一句话看懂：Thinking Machines 发布了开源模型 Inkling-Small——一个总参数 276B、激活参数仅 12B 的 MoE（混合专家）模型，体积只有 Inkling 的四分之一，但在推理、智能体工具调用和指令跟随等任务上表现接近甚至反超。对开发者而言，这是用更低算力成本获得接近旗舰模型能力的新选择。
事件核心：发生了什么
Thinking Machines 近日正式发布 Inkling-Small 并公开完整权重。该模型采用混合专家架构，总参数量 276B，每个 Token 仅激活 12B 参数，训练在 NVIDIA GB300 NVL72 系统上完成。与 Inkling 一致，Inkling-Small 原生支持音频与图像输入、支持最高 1M Token 上下文，并保留了可调节思考强度（reasoning effort）的设计，用户可以在 minimal 到 xhigh 之间权衡延迟、成本与效果。
官方测试数据显示，在 Terminal-Bench 2.1（智能体工具调用）、HLE 文本推理（无工具）和 IFBench（指令跟随）三项基准上，Inkling-Small 的“每单位算力产出”优于 Inkling，并在同类规模开源模型中具备竞争力。模型还支持在 Tinker 平台上进行微调，并提供文本、图像、音频对话的 Playground 试用入口。
为什么重要
Inkling-Small 最值得关注的点不是“更小”，而是它采用了后训练策略的改进：团队先以 Inkling 为教师模型做 on-policy 蒸馏，得到 preview 检查点，再继续两周的智能体编码强化学习，最终使小模型在推理和 Agent 编码任务上超过大模型。这个路径说明，小模型的竞争力不只取决于预训练规模，后训练的数据配比与强化学习策略同样能拉开差距。
另一个信号是成本。Inkling-Small 的输出定价为每百万 Token 1.20 美元，而 Inkling 是 4.05 美元，价差超过 3 倍。叠加 MoE 架构的激活参数优势，这会对闭源 API 和同档位开源模型形成明确的价格压力。
对用户/开发者/创作者的影响
开发者：12B 激活参数意味着推理基础设施门槛显著降低，适合在 Agent 工具调用、编码辅助等高频场景中替代更大模型。完全开源的权重也便于私有化部署和数据控制。
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。
普通用户与创作者：原生多模态能力（音频、图像输入）配合 1M 长上下文，可以直接用于长文档分析、音视频内容理解等场景，而不必在多个专用模型之间切换。
企业采购：价格下降了一半以上，同时保留可控的思考强度选项，企业在批量处理任务时能更精确地控制推理预算。
值得关注的后续
一是实际部署反馈：官方基准成绩能否在真实 Agent 工作流中复现，是评估这款模型的关键。二是竞品跟进：DeepSeek、Qwen、Kimi 等同赛道的开源模型是否会调整推理价格或发布对位轻量版本。三是生态建设：Inkling-Small 在 Hugging Face 与 Tinker 上的微调社区活跃度、以及周边工具链是否跟得上，会直接影响它能否从小众发布走向规模化落地。
