一句话看懂：前OpenAI CTO米拉·穆拉蒂（Mira Murati）创立的Thinking Machines Lab发布了首个商用大模型Inkling，这是一个9750亿参数的MoE模型，虽然在美国开源模型中排名第一，但在整体性能上仍落后于中国顶尖开源模型，且幻觉率高达63%。
事件核心：发生了什么
2026年7月16日，Thinking Machines Lab正式发布其首个生产级语言模型Inkling。该模型采用混合专家（MoE）架构，总参数量9750亿，每次推理激活410亿参数。Inkling原生支持文本、图像和音频多模态输入，上下文窗口最高达100万tokens。模型权重已在Hugging Face开源，同时通过Tinker平台提供微调和定制服务。公司在预训练中使用了45万亿tokens的公开和合成数据，其中包括受知识产权保护的数据，部分合成数据由Kimi K2.5生成。根据评测平台Artificial Analysis的数据，Inkling在AA Intelligence Index上获得41分，超越美国开源模型Nemotron 3 Ultra（38分）和Gemma 4 31B（29分），成为美国最强开源模型。但在事实准确性上表现不佳，Accuracy仅40%，幻觉率高达63%，AA Omniscience基准得分仅为+2。
为什么重要
Inkling的发布标志着前OpenAI核心高管在AI基础设施竞争中的重要落子。它不仅是美国实验室在开源大模型领域的一次有力反击，更体现了当前中美AI开源模型的差距：美国在智能体能力（Agent）上略占优势（Inkling在GDPval-AA v2上Elo评分1238，高于Kimi K2.6的1190），但在综合文本、代码和事实准确性上，中国模型如GLM-5.2、DeepSeek v4等仍保持领先。Thinking Machines明确表示Inkling“不是当前最强的模型”，其策略是通过多模态支持、高Token效率和微调灵活性来构建商业生态，而非追求绝对性能。这也反映出当前AI行业的一个趋势：模型本身的评分竞争正逐渐让位于应用落地和成本效率的竞赛。
对用户/开发者/创作者的影响
对于开发者而言，Inkling开源权重且提供低成本的微调能力，可能在智能体任务和多模态场景中成为有价值的选择。但其高达63%的幻觉率意味着在需要高事实准确性的场景（如金融、医疗、法律）中风险较大。API定价方面，Inkling每百万输入tokens 1.87美元，输出tokens 4.68美元，比同级别中国开源模型略贵，但输出tokens消耗量更少（平均每任务2.5万tokens，远低于GLM-5.2的4.3万），在特定任务上可能更具成本优势。创作者和开发者应关注其“可调思考力度”特性，可根据任务复杂度在推理速度和精度之间做取舍。
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，Thinking Machines Lab的微调平台Tinker能否吸引开发者形成生态，将决定Inkling的商业化成败。第二，Inkling的高幻觉率是否会在特定应用场景（如客服、内容生成）中暴露风险，进而影响企业用户接受度。第三，中国头部模型如DeepSeek v4和GLM-5.2是否会针对智能体能力快速迭代，进一步拉大与美国模型的差距。此外，当前信息显示Inkling使用了受知识产权保护的数据进行训练，其合规性可能面临后续讨论。
