Inkling Small : configuration GPU requise, VRAM et GPU le moins cher
Inkling Small compte 266 Md paramètres, publiés en BF16. C’est un modèle à mélange d’experts : 6 de ses 256 experts traitent chaque token, soit environ 1,7 Md paramètres, il génère donc à peu près à la vitesse d’un modèle de cette taille. Tous les experts doivent malgré tout résider en mémoire GPU, d’où des chiffres de mémoire ci-dessous pour le modèle complet. Il est publié sous apache-2.0, qui autorise l’usage commercial.
- Paramètres
- 266 Md
- Empreinte minimale (INT4)
- environ 156 Go
- GPU le moins cher par heure (FP16)
- 2,39 $US
- Type
- Vision
thinkingmachines/Inkling-Small
- Paramètres 266 Md
- Actifs par token 1,7 Md
- Type Vision
- Tâche image-text-to-text
- Licence apache-2.0
- Téléchargements 916,1 k
- J’aime 460
Calcul pour Inkling Small
Plus de réglages
Inkling Small demande environ 588 Go de mémoire GPU
Inférence (vLLM), FP16 / BF16, contexte de 8K tokens, une requête à la fois.
Où va la mémoire
- Poids 532 Go
- Cache KV 1,4 Go
- Surcoût du moteur 54 Go
- Total 588 Go
Le nombre de GPU laisse 10 % de chaque carte libre pour les pics. Prévoyez davantage si vous attendez de longs prompts ou beaucoup d’utilisateurs en même temps.
| Rang | Configuration | Par GPU / h | GPU nécessaires | Total / h | Total / mois (24/7) | Fournisseur |
|---|---|---|---|---|---|---|
| 1 | 4 × MI300X 192GBLa moins chèreCDNA 3 · HBM3 | 2,39 $US | 4 | 9,56 $US | 6 979 $US | RunPod (s’ouvre dans un nouvel onglet)4x MI300X |
| 2 | 7 × RTX PRO 6000 96GBBlackwell · GDDR7 | 1,80 $US | 7vendue avec 8 GPU ; il vous en faut 7 | 14,40 $US | 10 512 $US | Nebius (s’ouvre dans un nouvel onglet)8x RTX PRO 6000 96GB |
| 3 | 7 × H100 NVL 94GBHopper · HBM3 | 3,19 $US | 7vendue avec 8 GPU ; il vous en faut 7 | 25,52 $US | 18 630 $US | RunPod (s’ouvre dans un nouvel onglet)8x H100 NVL |
| 4 | 5 × H200 141GBHopper · HBM3e | 3,79 $US | 5vendue avec 8 GPU ; il vous en faut 5 | 30,32 $US | 22 134 $US | RunPod (s’ouvre dans un nouvel onglet)8x H200 NVL |
| 5 | 4 × B200 180GBBlackwell · HBM3e | 7,79 $US | 4 | 31,16 $US | 22 747 $US | Lambda (s’ouvre dans un nouvel onglet)4x B200 SXM6 |
| 6 | 3 × B300 288GBBlackwell Ultra · HBM3e | 8,99 $US | 3vendue avec 4 GPU ; il vous en faut 3 | 35,96 $US | 26 251 $US | RunPod (s’ouvre dans un nouvel onglet)4x B300 |
| 7 | 4 × GB200 186GBBlackwell · HBM3e | 10,50 $US | 4 | 42,00 $US | 30 660 $US | CoreWeave (s’ouvre dans un nouvel onglet)GB200 NVL72 |
| Plus de 8 : plusieurs nœuds nécessaires: H100 80GB, A100 80GB, L40S 48GB, RTX 6000 Ada 48GB, RTX A6000 48GB, A40 48GB, A100 40GB, RTX 5090 32GB, RTX 4090 24GB, RTX 3090 24GB, L4 24GB, A10 24GB, T4 16GB, V100 16GB | ||||||
| Fournisseur | Instance | Par GPU / h | GPU nécessaires | Total / h | Total / mois (24/7) |
|---|---|---|---|---|---|
| RunPod (s’ouvre dans un nouvel onglet)La moins chère | 4x MI300Xus | 2,39 $US | 4 × MI300X 192GB | environ 9,56 $US | environ 6 979 $US |
| Nebius (s’ouvre dans un nouvel onglet) | 8x RTX PRO 6000 96GBeu/us | 1,80 $US | 7 × RTX PRO 6000 96GB vendue avec 8 GPU ; il vous en faut 7 | environ 14,40 $US | environ 10 512 $US |
| Vast.ai (s’ouvre dans un nouvel onglet) | 8x RTX PRO 6000 S (median of 4 offers)place de marché mondiale | 2,23 $US | 7 × RTX PRO 6000 96GB vendue avec 8 GPU ; il vous en faut 7 | environ 17,87 $US | environ 13 045 $US |
| CoreWeave (s’ouvre dans un nouvel onglet) | RTX PRO 6000 Blackwell Server Edition (High Memory)us | 2,50 $US | 7 × RTX PRO 6000 96GB vendue avec 8 GPU ; il vous en faut 7 | environ 20,00 $US | environ 14 600 $US |
| Lambda (s’ouvre dans un nouvel onglet) | 4x B200 SXM6us | 7,79 $US | 4 × B200 180GB | environ 31,16 $US | environ 22 747 $US |
| Vultr (s’ouvre dans un nouvel onglet) | vbm-256c-2048gb-8-mi300x-gpu (bare metal)us | 3,99 $US | 4 × MI300X 192GB vendue avec 8 GPU ; il vous en faut 4 | environ 31,92 $US | environ 23 302 $US |
| AWS (s’ouvre dans un nouvel onglet) | g7e.48xlargeus-east-1 | 4,14 $US | 7 × RTX PRO 6000 96GB vendue avec 8 GPU ; il vous en faut 7 | environ 33,14 $US | environ 24 195 $US |
| Google Cloud (s’ouvre dans un nouvel onglet) | g4-standard-384us-central1 | 4,50 $US | 7 × RTX PRO 6000 96GB vendue avec 8 GPU ; il vous en faut 7 | environ 36,00 $US | environ 26 280 $US |
| Azure (s’ouvre dans un nouvel onglet) | ND128isr_NDR_GB200_v6eastus | 27,04 $US | 4 × GB200 186GB | environ 108,16 $US | environ 78 957 $US |
Prix relevés le 16 nov. 2026. Tous les coûts sont approximatifs : à la demande, en dollars US, surtout des régions des États-Unis (les places de marché comme Vast.ai et Lium sont mondiales).
Mémoire par précision et par usage
| Précision | Inférence | Fine-tuning LoRA | Fine-tuning QLoRA | Fine-tuning complet |
|---|---|---|---|---|
| FP16 / BF16 | 588 Go | 684 Go | – | 4 686 Go |
| INT8 | 310 Go | – | – | – |
| INT4 | 156 Go | – | 253 Go | – |
Le GPU le moins cher par précision
Inférence avec un contexte de 8K et une requête à la fois.
FP16 / BF16
environ 588 Go · 8K tokens
Les poids tels que publiés. Aucune perte, mais l’empreinte la plus lourde.
4 × MI300X 192GB
RunPod (s’ouvre dans un nouvel onglet) · 4x MI300X
- Par GPU / h
- 2,39 $US
- GPU nécessaires
- 4
- Total / h
- environ 9,56 $US
- par mois, 24/7, environ
- 6 979 $US
INT8
environ 310 Go · 8K tokens
Des poids deux fois plus légers. Pour le chat et le RAG, la différence se voit à peine.
8 × A40 48GB
RunPod (s’ouvre dans un nouvel onglet) · 8x A40
- Par GPU / h
- 0,59 $US
- GPU nécessaires
- 8
- Total / h
- environ 4,72 $US
- par mois, 24/7, environ
- 3 446 $US
INT4
environ 156 Go · 8K tokens
Des poids quatre fois plus légers. Les petites pertes apparaissent d’abord en maths et en code.
4 × A40 48GB
RunPod (s’ouvre dans un nouvel onglet) · 4x A40
- Par GPU / h
- 0,59 $US
- GPU nécessaires
- 4
- Total / h
- environ 2,36 $US
- par mois, 24/7, environ
- 1 723 $US
Inférence ou fine-tuning
Inférence (FP16)
1×
de la mémoire nécessaire à l’inférence
588 Go
4 × MI300X 192GB · environ 9,56 $US
Fine-tuning LoRA
1,2×
de la mémoire nécessaire à l’inférence
684 Go
4 × MI300X 192GB · environ 9,56 $US
Fine-tuning QLoRA
0,4×
de la mémoire nécessaire à l’inférence
253 Go
6 × A40 48GB · environ 4,72 $US
Fine-tuning complet
8×
de la mémoire nécessaire à l’inférence
4 686 Go
plus d’un nœud de 8 GPU
Pour le servir en FP16, 4 × MI300X 192GB (RunPod) suffit. LoRA demande 4 × MI300X 192GB (RunPod), QLoRA 6 × A40 48GB (RunPod) et un fine-tuning complet plus d’un nœud de 8 GPU. L’entraînement garde en mémoire les activations et l’état de l’optimiseur en plus des poids, d’où un besoin fréquent de plus de GPU que pour servir le même modèle.
Fonctionne-t-il sur un Mac ou une seule RTX 4090 ?
RTX 4090 (24 Go)
Pas seule. Même en INT4, il demande environ 156 Go, plus que les 24 Go de la carte. Deux cartes ou plus, ou un GPU de centre de données plus grand, suffisent.
Mac avec puce Apple
Oui, avec assez de mémoire. En INT4, il demande environ 156 Go, donc un Mac avec 256 Go ou plus de mémoire unifiée (macOS en laisse environ les trois quarts au GPU). La génération sera plus lente que sur un GPU de centre de données.
Modèles similaires
Des modèles ouverts de taille comparable.
- MiniMax-M3.1-FlashVision220,5 Md · environ 487 Go FP16 · 150 k ↓Besoins en GPU
- GLM-5.3-FlashVision321,3 Md · environ 708 Go FP16 · 6,4 M ↓Besoins en GPU
- Command A+Vision218,8 Md · environ 483 Go FP16 · 8,9 k ↓Besoins en GPU
- DeepSeek-V4.1-Flash-1017 GSQ-RCO Coder (GGUF)Vision196,6 Md · environ 437 Go FP16 · 525,1 k ↓Besoins en GPU
- Qwen3.8-Flash-NextVision180 Md · environ 397 Go FP16 · 2,7 M ↓Besoins en GPU
- Llama 4 MaverickVision401,6 Md · environ 886 Go FP16 · 14,4 k ↓Besoins en GPU
Inkling Small : questions fréquentes
Combien de VRAM faut-il pour Inkling Small ?
Environ 588 Go en FP16, 310 Go en INT8 et 156 Go en INT4, avec un contexte de 8K et une requête à la fois. Un contexte plus long et davantage de requêtes en parallèle ajoutent du cache KV.
Quel est le GPU le moins cher pour faire tourner Inkling Small ?
4 × MI300X 192GB (environ 2,39 $US par GPU / heure) chez RunPod, pour environ 9,56 $US de l’heure en inférence FP16 / BF16 avec un contexte de 8K. Prix relevés le 16 nov. 2026 ; ils changent souvent.
Peut-on faire le fine-tuning de Inkling Small sur un seul GPU ?
Pas sur un seul GPU. Même QLoRA demande environ 253 Go, plus que ce que contient un GPU de 80 Go. LoRA demande environ 684 Go et un fine-tuning complet environ 4 686 Go.
Comment ces chiffres sont-ils calculés ?
Les poids correspondent aux paramètres multipliés par les octets par paramètre (2 en FP16, 1 en INT8, 0,5 en INT4). Le cache KV dépend des couches, des têtes KV, de la taille de tête et de la longueur de contexte du modèle. Nous ajoutons environ 10 % plus 1 Go pour le moteur et remplissons chaque GPU à 90 %. Les prix sont les tarifs catalogue à la demande dans les régions des États-Unis, relevés sur la page publique de chaque fournisseur.
Inkling Small fonctionne-t-il sur un GPU grand public comme la RTX 4090 ?
Pas seule. Même en INT4, il demande environ 156 Go, plus que les 24 Go de la carte. Deux cartes ou plus, ou un GPU de centre de données plus grand, suffisent.
Inkling Small tient-il sur une seule H100 80 Go ?
Non. Même en INT4, il demande environ 156 Go : il faut plusieurs GPU.
Combien de GPU faut-il pour Inkling Small ?
En FP16 avec un contexte de 8K : 9 × 80 Go, 14 × 48 Go ou 28 × 24 Go. En INT4, les poids prennent environ le quart de la mémoire.
Combien de VRAM faut-il pour Inkling Small en INT8 ?
Environ 310 Go : 279 Go pour les poids, 1,4 Go pour un cache KV de 8K et 29 Go de surcoût du moteur.
Combien coûte Inkling Small en fonctionnement 24/7 pendant un mois ?
Environ 6 979 $US avec la configuration la moins chère que nous avons trouvée (4 × MI300X 192GB (environ 2,39 $US par GPU / heure), 9,56 $US de l’heure pendant 730 heures). Le moins cher chez AWS, Google Cloud ou Azure revient à environ 24 195 $US par mois.
FP16, INT8 ou INT4 : lequel choisir ?
Le FP16 garde toute la qualité et demande le plus de mémoire (environ 588 Go ici). L’INT8 divise les poids par deux avec peu de perte pour la plupart des usages de chat. L’INT4 (AWQ, GPTQ ou GGUF Q4) les réduit au quart, environ 156 Go au total, avec une légère baisse de qualité, surtout visible en maths et en code.
Inkling Small fonctionne-t-il sur un Mac ?
Oui, avec assez de mémoire. En INT4, il demande environ 156 Go, donc un Mac avec 256 Go ou plus de mémoire unifiée (macOS en laisse environ les trois quarts au GPU). La génération sera plus lente que sur un GPU de centre de données.
vLLM ou llama.cpp ?
vLLM est conçu pour servir de nombreuses requêtes à la fois sur des GPU NVIDIA et AMD et réserve l’essentiel de la mémoire GPU au cache KV. llama.cpp lit les fichiers GGUF sur presque tout, Mac et CPU compris, et convient à une personne ou à une petite équipe. À précision égale, la mémoire nécessaire est proche.
Prix relevés le 16 nov. 2026. Tous les coûts sont approximatifs : à la demande, en dollars US, surtout des régions des États-Unis (les places de marché comme Vast.ai et Lium sont mondiales).
Notre méthode de calcul
- Poids. Paramètres multipliés par les octets par paramètre : 2 en FP16, 1 en INT8, 0,5 en INT4, plus environ 5 % pour les échelles de quantification en INT8 et INT4.
- Cache KV. 2 × couches × têtes KV × taille de tête × contexte × requêtes × 2 octets, d’après le config.json du modèle. Si une valeur manque, nous l’estimons et le signalons.
- Surcoût. Environ 10 % plus 1 Go pour le moteur, dans la ligne de ce que réserve vLLM.
- Fine-tuning. LoRA garde des poids en 16 bits et ajoute un petit adaptateur, son optimiseur et les activations. QLoRA fait de même sur des poids en 4 bits. Un fine-tuning complet demande environ 16 octets par paramètre avec Adam en précision mixte (poids, gradients et états de l’optimiseur), plus les activations.
- GPU. Nous remplissons chaque GPU à 90 % de sa mémoire et nous arrêtons à 8 par nœud. Les coûts sont les prix catalogue à la demande dans les régions des États-Unis ; pour les places de marché, nous montrons l’offre médiane.