Thinking Machines 发布首个开放权重模型 Inkling：押注“可定制 AI”

导语

由前 OpenAI CTO Mira Murati 创立的 Thinking Machines Lab，终于拿出了第一个面向公众的模型成果：Inkling。和 OpenAI、Anthropic、Google 以闭源通用聊天机器人为中心的路线不同，Inkling 选择开放权重，允许外部开发者和企业下载、部署并进一步改造。这不仅是一款模型发布，更是 Thinking Machines 对“一个模型适配所有场景”思路的公开反驳。

核心要点

• 开放权重，而非单纯 API 产品：Inkling 的权重可被下载和修改，Thinking Machines 更希望它成为企业自定义 AI 的起点，而不是一个封装好的聊天机器人。
• 大规模混合专家架构：模型总参数为 9750 亿，但每次任务只激活约 410 亿参数，以平衡能力、速度和运行成本。
• 多模态训练，文本输出为主：公司称 Inkling 训练数据覆盖 45 万亿个文本、图像、音频和视频 token，并能原生进行跨模态推理。不过目前输出仍限于文本，包括代码、结构化数据和带格式的内容。
• 强调“校准”和可调推理成本：Inkling 被设计为在不确定时给出提示，而不是强行猜测；用户也可以调节“思考强度”，在速度和推理质量之间取舍。
• 不主张最强，而主张可用且可改造：Thinking Machines 明确表示 Inkling 不是当前最强的开放或闭源模型，它的卖点是均衡能力和企业可塑性。

为什么重要

这次发布的关键并不只是模型参数规模，而是商业与技术路线的分歧。闭源前沿模型通常通过订阅或 API 收费，企业把业务提示、反馈和流程知识交给平台。Thinking Machines 的判断是，真正有价值的 AI 往往要吸收企业内部知识，而开放权重与微调平台能让这些知识留在组织自己的系统中。

这也解释了 Tinker 的位置。Inkling 本身更像底座，收入重点可能来自模型定制平台 Tinker，以及围绕训练、微调和托管形成的生态。换言之，Thinking Machines 不是要把所有客户锁进统一模型，而是希望成为企业改造模型的基础设施提供者。

当然，这条路并不轻松。企业微调需要机器学习人才，也意味着安全性和合规责任会更多落到客户身上。Inkling 的训练还部分使用了其他开放权重模型生成早期后训练数据，尽管公司称下一代模型将采用完全自洽的后训练流程。加上大规模 Nvidia 算力投入和融资不确定性，外界仍会关注其成本结构能否成立。

Inkling 代表了一种正在升温的行业共识：前沿闭源模型仍适合探索和高价值任务，但大量生产场景可能转向私有化、开放权重或可深度定制的模型。Thinking Machines 的赌注是，未来企业不会只问“哪个模型最强”，而会问“哪个模型最适合被我们改造成自己的系统”。

来源：TechCrunch AI