7月17日，前OpenAI CTO米拉·穆拉蒂创立的AI公司Thinking Machines Lab正式发布其首个自研开放权重模型Inkling。这是一个9750亿总参数的混合专家模型，采用Apache 2.0开源协议，面向企业和开发者开放。穆拉蒂在社交平台X上发文称，Inkling从零开始训练，权重对外开放，即日起可在Tinker平台开展微调。Thinking Machines Lab的创始团队极度豪华，联合创始人包括前OpenAI研究安全副总裁翁荔和前OpenAI联合创始人约翰·舒尔曼，团队约三分之二的核心成员来自OpenAI。
Inkling采用了混合专家Transformer架构，总参数量9750亿，但针对任何特定任务实际调用的活跃参数约为410亿。模型架构借鉴了中国DeepSeek V3的设计思路，在MoE架构基础上，每个token会路由到256个专家中的6个，外加2个常驻激活的共享专家，通过稀疏激活的方式在保持模型能力上限的同时控制了推理成本。Inkling的上下文窗口最高支持100万token，原生支持文本、图像和音频三种模态的输入，预训练使用了45万亿token的多模态数据。
最令人关注的一个细节是，在后训练阶段，Thinking Machines Lab使用了由月之暗面公司的Kimi K2.5生成的合成数据对Inkling进行了优化。一个美国AI实验室使用中国公司的开源模型来优化自己的模型，这在行业内并不常见，但也反映了在AI开源生态全球化的大趋势下，中国AI技术的影响力正在扩散。Thinking Machines Lab表示，使用开源模型的合成数据是一个临时策略，下一代模型将完全采用自包含的后训练方式。对Inkling的技术评测结果显示，该模型的综合智能评分在美国开源模型中排名第一，超过了英伟达的Nemotron 3 Ultra和谷歌的Gemma 4，但在全局榜上，Inkling仍然落后于DeepSeek V4 Pro、GLM 5.2等中国顶级开源模型。评测数据也暴露了Inkling的一个明显短板，其幻觉率高达63%，意味着每三句输出中就约有一句可能存在虚构信息，对事实准确性要求高的场景几乎没法裸用，需要通过微调来改善。
Thinking Machines Lab在商业模式上做出了一个非传统的选择：不按调用量收费，而是通过模型定制服务盈利。Inkling的完整权重在Hugging Face上免费开放，任何人都可以下载和部署。公司的营收来源是其旗下的Tinker平台，通过提供训练、微调服务和托管生态来收费。这种模式与OpenAI和Anthropic的按token计费模式有本质区别：Inkling复制到用户自己的服务器上运行，Thinking Machines Lab一分钱也赚不到但这些用户如果要在Tinker平台上对Inkling进行微调，就需要按训练量付费。
这种策略背后的核心理念是：与大型AI实验室向所有人销售同一种产品的模式不同，Thinking Machines Lab更相信企业能够自行调整和适配的AI能创造更大的价值。CEO米拉·穆拉蒂在接受媒体采访时表示："真正稀缺的不是下一个最强模型，而是一种让企业拥有AI的方式。当一家银行或律所把自己的数据和专业知识注入模型后，模型对这些企业的价值将远超通用模型。"这一观点的逻辑支撑来自桥水基金与Thinking Machines Lab的一个合作项目，双方基于开源模型融入了桥水自身金融专业知识进行训练后，模型在金融推理测试中得分达84.7%，超越了顶级专有模型，而运行成本仅为后者的约十四分之一。这一案例展现了"开源+微调"路线在企业级需求上的潜在价值：对于专业金融机构而言，一个在金融数据上微调过的开源模型，比一个通用但价格昂贵的闭源模型要实用得多。
Inkling的发布标志着美国开源AI阵营出现了一个新的参与者。过去两年，中国在开源大模型领域占据了主导地位，DeepSeek、月之暗面、智谱和阿里等中国公司的开源模型在性能和生态上全面领先。相比之下，美国开源阵营除了Meta的Llama系列和Mistral AI的模型外，缺乏有力的竞争者。Anthropic和OpenAI的模型虽然强大，但全部采用闭源策略。在这种格局下，Thinking Machines Lab选择了一条与美国巨头不同的路。
Inkling要在中国开源模型的强势压制下突围并不容易。在综合评测中，GLM 5.2在多项编码和推理测试中得分高于Inkling，DeepSeek V4 Pro在多项编码和事实性测试领域保持优势。Inkling少数领先的项目是数学推理，在AIME 2026测试中取得了97.1%的成绩，高于DeepSeek V4 Pro的96.7%。Thinking Machines Lab在发布材料中也坦诚地表示Inkling"并非当今最强的模型，无论是闭源还是开源"。Inkling的真正价值在于它填补了美国开源生态的空白，为那些不能使用中国开源模型的企业客户（如金融、法律、政府等受监管行业）提供了一个有竞争力的替代选择。为了进一步扩大适用面，Thinking Machines Lab还在准备一个轻量版Inkling-Small，总参数2760亿，激活参数120亿。
Inkling的出现在对全球开源生态产生了重要影响，对中国AI行业而言同样具有借鉴意义。Inkling的技术路线再次验证了DeepSeek V3等中国开源模型在全球范围内的影响力，一个美国团队在做新模型时会"参考"中国模型的架构。但Inkling同时也揭示了中国开源生态的一个潜在弱点：缺乏面向商业客户的定制化服务生态。DeepSeek、GLM和Qwen等中国模型固然性能强大，但在企业级微调、私有化部署和合规性认证等商业化配套服务上还存在短板。
Inkling的商业模式正是精准切入了这个痛点：它把"微调服务"而不是"模型API"作为核心营收来源。对于中国AI厂商而言，在保持模型性能领先的同时，同样需要思考如何构建完整的企业服务生态。此外，Inkling从创业到发布首款模型仅用约九个月时间，这种速度和效率也对当前竞争激烈的全球AI市场格局产生了深刻影响。红杉资本合伙人评价说："开源生态正在分裂为两个循环，中国循环以模型性能为核心，美国循环以商业定制化为核心。两个循环都提供了有价值的AI方案，但服务于不同的客户群体。"Inkling的诞生验证了这一判断，也意味着全球AI开源领域未来可能会从"性能竞争"转向"生态竞争"，在这场新的竞争中，结合开源能力和企业级服务的AI平台将占据越来越有利的位置。