Thinking Machines Lab 正式发布 Inkling 多模态大模型 米拉·穆拉蒂离开 OpenAI 后创立的 Thinking Machines Lab，正式推出其自主研发的首个基础模型——Inkling。该模型从零开始训练，全部权重已在 Hugging Face 公开，采用 Apache 2.0 开源许可协议，开发者可自由下载、商用及微调。模型已集成至公司自研云平台 Tinker，支持一键部署与定制化训练。 技术规格：接近万亿参数，真正意义上的多模态原生架构 Inkling 采用混合专家（MoE）设计，总参数量达 9750 亿，单次推理激活约 410 亿参数。它原生支持文本、图像与音频三种模态输入，上下文窗口扩展至 100 万 token，预训练数据涵盖文本、图像、音频及视频，总量达 45 万亿 token。这一规模与架构选择，使其在长程理解、跨模态对齐与复杂任务调度上具备底层优势。 核心能力：代理型任务表现突出，强调工具调用与自主执行 Inkling 的设计目标并非通用语言建模，而是成为可靠、可扩展的智能代理基座。在两项关键代理能力评测中，它展现出显著领先性： • MCP Atlas 测试得分 74.1%，衡量模型调用外部工具完成真实世界任务的稳定性与鲁棒性； • SWE-Bench Verified 得分 77.6%，评估模型在无监督条件下定位并修复 GitHub 真实软件缺陷的能力。 这两项结果表明，Inkling 在理解指令意图、规划执行路径、迭代调试与系统交互等代理核心环节上，已形成差异化技术路径。 定位清晰：开源优先，通用底座，非单项优化模型 Thinking Machines Lab 明确将 Inkling 定义为通用型智能代理基础模型，不针对单一任务做过拟合优化。其开源策略覆盖全部权重、训练配置与推理脚本，旨在推动社区共建可信赖、可验证、可审计的下一代代理基础设施。 横向对比：强项明确，但非全面领跑 在部分高难度科学推理（如 Humanity's Last Exam）与终端操作类基准（Terminal Bench 2.1）中，当前国内头部闭源模型仍保持领先。例如 Z.ai 的 GLM 5.2 在 Terminal Bench 2.1 达 82.7%，Kimi K2.6 在复杂科学推理任务中亦具优势。但 Inkling 在安全性测试 FORTRESS Adversarial 中取得 78.0% 分数，是目前公开权重模型中安全对齐表现最稳健的之一。 后续演进：轻量化版本 Inkling-Small 已确认研发中 团队同步宣布 Inkling-Small 的存在：总参数量 2760 亿，激活参数约 120 亿。该版本在多项标准推理与代码任务中，性能已逼近原版大模型，兼顾效率与实用性。具体开源时间尚未公布，但明确将延续 Apache 2.0 许可与全权重开放原则。