7月16日，OpenAI前首席技术官Mira Murati创立的Thinking Machines Lab正式发布首款通用基础模型Inkling，完整权重在Hugging Face开放下载。9750亿总参数，410亿激活参数，支持100万Token上下文——但更让人注意的是，这个”西方开源新旗帜”的技术底座，深度借鉴了中国的DeepSeek-V3架构，后训练阶段直接使用了月之暗面Kimi K2.5生成的合成数据。
Murati在社交平台X上发帖：”这是我们第一个模型Inkling。从零开始训练，权重开放，今天就能在Tinker上微调。”联合创始人、前OpenAI研究安全副总裁翁荔补充道，Inkling在广泛任务维度拥有均衡扎实的能力，并提供实际落地与定制微调。
9750亿参数不是拼极限，是拼”成本可调”
与OpenAI、Anthropic追求极限性能不同，Inkling的设计理念是”成本与性能之间的平衡点”。MoE（混合专家）架构下，每次推理仅激活约410亿参数。Thinking Machines官方表示，在Terminal Bench 2.1测试中，Inkling达到与英伟达Nemotron 3 Ultra相近的成绩时，消耗的生成Token仅为后者的三分之一。
模型支持”思考强度”调节——开发者可以在性能、延迟和成本之间自由取舍。Tinker平台提供6.4万和25.6万Token两种上下文配置，限时5折优惠。Inkling预训练数据规模约45万亿Token，覆盖文本、图像、音频和视频，仅靠单一模型就能实现视觉理解、音频问答、代码开发和工具调用。
据《福布斯》和《华尔街日报》报道，官方技术博客明确写道：Inkling基础模型架构借鉴了DeepSeek-V3的MoE设计，后训练使用Kimi K2.5生成的数据优化。这条技术路线的选择意味深长——当Meta逐步淡化Llama开源系列后，西方开源AI生态出现真空，而填补这个真空的首个重量级产品，底层基因来自中国。
不到9个月从零训练，跑在英伟达GB300上
Inkling的开发速度同样值得拆解。Thinking Machines称，模型从零开始训练仅用了不到9个月——相比OpenAI和Anthropic多年迭代一版的节奏，这是一个激进的信号。
背后的算力支撑来自今年3月与英伟达达成的合作——Inkling在GB300 NVL72系统上完成训练。这家初创公司并未走API调用收费的老路，而是把收入模型搭在Tinker微调平台上：开发者付费使用微调基础设施，模型权重免费开放。
这种商业模式在Bridgewater Associates的案例中得到初步验证：桥水基金使用Tinker平台微调开放模型，融入专业金融数据，最终在金融推理基准测试中拿到84.7%的分数，成本不到顶尖闭源竞品的十分之一。在Design Arena智能体网页开发测试中，Inkling获得1257分，与Claude Opus 4.6持平，接近GPT-5.6 Sol的1260分，高于Kimi K2.6等部分开放权重模型。
西方开源AI的”中国技术时刻”
硅谷科技媒体SiliconAngle评价道：”过去一年，开源模型生态一直被中国公司主导。Inkling是第一个西方替代选项。”Futurum Group分析师Mitch Ashely指出，这给西方企业提供了一个”可信赖的替代方案，把支出从按Token计费的API定价转移到企业自控的基础设施上”。
这个判断的背后是一组现实：从DeepSeek-V3到Kimi K3，中国大模型在开源赛道已经建立了清晰的技术代差。Inkling的出现不是要击败它们，而是在承认这套技术路线有效的前提下，为西方市场提供一个本地化版本。Murati在2024年9月离开OpenAI时，外界普遍猜测她会复制老东家闭源路线。如今看来，她选择了一条更微妙的路：利用开源生态打破头部闭源模型的定价权，同时用微调平台建立自己的商业护城河。
安全方面，Thinking Machines已完成多维度评测，覆盖生物武器制造辅助、网络攻击协助等高风险场景，整体表现”达标”。但团队坦承开放权重模式天然存在安全管控难点——模型一旦开放下载，就无法阻止恶意微调。这与业界对开源模型的持续争议形成呼应：OpenAI、Anthropic坚持闭源安全路线，DeepSeek、Meta和现在的Thinking Machines则押注”开放权重加安全护栏”的折中方案。Inkling目前已在Tinker平台和Hugging Face同步上线，更小型的Inkling-Small版本预计后续发布。
Inkling的发布本质上是全球AI竞赛进入”技术互鉴”阶段的标志。一个由前OpenAI核心高管创立的美国公司，公开采用DeepSeek-V3的MoE架构思路、使用Kimi K2.5的合成数据做后训练——这不是”技术窃取”，而是技术路线趋同的自然结果。当闭源和开源两条路线都在中国模型上找到答案时，真正的问题是：当开源模型的性能逼近闭源模型而成本只有十分之一时，OpenAI和Anthropic的API定价还能撑多久？
