最近这半年多都是中国模型公司在主导开源界，美国开源模型圈相对静悄悄：今天美国公司Thinking Machines算是平地一声雷， 发布了它的首个开源大模型 Inkling让美国开源圈有点沸腾，虽然它不是最强霸榜的，但其主打定制化微调还挺有趣的。 Inkling ：MoE 架构，总参 975B、每 token 激活 41B ，1M 上下文，多模态（文本/图像/音频/视频），权重已经上了 Hugging Face，另有一个 Inkling-Small（276B/12B激活）预览版。
官方承认："Inkling 不是当今最强的模型，无论开源还是闭源，文本上相比于glm 5.2整体还有差距，在design area 排名第9。
跑分上它确实不领先——文本推理 HLE 只有 29.7%（顶级开源 GLM 5.2 是 40.1%，闭源 Claude Fable 5 是 53.3%），AIME 2026 拿了 97.1%，也没到 99% 那一档。
官方的论点是：再强的通用模型，也解决不好很多真实世界的问题，这道差距要靠"用你自己的专有知识去微调"来补，所以 Inkling 不是拿来屠榜的，是拿来当你自己微调的底座——配套的 Tinker 微调平台才是真正的产品。一个实验室罕见地把话说明白了：模型不是终点，定制才是，这倒是挺有工程思维。
技术上有几个值得记的点：
1、高效思考：effort 可调（0.2–0.99），性能随 token 预算 log-linear 上升；在 Terminal Bench 2.1 上，用大约 1/3 的 token 就打平了 Nemotron 3 Ultra。
2、训练：45 万亿 token 多模态预训练，Muon（大矩阵）+ Adam 混合优化，用相对位置编码而非 RoPE（外推更好）；后训练是 3000 万+ rollout 的异步 RL，还专门加了 abstention-aware 奖励——教它"不确定就说不知道"，校准是它的卖点之一。
3、架构：256 个路由专家 + 2 个共享专家、每 token 激活 6 个，sigmoid 路由 + 无辅助损失负载均衡（DeepSeekMoE 那套）。
最戏剧性的一个 demo：它在 Tinker 上端到端微调了"它自己"。 模型自己写微调目标（一个通篇不用字母 e 的 lipogram）、自己造训练数据、跑了 27 分钟训练、自己评估、自己更新权重，然后真的照做了，最终模型给自己定制——这个画面挺震的。
当所有人都在卷"谁的通用模型最强"，Thinking Machines 押的是另一条路：模型只是底座，价值在你用它微调出的那个定制版本。这条路对不对，可能比又一个屠榜分数更值得盯着看。
#Inkling#ThinkingMachines#开放权重#Tinker#MiraMurati