Inkling-Small

架构常数（已核实）

来源：thinkingmachines/Inkling-Small / config.json（抓取于 2026-11-12）。KV 公式：2 × 层数 × KV头数 × 头维 × 精度字节 × token（滑窗层按 512 封顶）。

上下文档位（按 Q4_K_M）

* 含 1G 框架开销；可用水位按 Windows 口径 88% = 14.1G。

各显存档位能开多大

「最多可开」已扣掉权重与 1G 开销；标注为「模型原生上限」时表示显存还有余但模型只支持这么长。净可用还要再减聊天模板与系统提示词的 250 token（估算值，未逐项核实）。量化档后带「（估算）」= 官方仓库没核到这档、按公式算的权重体积（方向保守偏高）；不带 = 核过官方仓库真实文件体积。

估算速度（Q4_K_M · 8K）

推算 本站暂无这一模型的实测记录。

同一套公式也用于显卡页，两页数字必然一致。带宽按 60–85% 效率折算（offload 场景更低），并对单流解码设经验上限，因此这里的数字比纯带宽公式保守。 总需显存 = 166.9G，对比各卡可用水位。

实测数据区

llama.cpp

# 1) 取 GGUF 权重（本站核实过的仓库名）
huggingface-cli download thinkingmachines/Inkling-Small config.json
#   GGUF 量化版通常在第三方转换仓库，搜「thinkingmachines/Inkling-Small GGUF」
# 2) 起服务（Linux/macOS 用 ./llama-server，Windows 用 llama-server.exe）
llama-server -m INKLING-SMALL-Q4_K_M.gguf -ngl 99 -c 8192 --port 8080
# 该模型带滑窗层，长上下文比同级便宜，值得把 -c 拉高试试
# MoE：想让专家留在内存以塞更大模型，加 --n-cpu-moe（参数名随版本变，用 --help 确认）

Ollama

# 本站没核实到 Ollama 仓库里有 Inkling-Small 的可用标签，所以不给命令
# 自己去查一眼：https://ollama.com/search?q=Inkling-Small

宁可不给命令，也不给一条跑不通的命令——照抄未核实的标签是新手最常见的卡死原因。

vLLM

vLLM 直接吃 Hugging Face 仓库名，这条最可靠：
vllm serve thinkingmachines/Inkling-Small --max-model-len 8192 --gpu-memory-utilization 0.90

LM Studio

模型页搜「thinkingmachines/Inkling-Small」→ 选 Q4_K_M 或 Q4_K_M → Load →
Chat Context Length 设 8192 → GPU Offload 拉到最大