一句话看懂：前 OpenAI CTO Mira Murati 创立的 Thinking Machines Lab 发布了首款自研模型 Inkling，一个拥有 9750 亿总参数的开放权重模型。与 OpenAI、Anthropic 等公司主推的闭源通用模型不同，Inkling 强调可定制性，让企业能直接下载和微调，这是对当前“一刀切式”AI 路线的一次明显挑战。
事件核心：发生了什么
本周三，Thinking Machines Lab 正式发布其首个自研 AI 模型 Inkling。该模型采用混合专家（MoE）架构，总参数达 9750 亿，但每次推理仅调用约 410 亿参数，这种设计有助于降低运算成本。Inkling 基于 45 万亿个文本、图像、音频和视频数据 Token 训练，能够原生理解这四种模态，但当前输出仍仅限于文本（包括代码和结构化数据）。公司强调，这是一款开放权重模型，外部开发者可直接下载并修改，这在头部 AI 实验室的旗舰产品中较为罕见。Thinking Machines 并未宣称 Inkling 是目前最强大的模型，其官方材料明确表示它“不是当前最强模型，无论开源还是闭源”，其侧重点在于均衡的性能与可定制性。
为什么重要
Inkling 的发布是对当前 AI 行业两种路线的一次直接碰撞：一方是 OpenAI、Anthropic 和 Google 等公司坚持的闭源、通用型大模型；另一方则是主张让组织自行适配和微调的开源/开放路线。Thinking Machines 的核心论点是，由单一公司集中训练、固定不变的 AI 模型，其表现会低于由组织根据自身知识和需求定制的模型。这一观点获得了部分行业重量级人物的支持。微软 CEO Satya Nadella 在同期的一篇博文中警告，企业使用专有 AI 模型相当于“付了两次费用”：一次是订阅成本，另一次是通过提示词和修正行为将业务知识拱手交予模型供应商。Hugging Face CEO Clem Delangue 也预测，前沿模型将主要用于实验和高价值任务，而大多数生产型 AI 工作将转向私有或开源替代方案，这恰好是 Thinking Machines 围绕开放模型构建商业模式的逻辑基础。
对用户/开发者/创作者的影响
对企业用户与开发者：Inkling 提供了一个可定制的新选项。企业可通过其平台 Tinker 对模型进行微调，甚至将自身专业知识嵌入模型。Thinking Machines 与全球最大对冲基金 Bridgewater Associates 的一个合作项目提供了佐证：双方基于一个开源模型进一步训练，使其在金融推理测试中达到 84.7% 的分数，超越了顶尖专有模型，运行成本仅为对方的约十四分之一。不过，这一数据来自双方自评而非独立测试。这意味着，对于拥有内部 AI 团队和专有数据的企业，开放模型提供了潜在的更低成本和更高定制效率。对于普通创作者：Inkling 当前输出限于文本，包括代码和结构化内容，尚未开放图像或音频生成。其可调节“思考努力程度”的功能有助于用户在速度和精度之间做出权衡。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，Inkling 的实际性能表现。虽然公司强调其均衡性能，但独立基准测试将验证其在与 Llama、Nemotron 等主流开放模型竞争中的真实水平。第二，开发者生态能否成形。开放模型的成功高度依赖社区贡献和第三方工具链的支持，目前 Thinking Machines 将其定位为“起点”而非“成品”，微调的责任完全落在用户身上，这意味着模型是否能快速获得企业采用仍有待观察。第三，关于训练数据的争议。公司证实 Inkling 是通过从头开始预训练的，但使用了部分开放权重模型的输出（如 Moonshot AI 的 Kimi K2.5）来帮助生成部分训练数据，这一“蒸馏”做法是否会引发行业或监管方面的进一步关注，是潜在的后续变量。
