由OpenAI前首席技术官米拉·穆拉蒂创立的Thinking Machines Lab公司，正式发布了其首款开源AI模型——Inkling。这并非又一款普通神经网络，而是一次雄心勃勃的尝试，旨在通过押注多模态与灵活性，重新定义开源模型领域的标准。
Inkling的架构基于混合专家（MoE）原理。这意味着在处理每个请求时，仅有部分网络被激活，从而在不损失分析深度的前提下大幅提升推理速度。模型总参数量达9750亿，其中活跃参数为410亿。上下文窗口达到100万token，使其能够处理海量数据，包括长篇文档和复杂对话。训练从头开始，使用了涵盖文本、图像、音频和视频的45万亿token数据集。
Inkling的核心特性在于能够同时在多种模态（文本、图像、音频）中进行推理，尽管目前输出仅限文本回复（包括代码和结构化数据）。用户可自行调节速度与质量的平衡，通过调整推理层级来满足需求。这使得该模型既适用于需要快速响应的场景，也能胜任深度分析任务。
在智能体任务中领先，但面对中国模型存在短板
Inkling在面向智能体行为的基准测试中表现卓越。在衡量使用模型上下文协议完成任务比例的MCP Atlas测试中，Inkling获得74.1%的分数——比西方开源模型主要竞争对手Nvidia Nemotron 3 Ultra高出近30个百分点。在SWE-Bench Verified（GitHub自主修复漏洞测试）中，其成绩为77.6%，而Nemotron为70.7%。在评估恶意请求处理正确性的FORTRESS Adversarial测试中，该模型获得78%的分数。
然而，与中国同类模型相比，Inkling的竞争力略显不足。在Terminal Bench 2.1测试中，Inkling得分63.8%，而Z.ai GLM 5.2达到82.7%，Moonshot AI最新发布的Kimi K3更是高达88.3%。后者还在博士级科学推理测试（Humanity's Last Exam）中保持领先地位。
Thinking Machines将Inkling定位为"全能型"模型，不会为了在特定任务中取得优势而牺牲其他方面的性能。其核心策略在于定制化：公司认为，企业更看重针对具体任务的灵活模型，而非单一解决方案。与主版本一同发布的还有轻量版Inkling-Small（2760亿参数，120亿活跃参数），但其完整权重尚未公开——该模型仍在测试阶段。
我的专家观点：Inkling释放了一个强烈信号——AI的未来不属于GPT-5这类封闭式巨头，而属于开源、可定制的系统。然而，在编程和科学任务方面与中国模型的差距表明，西方开发者仍需追赶。Inkling的成功将取决于社区能否快速将其适配到各自细分领域。