Thinking Machines Lab 今天正式开源其首个开放权重模型 Inkling。这是一款 975B 总参数 / 41B 激活的 MoE Transformer,支持 1M token 上下文,在 45 万亿 token 的文本、图像、音频、视频混合数据上完成预训练,原生具备多模态推理能力。同时发布的还有 12B 激活参数的 Inkling-Small 预览版,以及配套的 Tinker 定制化平台。 官方坦承 Inkling 并非当下"最强"的开闭源模型,而是押注"广覆盖 + 可定制"路线:在文本、Agent、代码、指令遵循、事实性、视觉、音频等多个维度均衡训练,目标是让企业和研究者能在 Tinker 上低成本做后训练。发布会上最具说服力的 demo 是让 Inkling 自我微调一个"不使用字母 e"的 lipogram 模型——Tinker 流程从数据生成到权重更新全跑通,大约 27 分钟完成一次端到端自迭代。 底座层面,Inkling 与 NVIDIA、Hugging Face、vLLM、SGLang、llama.cpp、Unsloth 等深度集成,完整权重已上传至 Hugging Face,并提供 NVFP4 量化版本适配 Blackwell 平台。在 Design Arena 的 Agentic Web Dev 盲评中,Inkling 排名略低于 GLM 5.2、高于 Claude Opus 4.6,与 GPT-5.6 Sol 大致相当。 我认为这是开放权重阵营的又一次分水岭事件——当头部实验室都在用"超大 + 超长 RL"刷榜时,Mira 选择回到"模型是研究的起点,而非终点"的朴素立场,把后训练交还给社区。如果 Tinker 平台的易用性真能做到像发布会演示的那样丝滑,Inkling 很可能成为下半年中小团队做定制 LLM 的首选基座;反之,如果平台体验撑不起承诺,它就只是又一个"开源但难用"的样本。值得继续跟踪后续评测和实际微调体验。