over the past 5 days, and the error rate pools them. We run the benchmark every 6 hours, and endpoints of deprecated models every 18 hours.

품질

컨텍스트 창

Context window: tokens limit · Higher is better

Larger context windows are relevant to RAG (Retrieval Augmented Generation) LLM workflows which typically involve reasoning and information retrieval of large amounts of data.

Maximum number of combined input & output tokens. Output tokens commonly have a significantly lower limit (varied by model).

지연 시간

측정한 단일 요청 및 멀티턴 에이전트 워크로드의 평균

첫 답변 토큰까지 걸린 시간

추론을 거쳐 첫 답변 토큰까지 걸린 초 · 측정한 단일 요청 및 멀티턴 에이전트 워크로드의 평균 · 낮을수록 좋음

Time to first answer token received, in seconds, after API request sent. For reasoning models, this includes the 'thinking' time of the model before providing an answer. For models which do not support streaming, this represents time to receive the completion.

Speed and latency metrics average each endpoint's runs over the past 5 days, and the error rate pools them. We run the benchmark every 6 hours, and endpoints of deprecated models every 18 hours.

신뢰성

측정한 모든 단일 요청 및 멀티턴 에이전트 워크로드에서 엔드포인트가 실패한 요청의 비율

엔드포인트 오류율

엔드포인트가 오류, 속도 제한 또는 시간 초과로 실패한 요청의 비율 · 측정한 모든 단일 요청 및 멀티턴 에이전트 워크로드 기준 · 낮을수록 좋음

Share of requests over the past 5 days that the endpoint failed with an error, a rate limit or a timeout. Failures on our side are left out of both counts. Across several workloads, the failures and requests are pooled before dividing.

Speed and latency metrics average each endpoint's runs over the past 5 days, and the error rate pools them. We run the benchmark every 6 hours, and endpoints of deprecated models every 18 hours.

캐싱

캐시 적중률

멀티턴 에이전트 세션 실행의 최근 4주 중앙값, 2026년 10월 26일 갱신 · 높을수록 좋음

The share of cacheable input tokens served from the provider's prompt cache, measured during multi-turn agentic sessions. We regularly measure each endpoint and report a representative rate based on recent measurements. Higher values mean more of the input is billed at the cheaper cache-hit price, where the provider offers one, which lowers the effective cost of agentic workloads. For further details, see our methodology page.

작업당 비용와 캐시 적중률

Weighted average cost (USD) per Intelligence Index task · Cache hit rate: median of the last four weeks, updated Oct 26, 2026

Most attractive quadrant

Pareto line


								추가 분석
Inkling 2 Small	31	$1.18	30.9	66.64	0.0%	262k	오픈	모델 제공업체
Inkling Small	13	$0.20	5.5	19.04	0.0%	256k	오픈	모델 제공업체
Inkling (xhigh)	12	$1.35	10.6	21.20	5.5%	262k	오픈	모델 제공업체

주요 용어 정의

Average cost per task in the index. Costs are split by input, cache hit, cache write, reasoning, and answer token pricing where canonical token counts are available.

자주 묻는 질문

Thinking Machines에 관한 일반적인 질문

Thinking Machines에서 추적 중인 모델 3개를 제공합니다: Inkling 2 Small, Inkling Small 및 Inkling (xhigh).

Thinking Machines에서 제공하는 모델 중 지능이 가장 높은 모델은 Intelligence Index 점수 31점인 Inkling 2 Small입니다.

Thinking Machines에서 작업당 시간이 가장 짧은 모델은 Intelligence Index 작업당 5.3분인 Inkling Small입니다. 작업당 시간은 작업당 출력 토큰 수를 종단 간 출력 속도로 나눈 값이며, 짧을수록 작업이 더 빨리 끝납니다.

Thinking Machines에서 첫 답변 토큰까지 걸린 시간이 가장 짧은 모델은 15.14초인 Inkling Small입니다. 지연 시간이 짧을수록 최초 응답을 더 빨리 받습니다.

Thinking Machines에서 혼합 가격이 가장 낮은 모델은 토큰 100만 개당 $0.18인 Inkling 2 Small입니다(캐시 적중/입력/출력 비율 7:2:1).

Thinking Machines의 모델별 가격은 최대 4.0배 차이 납니다. Inkling 2 Small은 토큰 100만 개당 $0.18, Inkling (xhigh)은 $0.72입니다.

예. Thinking Machines은 OpenAI 호환 API를 제공하므로 OpenAI에서 쉽게 전환하거나 기존 OpenAI SDK 통합을 사용할 수 있습니다.

예. Thinking Machines의 모델 3개 모두 구조화된 출력용 JSON 모드를 지원합니다.

예. Thinking Machines의 모델 3개 모두 함수 호출(도구 사용)을 지원합니다.

예. Thinking Machines은 추론 모델 3개를 제공합니다: Inkling 2 Small, Inkling Small 및 Inkling (xhigh). 추론 모델은 답변하기 전에 확장 사고를 사용해 복잡한 문제를 해결합니다.

예. Thinking Machines의 모델 3개 모두 오픈 웨이트 모델입니다.

예. 인프라 변경, 부하 분산, 업데이트에 따라 제공업체 성능이 달라질 수 있습니다. 모든 제공업체를 지속적으로 벤치마킹하고 '시간 경과' 차트에 과거 성능 추이를 표시합니다.

Thinking Machines에서 모델을 선택할 때는 지능(품질 중심 작업), 작업당 시간(Intelligence Index 작업을 완료하는 속도), 지연 시간(빠른 최초 응답이 필요한 대화형 애플리케이션), 가격(비용에 민감한 워크로드), 컨텍스트 창 크기, JSON 모드, 함수 호출 지원 같은 기능을 고려하세요.

Thinking Machines: 모델 지능, 성능 및 가격

가장 높은 지능

가장 짧은 작업당 시간

가장 낮은 가격

지능

작업당 시간

가격

지능

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index

Evaluations

Intelligence Evaluation Relevance

Artificial Analysis Intelligence Index

Intelligence Index vs. 가격

Price-Quality Variance

가격

Intelligence Index 작업당 비용

Cost per Intelligence Index Task

Intelligence Index vs. 가격

Price-Quality Variance

속도

Intelligence Index 작업당 시간

Time per Intelligence Index Task

Time Period

품질

컨텍스트 창

Context Window for RAG

Context Window

지연 시간

첫 답변 토큰까지 걸린 시간

Time to First Answer Token

Time Period

신뢰성

엔드포인트 오류율

Endpoint Error Rate

Time Period

캐싱

캐시 적중률

What Cache Hit Rate Shows

작업당 비용와 캐시 적중률

Cost per Intelligence Index Task

What Cache Hit Rate Shows

주요 용어 정의

Index Cost per Task

자주 묻는 질문

Thinking Machines에서 어떤 모델을 제공하나요?

Thinking Machines에서 지능이 가장 높은 모델은 무엇인가요?

Thinking Machines에서 작업당 시간이 가장 짧은 모델은 무엇인가요?

Thinking Machines에서 지연 시간이 가장 짧은 모델은 무엇인가요?

Thinking Machines에서 가장 저렴한 모델은 무엇인가요?

Thinking Machines의 모델별 가격 차이는 얼마나 되나요?

Thinking Machines은 OpenAI와 호환되나요?

Thinking Machines은 JSON 모드를 지원하나요?

Thinking Machines은 함수 호출을 지원하나요?

Thinking Machines은 추론 모델을 제공하나요?

Thinking Machines은 오픈 웨이트 모델을 제공하나요?

Thinking Machines의 성능은 시간에 따라 달라지나요?

Thinking Machines에서 모델을 어떻게 선택해야 하나요?