Thinking Machines Lab 发布首个多模态大模型 Inkling：万亿级参数、全开源、聚焦代理能力

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。