穆拉蒂的首款模型，就这？ 当地时间7月15日，Thinking Machines Lab发布了成立以来的首款大模型Inkling。它拥有9750亿总参数、410亿激活参数、45万亿Token预训练量，支持100万Token上下文，具备文本、图像、音频多模态理解能力，并可通过调节“思考强度”在性能、速度与成本间动态权衡。模型权重完全开放，采用Apache 2.0许可证，开发者可自由下载、部署与微调。公司明确将其定位为“企业AI应用的底座”，而非面向C端用户的聊天助手。 技术路径清晰可见：中国模型是它的主要参照系 Inkling的技术报告坦率指出：其混合专家（MoE）架构“主要沿用DeepSeek-V3”，包括专家模块划分逻辑、无辅助损失负载均衡机制等核心设计。后训练阶段，团队采用合成数据冷启动，明确提及使用月之暗面Kimi K2.5生成的数据进行监督微调。整条技术路线一目了然——一款由OpenAI前CTO领衔的美国明星AI公司，首秀模型在架构与数据两方面深度借鉴已开源的中国模型。 性能未超“老师”，价格却更高 Thinking Machines并未回避差距。在多项权威基准中，Inkling全面落后于Kimi K2.6与GLM 5.2： • 纯文本推理（“人类最后的考试”）：Inkling 29.7% vs Kimi 35.9%、GLM 40.1%； • 工具增强场景：Inkling 46% vs Kimi 54%、GLM 54.7%； • 软件工程真实能力（SWE-Bench Pro）：Inkling 54.3% vs Kimi 58.6%、GLM 62.1%； • 终端交互能力（Terminal Bench 2.1）：Inkling 63.8% vs Kimi 71.3%、GLM 82.7%。 价格方面，Tinker平台64K版本Inkling当前“限时五折”价为：每百万Prefill Token 1.87美元、每百万Sample Token 4.68美元；256K版本分别达3.74美元和9.36美元。而Kimi K2.6官方API报价为0.95美元/1.4美元（输入/输出），GLM 5.2为1.4美元/4.4美元。无论输入成本还是生成成本，Inkling均无优势。 不是做不出更强的模型，而是选择不做 Thinking Machines并非缺乏顶尖人才或资源。创始团队约三分之二来自OpenAI，涵盖强化学习、后训练、安全、推理等关键方向；穆拉蒂本人曾主导DALL·E、Codex、ChatGPT与Sora研发，并在2023年短暂执掌OpenAI全局。公司成立仅数月即获20亿美元种子轮融资，估值120亿美元，投资方包括英伟达、AMD与安德森·霍洛维茨。 但Inkling的诞生逻辑，并非对标闭源旗舰争夺SOTA排名，而是锚定一个正在快速扩大的现实需求：美国企业对中国开源模型日益增长的合规顾虑。随着监管信号趋严，数据主权、供应链透明度与政治风险成为采购决策的关键变量。此时，一款由美国实体开发、全栈可控、许可证宽松、支持私有化部署的开放模型，天然具备准入优势。 “贵替”的商业逻辑：确定性比极致性能更值钱 Inkling真正的差异化价值，不在评测榜单，而在合规确定性。它不需要击败Kimi或GLM，只需成为那些无法继续使用中国模型的企业——尤其是政府承包商、金融与医疗等强监管行业——可接受的“安全替代”。这种市场不追求“最强”，只要“够用+可信+可控”。 这也解释了为何它敢于定价更高：政策环境替它收窄了竞争范围。当一部分客户因合规门槛主动退出Kimi/DeepSeek生态时，“稍弱一点、稍贵一点”的Inkling，反而成了唯一可行选项。 代价谁来承担？ 这套逻辑对穆拉蒂和Thinking Machines是精明的商业选择，但对美国AI生态而言，可能意味着结构性成本上升。全球其他地区企业仍可自由选用更强、更便宜的中国开源基座；而美国企业若被合规压力推至Inkling这类“贵替”轨道，其微调后的产品将在基础能力上持续承压。华盛顿试图通过限制保护本土产业，结果却可能率先为“合规溢价”模型铺平道路——让“一般般”变得足够好，也让“够用”成为一种不得不接受的常态。