Inkling 2 Small 登上 Eval³ 榜：专测「审计 eval 抓 reward hack」新维度

simonguozirui · x · 2026-11-13

Tokenless 的 Eval³ 排行榜新增 Thinking Machines 的 Inkling 2 Small，作者称其表现优于其他美国开源权重模型。Eval³ 是一个新式评测：让模型审计 65 个 eval/RL 环境（每个最多 200 次模型调用）来找出 reward hacking，由裁判模型验证报告、按发现问题的独占性计分并折算 Elo。当前榜单：GPT-6.1 Sol 以 1173 居首（成本 $335），GPT-6 Astra 1165（$1,285），Claude Sonnet 5.5 1111；性价比突出的是 DeepSeek V4.1 Flash（1069，仅 $21）和 MiniMax M3.1 Flash（986，$17）。Inkling 2 Small 排 13（870，$38）。