一句话看懂：ThinkingMachines 发布了开放权重的大型语言模型 Inkling，总参数量达 975B，但通过混合专家架构（MoE）实现每次推理仅激活 41B 参数，兼顾了模型能力与推理效率。它原生支持文本、图像和音频输入，并面向开发者开放微调。
事件核心：发生了什么
ThinkingMachines 于近期正式推出 Inkling 模型。根据官方信息，该模型总参数规模为 975B，采用混合专家（MoE）架构，每次推理仅激活 41B 参数。Inkling 支持 1M token 的上下文窗口，并原生支持文本、图像与音频三种输入模态。目前，用户可通过 Tinker 平台体验该模型（提供 64K 与 256K 两种上下文版本），模型权重也已在 Hugging Face 开放下载。官方同时发布了模型卡和详细公告。
为什么重要
Inkling 的发布代表开放权重大模型在规模与效率之间找到了一个高性价比平衡点。975B 总参数、41B 活跃参数的 MoE 设计，使其在保持高智能水平的同时，大幅降低了推理算力需求，这直接挑战了当前闭源大模型在“通用能力+多模态输入”领域的定价权。官方公布的评测雷达图显示，Inkling 在通用智能、Agent 编程与工具调用、音频与图像输入等维度上，与 Nemotron 3 Ultra、GLM 5.2、GPT 5.6 Sol 及 Claude Fable 5 等竞品相比具有竞争力。更重要的是，开放权重的策略将允许开发者和企业进行领域微调，加速专业场景中的落地，这可能会改变当前企业采购大模型时“要么用 API 无法微调，要么自训大模型成本过高”的两难局面。
对用户/开发者/创作者的影响
对于开发者与 AI 应用公司而言，Inkling 是一个值得关注的开源基座选项。它的 MoE 架构意味着在相同硬件条件下可以承载比同参数量稠密模型更大的容量，同时微调成本相对可控。对于需要处理长文档、多模态数据（如图文结合文档、语音指令）的开发者，1M 上下文与原生多模态输入可简化应用流程。对于创作者来说，虽然 Inkling 侧重多模态理解而非生成，但其图像和音频输入能力可以用于构建跨模态的内容分析工具。对于企业采购决策者，Inkling 的出现意味着开放权重模型在通用性上追赶闭源模型，未来可能需要重新评估“数据安全性+自定义微调”与“开箱即用闭源 API”之间的成本效益。
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 的实际微调效果和推理速度有待社区验证，特别是 41B 活跃参数在长上下文场景下的真实吞吐与延迟。第二，ThinkingMachines 的 Tinker 平台是否会推出商业化的训练服务或 API 收费模式，将影响开发者生态的扩展速度。第三，闭源模型提供商（如 GPT、Claude 系列）是否会因其开放权重和低活跃参数优势而调整价格或发布类似架构产品，是行业竞争的关键观察点。
