Thinking Machines Lab 发布首个开源模型 Inkling：975B 参数，专为企业定制而生

原文来源：TechCrunch — Thinking Machines Lab 发布其首个自研 AI 模型 Inkling，走开源路线，挑战"通用模型垄断"的行业叙事。

7 月 15 日，前 OpenAI CTO Mira Murati 创办的 AI 公司 Thinking Machines Lab 正式发布了其首个自研模型 Inkling。与 OpenAI 的 GPT、Anthropic 的 Claude、Google 的 Gemini 这些闭源旗舰不同，Inkling 走的是开源路线——外部开发者和企业可以直接下载、修改、部署。

这不仅是 Thinking Machines Lab 成立一年半以来首次公开亮出的技术成果，也是对整个 AI 行业"通用大模型"叙事的一次正面挑战。

Inkling 的技术规格

Inkling 采用 MoE（混合专家）架构，总参数量达到 975B（9750 亿），但在处理任一具体任务时只激活其中约 41B 参数。这种设计在保持模型能力的同时，大幅降低了推理成本和运行速度——这也是当前超大模型的通行做法。

训练方面，Inkling 在 45 万亿 token 的数据上完成预训练，涵盖文本、图像、音频和视频四种模态，并具备原生跨模态推理能力。不过目前输出仍限于文本（包括代码、样式化制品和结构化数据）。

Thinking Machines Lab 强调，Inkling 的设计目标是"给出经过校准的答案"——包括在不确定时主动标注不确定性，而不是强行编造。它还允许用户在需要时调节思考深度（thinking effort），在速度和准确率之间自由权衡。

一个值得注意的 benchmark 数据：在相同编码任务上，Inkling 消耗的 token 量只有 NVIDIA Nemotron 3 Ultra 的三分之一，却能达到同样的编码性能。

不是最强，但够用、可定制

Thinking Machines Lab 自己很坦诚：Inkling 不是当前最强模型，无论开源还是闭源都不是。 但它的核心竞争力不在于绝对性能，而在于可定制性。

公司同步推出的 Tinker 平台，是一个面向企业客户的模型定制工具。企业可以在 Inkling 的基础上进行微调，将模型适配到自己的业务场景中。换句话说，Thinking Machines Lab 卖的不是"模型本身"，而是围绕模型定制的服务和基础设施。

这背后的逻辑很清晰：如果 Inkling 并不打算在排名上追赶 GPT-5.6 或 Fable 5，那它凭借什么赢得企业客户？答案是：开源 + 定制 + 成本优势。

Bridgwater 的实战验证

一个颇具说服力的案例来自 Thinking Machines Lab 与全球最大对冲基金 Bridgewater Associates 的合作。两家公司的研究人员将一个现有开源模型在 Bridgewater 的金融数据上继续训练，结果在金融推理测试上拿下了 84.7% 的得分，超过了顶级闭源模型，而运行成本只有后者的 十四分之一。

当然，这个数据来自两家公司自己的评估，并非独立第三方测试。但它仍然给出了一个有力的方向性结论：在垂直领域经过定制微调的开源模型，完全可以在特定任务上超越通用闭源模型，同时成本大幅降低。

与行业大势的呼应

Inkling 的发布赶上了行业中一个正在加速的共识转变。

Hugging Face CEO Clem Delangue 上周在接受 TechCrunch 采访时预测，前沿模型将越来越多地保留给实验和高价值任务，而大多数生产级 AI 工作负载将转向私有或开源模型。微软 CEO Satya Nadella 也在最近的一篇博文中警告，企业使用闭源 AI 模型相当于"付了两次钱"——一次是订阅费，另一次是把自己业务中积累的知识拱手交给模型提供商，这些知识最终会被吸收到未来版本的模型中。

Inkling 正是站在这个趋势的前沿。它不是试图做一个"更好的 GPT"，而是提供了另一种选择：你的 AI，你来定。

训练方法：蒸馏的争议

AI 行业对"蒸馏"（distillation）的讨论一直没有停过——即用更强模型的输出来训练新模型。Thinking Machines Lab 的回应是：部分是的。

Inkling 的预训练是从零开始的，但在早期后训练阶段，他们确实使用了其他开源模型（包括 Moonshot AI 的 Kimi K2.5）来生成部分训练数据。公司表示，下一个模型将完全使用自包含的后训练流程。

商业模式：真正要卖的是 Tinker

Thinking Machines Lab 至今没有披露 Inkling 的成本结构和盈利路线图。它与 NVIDIA 在今年 3 月达成合作，部署了 1GW 的 Vera Rubin 计算集群，Inkling 完全在 NVIDIA GB300 NVL72 系统上完成训练。

但它的经济模型与 OpenAI 和 Anthropic 有本质区别：模型是开源的，任何人下载后都不需要付钱给 Thinking Machines Lab 来运行。 真正的商业模式藏在 Tinker 平台里——训练、微调、以及围绕模型构建的托管生态分成。2026 年初曾有消息称公司在推进一轮 500 亿美元融资，但后来陷入停滞，公司对融资情况一直保持沉默。

团队规模方面，Thinking Machines Lab 目前约有 200 名员工。今年 1 月公司经历了一次联合创始人出走风波（两位联合创始人去了 OpenAI），但此后团队保持稳定。据公司内部人士透露，Thinking Machines Lab 的文化刻意强调团队连续性而非依赖个人明星——这种设计让人员变动不会成为致命打击。

对开发者的意义

Inkling 的出现意味着开源模型生态又增加了一个重量级玩家。对于开发者来说：

• 你可以直接下载 Inkling 的权重，在自己的硬件上运行，无需支付 API 调用费
• 通过 Tinker 平台进行微调，可以将模型适配到自己的业务场景
• 相比闭源模型，开源模型在数据隐私和定制灵活性上有明显优势

当然，微调需要一定的机器学习工程能力，这也是 Thinking Machines Lab 选择提供 Tinker 平台的原因——降低企业接入的门槛。

小结

Inkling 的发布不仅是 Thinking Machines Lab 的技术里程碑，更代表了对 AI 行业"通用大模型垄断"这一叙事的正面挑战。在一个 OpenAI、Anthropic 和 Google 都在比拼模型排名和参数规模的时代，Mira Murati 选择了另一条路：开源、可定制、以服务而非模型为核心。

这条路能否走通，还需要时间验证。但对于开发者和企业来说，多一个开源选择总不是坏事。