Thinking Machines Lab发布开源大模型Inkling：聚焦企业自主可控AI

摘要

由前OpenAI首席技术官Mira Murati创立的Thinking Machines Lab，正式推出其首个自研大模型Inkling。该模型以开源权重形式发布，开发者与企业可自由下载、修改、部署，无需授权许可或调用限制。这一发布标志着公司历...

Thinking Machines Lab发布开源大模型Inkling：聚焦企业自主可控AI

由前OpenAI首席技术官Mira Murati创立的Thinking Machines Lab，正式推出其首个自研大模型Inkling。该模型以开源权重形式发布，开发者与企业可自由下载、修改、部署，无需授权许可或调用限制。这一发布标志着公司历时约一年半的潜心研发首次落地。其核心理念清晰而坚定：企业不应将关键AI能力外包给黑箱服务，而应真正拥有、理解并持续优化属于自己的模型。Inkling采用混合专家（MoE）架构，总参数量达9750亿，但单次推理仅激活约410亿参数。这种设计兼顾性能与效率，在保障能力的同时显著降低硬件门槛与响应延迟。模型基于45万亿token多模态数据训练，涵盖文本、图像、音频与视频，具备跨模态理解与生成能力。团队明确表示，Inkling并非追求单项基准“登顶”，而是强调稳定性、可解释性与可调节性——用户可通过平台动态调整“思考强度”，在速度与精度之间按需平衡。与主流通用大模型路径不同，Inkling不提供开箱即用的聊天界面，也不面向终端用户直接交付。它被定位为一个可深度定制的企业级基座模型。配套平台Tinker支持私有数据注入、领域微调、安全加固与本地化部署，使金融、制造、医疗等垂直行业能将自身知识体系、业务逻辑与合规要求，原生嵌入模型底层。这种“模型开源+能力闭环”的模式，回应了企业对数据主权、长期成本与业务适配性的根本关切。当通用模型持续吸收用户交互数据时，企业敏感流程与专有知识可能悄然外溢；而Inkling的设计初衷，正是让AI能力扎根于组织内部系统，成为可审计、可迭代、可持续演进的数字资产。目前，Inkling已完成从零开始的预训练，并在后训练阶段阶段性引入部分开源模型辅助数据生成（如Kimi K2.5），但团队已确认下一代版本将全面转向自有后训练流程。算力层面，公司与NVIDIA达成深度合作，依托GB300 NVL72集群完成训练，并规划部署1吉瓦级Vera Rubin超算设施。商业化上，公司暂未采用API调用量计费模式，而是围绕模型定制、私有训练、托管运维及生态工具链构建可持续价值闭环。作为一支约200人的团队，Thinking Machines Lab正以Inkling为起点，验证一条差异化路径：不靠模型封闭性盈利，而靠赋能企业掌握AI主权来建立长期信任与技术黏性。这条路没有先例可循，却直指AI规模化落地中最深层的矛盾——能力与控制，必须兼得。