前 OpenAI CTO Mira Murati 創立的 Thinking Machines Lab，在沉寂近一年後終於交出第一份「能下載的權重」：Inkling——MoE 架構、9750 億總參數、每次推理約 410 億活躍參數、100 萬 token 上下文，在 45 兆 token 的文字／影像／音訊／影片上從零預訓練。完整 checkpoint 與 NVFP4 量化版已上 Hugging Face；企業可透過 Tinker 平台 微調。官方直言：Inkling 不是當下最強的整體模型，但是「值得拿來改」的開放底座。
這在 2026 年七月的前沿賽局裡位置很特殊：GPT-5.6 Sol 已 GA、Claude Fable 5 已重回全球，但美系一線實驗室幾乎都不再釋出完整權重。Murati 把 Thinking Machines 2025 年 20 億美元種子輪、120 億美元估值的賭注，壓在「企業要的是能客製化的 AI，不是只能租用的旗艦 API」——與 三月與 Nvidia 的 1GW 算力敘事 形成「算力＋開放權重」雙腳本。
規格一覽：大，但不是「越大越好」的宣傳
| 項目 | Inkling | Inkling-Small（預覽） |
|---|---|---|
| 架構 | MoE Transformer，256 routed experts + 2 shared | 276B 總參數 MoE |
| 活躍參數／token | 約 41B | 約 12B |
| 上下文 | 最高 100 萬 token | 同家族配方 |
| 預訓練資料 | 45T token（文字＋圖＋音＋影） | 類似配方 |
| 推理輸出 | 目前以文字／程式／結構化資料為主 | 權重測試完成後釋出 |
| 部署門檻 | BF16 約需 2TB+ GPU 記憶體（約 8×B300 或 16×H200） | 更低延遲取向 |
| 分發 | Hugging Face 權重 + Tinker API（64K／256K 上下文選項） | — |
Thinking Machines 強調 encoder-free 多模態：音訊以 dMel 頻譜、影像以 40×40 patch 的 hMLP 編碼，與文字 token 聯合處理。模型能「聽懂」語音指令、描述圖表，但對外產出仍以文字為主——為日後 interaction model（即時語音＋視覺協作）鋪路。
訓練硬體方面，公司稱使用 Nvidia GB300 NVL72 系統從零訓練；架構靈感部分來自 DeepSeek-V3，但堅稱非蒸餾既有權重。Axios 則披露：最終訓練階段曾使用包括 Moonshot Kimi K2.5 在內的開源模型生成資料——在 新加坡出口管制與蒸餾爭議 當週，這條供應鏈細節格外敏感。
效能敘事：廣譜通才，而非單項榜一
官方蜘蛛圖把 Inkling 與 Nemotron 3 Ultra、GLM 5.2、GPT-5.6 Sol、Claude Fable 5 放在同一座標——Inkling 沒有宣稱全面碾壓閉源旗艦，但在代理編程、多模態音訊／視覺、校準預測等維度標榜「開源權重裡的均衡強者」。
幾個可核對的公開錨點：
- Design Arena Agentic Web Dev 盲測排行榜：Inkling 約 1257 Elo，在開源權重中緊貼 GLM 5.2、低於 GPT-5.6 Sol（1260）與 Claude Fable 5（1329），但高於多數中國開源對手；
- Terminal Bench 2.1：透過可調 thinking effort（0.2–0.99），Inkling 可用約 三分之一 token 達到 Nemotron 3 Ultra 同分——主打「推理成本曲線」而非絕對峰值；
- 音訊：VoiceBench 91.4%、MMAU 77.2%，在開源 omni 模型中具競爭力；
- ForecastBench（無搜尋）：Brier 指數 61.1，官方稱與 Gemini 3.1 Pro 同級，強調校準與誠實拒答而非一味自信。
Murati 團隊上周發布 manifesto 稱要 「keep the weirdness alive」——Inkling 的定位正是：不跟 ChatGPT 搶「最強閉源助手」，而是給開發者一塊能捏成奇形怪狀的陶土。
Tinker：變現不在權重，在「幫你改權重」
TechCrunch 與 The Register 都點出商業模式：Inkling 權重本身可免費下載，Thinking Machines 收費的是 Tinker——微調、評估、協作預覽。官方示範甚至讓 Inkling 自己寫 fine-tuning job、跑訓練、再評估結果（在 OpenCode harness 內完成），把「模型會改模型」從 RSI 口號 拉到開源開發者看得見的 demo。
Tinker 上線 Inkling 並提供限時五折定價；第三方託管則洽談 Together AI、Fireworks、Modal、Databricks、Baseten。推理引擎 day-0 支援 vLLM、SGLang、llama.cpp、Miles、TokenSpeed 等——降低「下載了卻跑不起來」的摩擦。
對企業採購的含義：
- 資料主權：權重在自家 GPU 上跑，不必把微調資料全送進閉源 API；
- 領域適配：醫療、法律、製造等垂直場景，可用同一底座做多次 微調，成本結構與按 token 租旗艦不同；
- 風險自負：開源意味濫用與越獄責任部分轉移給部署方——Cognition 的 Propaganda and Censorship Eval 顯示 Inkling 在「審查服從」測試表現與部分開源衍生模型不同，這既是賣點也是合規雷區。
與中國開源、美系閉源的三方棋局
The Register 稱 Inkling 是美國迄今最大的開源權重模型，參數量對位 DeepSeek V4、GLM 5.2、Kimi K2.6 等中國旗艦開源。七月上旬 Z.ai、Sakana 等還在利用 美國模型出口管制 推銷「無斷線風險」的開源方案；Murati 則從西側補上一塊：Apache 2.0 等寬鬆授權下的美系底座（Register 明確寫 Apache 2.0）。
但 Axios 也提醒：Murati 在 OpenAI 2019 年親歷 GPT-2 因濫用恐懼 withheld 權重 的轉折；Thinking Machines 未承諾未來所有模型都開源——Inkling 是「風險可控時開放」的案例，不是永久政策。
重點金句（官方定位）：「Inkling 不是當下最強的整體模型；讓它值得發布的是多模態、可控推理與可微調性。」——Thinking Machines Lab 發布文
接下來驗證什麼
獨立第三方尚需時間複現 benchmark；Inkling-Small 完整權重仍在測試。值得追蹤：Tinker 付費轉化、企業微調案例是否湧現、以及 50B 美元新一輪融資傳聞（TNW 稱曾停滯）是否因 Inkling 重啟。
在閉源旗艦每週換代、政府審查常態化的夏天，Inkling 回答的是另一個問題：當「最強」買不到或買不起時，誰提供夠強且能帶回家的底座？ Murati 賭的是第二條路線還有大市場——而第一個答案，已經在 Hugging Face 上佔了約 1TB 的下載空間。
開發者該怎麼選：Inkling vs 租 API vs 中國開源
三條路線在七月同時清晰：
| 路線 | 代表 | 優勢 | 代價 |
|---|---|---|---|
| 閉源 API | GPT-5.6 Sol、Claude Fable 5 | 峰值能力、免運維 | 按 token 計費、權限與出口管制、無法深度改權重 |
| 中國開源 | GLM 5.2、DeepSeek V4、Kimi K2.6 | 參數量、價格、社群 | 地緣合規、部分企業禁運、文件與工具鏈差異 |
| 美系開源 | Inkling、Nemotron 3 Ultra | 可下載、可審計、Tinker 微調 | 自建 GPU 叢集成本、安全責任自負 |
若你的工作流是 長上下文代理編程＋領域微調（例如內部程式庫、工業 SOP、醫療表單），Inkling 的 100 萬 token 與 thinking effort 曲線值得在 Terminal Bench 類任務上實測；若只要聊天助手，租 Sol 可能更省事。官方也誠實寫明：閉源旗艦在綜合分數上仍領先——Inkling 賣的是「夠用且可塑」，不是「全面封王」。
最後一個實務提醒：NVFP4 量化版針對 Blackwell 優化，老卡集群需自行評估延遲與精度損失；先跑 64K 上下文 smoke test，再談 256K 或百萬級長文，可避免推理帳單在 thinking token 上爆炸。