由前 OpenAI 首席技术官 Mira Murati 创立的人工智能初创公司 Thinking Machines Lab 于 2026 年 7 月 15 日发布了其第一个基础模型。该模型名为 Inkling，向想要根据自己的用例对其进行微调的开发人员提供其完全开放的权重——这是对主导人工智能行业的一刀切方法的故意押注。此次发布标志着这家公司花了一年多的时间在公众视野中构建人工智能基础设施的第一个公开证据，而它的出现正值西方企业渴望突发人工智能新闻以及门控专有模型和低成本中国开源系统的可靠替代品的时刻。

什么是 Inkling？

Inkling 是第一个由 Thinking Machines 从头开始​​完全训练的模型。它是一个具有 9750 亿个参数的混合专家 (MoE) 架构，尽管为了更快地处理任务并保持低成本，它在平均提示中仅利用其中约 410 亿个参数。据该公司称，该模型接受了大约 45 万亿个文本、图像、音频和视频标记的训练，并且可以对所有四种输入类型进行本地推理。然而，它的输出仅限于文本——尽管该文本可以包括代码、样式化工件和结构化数据。

该模型提供了“思考努力”控制，让开发人员可以进行权衡，例如牺牲处理速度以换取准确性。不同寻常的是，Inkling 还将自己的输出标记为不确定性，而不是简单地产生听起来自信的幻觉。开发人员可以直接在 Tinker 上微调模型，Tinker 是该公司于 2025 年 10 月推出的培训 API。

中国开源模式的西方替代方案

此次发布最重要的方面之一是它在更广泛的开放权重生态系统中所代表的意义。在过去的一年里，这一领域一直由 DeepSeek 和阿里巴巴等中国人工智能公司主导，而 Meta 淡化了 Llama 系列模型，转而采用更专有的方法。 Inkling 被定位为这些系统的第一个可靠的西方替代品。

Futurum Group 分析师 Mitch Ashley 告诉《华尔街日报》，Inkling 为西方企业提供了一种专注于定制经济的替代方案——将支出从按代币 API 定价转向企业自己控制的基础设施。 “工程团队应该将基本模型选择视为架构决策，”阿什利说。 “组织微调的模型成为其软件基础的一部分，并且转换成本随着每个下游定制而增加。”

诚实地了解它的局限性

Thinking Machines 对于 Inkling 并不是市场上最强大的模型这一事实异常透明。该公司承认，它与现有的最先进的专有人工智能系统不匹配。相反，它押注可定制性将弥补差异：该公司没有将 Inkling 作为严格的聊天机器人式应用程序发布，而是将其定位为组织应该微调并在自己的基础设施上运行的基本模型。

该战略已经显示出希望。在与 Bridgewater Associates 的合作中，研究人员使用 Tinker 使用专门的财务数据微调开放模型。结果是一种低成本、轻量级的模型，在领先的财务推理基准上得分为 84.7%——以不到 10% 的成本超越了最先进的专有替代方案。

速度和芯片

Thinking Machines 表示，它能够在不到九个月的时间内从头开始开发 Inkling，这个时间线与 OpenAI 和 Anthropic 等竞争对手的多年开发周期相比毫不逊色。该模型在 Nvidia 的 GB300 NVL72 系统上进行训练，两家公司于 2026 年 3 月宣布合作。

在早期的基准测试结果中，Thinking Machines 表明，Inkling 的编码性能可与 Nvidia 的 Nemotron 3 Ultra 模型相媲美，同时使用的令牌少了三分之二，这对于注重成本的组织来说是一个强有力的效率指标。

商业模式：修补，而不是代币

Thinking Machines 计划主要通过 Tinker 产生收入，而不是通过计量 API 向客户收取访问费用，Tinker 的付费服务使开发人员可以轻松地针对特定任务微调开放权重模型。这对硅谷最大的人工智能公司开创的门控、按代币访问模式构成了直接挑战。

Murati 于 2024 年 9 月离开 OpenAI，长期以来一直坚称她的新公司致力于可访问性、定制化和多模式协作，对于她来说，Inkling 是一份意向声明。该公司押注人工智能的未来不在于每个人付费查询的单一主导模型，而在于组织拥有并塑造为其最关键工作提供动力的模型的世界。

这一赌注是否有回报将取决于是否有足够多的企业愿意投资于微调和基础设施，而不是托管 API 的便利性。但随着 Inkling 现在可以在 Hugging Face 上使用以及 Tinker 开始营业，Thinking Machines 为这项开放重量运动提供了迄今为止最重要的西方切入点。

保持人工智能领先地位

想要更多这样的人工智能行业报道吗？ AI Buzz Wire 跟踪每个主要模型的发布、融资轮次和政策转变，因此您无需这样做。

阅读更多人工智能新闻 →