标签： AI技术

前 OpenAI 首席技术官 Mira Murati 憋了一年半，终于交出了第一份答卷。她创办的 Thinking Machines Lab 在周三上午发布了首款模型 Inkling，最扎眼的一点是：它是开放权重的。跟 OpenAI、Anthropic、谷歌那些锁在服务器里的旗舰模型不一样，外面的开发者和公司可以直接把它下载下来，拆开、改、跑在自己的机器上。

Inkling 是个混合专家（MoE）模型，总参数 9750 亿，但每次干活只调用其中一小部分，大约 410 亿——这套设计能让超大模型跑起来又快又省。它从零训练，喂进去 45 万亿 token 的文本、图像、音频和视频，而且是原生跨这几种模态推理，不是后面硬接一个视觉模块。这也是这家公司闷头搞了一年半基础设施之后，第一次拿出能公开检验的东西。

开局不吹牛，反而承认自己不是最强

最反常规的是它的姿态。大部分模型发布都是先甩一张跑分图出来，Inkling 却在材料里白纸黑字写着：这不是当下最强的模型，无论开源还是闭源。它主打的是均衡好用，能给出带”把握程度”的回答，遇到没底的地方会直接标出不确定，而不是硬猜；用户还能自己调”思考强度”，想快就牺牲点质量换速度。官方说在某个编程基准上，它达到英伟达 Nemotron 3 Ultra 同等水平时，只用了大约三分之一的 token。

“我认为模型选择很重要，但它不是消耗大部分精力的地方。”这句话来自另一家公司，却恰好点中了 Thinking Machines 的核心赌注——模型本身正在变成”配料”，怎么用才是关键。

那问题来了，这东西到底卖给谁？答案很明确，是企业。但 Thinking Machines 没把它当成品来卖，而是当”起点”——让企业拿去，用自家的模型定制平台 Tinker 在自己的数据上微调。代价是，客户得自己保证微调后的模型安全，而且微调这活儿本身就需要真本事的机器学习人才。

赌的是”人人同款”终将败给”自己定制”

Thinking Machines 上周专门发了篇文章给这次发布铺垫：一个模型被某家公司集中训练好、然后定死不动，表现会输给企业自己去塑造的模型，因为太多专业知识是攥在具体的人手里的。说白了，中心化的大厂在给所有人卖同一件产品，反复由自己打磨；而愿意拥有并定制自家模型的企业，能从里面榨出多得多的价值。

这个论调正在变响。微软 CEO 纳德拉——他家在 OpenAI 和 Anthropic 都砸了几十亿——上周日发博客警告说，企业用闭源 AI 其实付了两遍钱：一遍是订阅费，另一遍是把上千条提示词和纠正里藏着的业务知识，白白交给了模型，最后被吸收进下一代版本。Hugging Face 的 CEO 也有类似判断，觉得前沿模型以后多半只用来做实验和高价值任务，真正的生产活会转向私有或开源方案。

最有说服力的证据，来自一家对冲基金

支撑这套逻辑最硬的一个案例，来自和全球最大对冲基金桥水的合作（顺带说明，桥水并不是 Thinking Machines 的投资方）。两边研究员拿一个现成的开源模型，用桥水自己的金融专长继续训练，结果在金融推理测试上拿到 84.7%，压过了顶尖闭源模型，运行成本大约只有十四分之一——当然，这是两家自己评的，不是第三方独立测试。

• 速度是另一张牌：OpenAI 从技术到有收入大概花了五年，Anthropic 约三年，Thinking Machines 说自己九个月就做到了；
• 2025 年它拿下约 20 亿美元种子轮，估值 120 亿美元，当时是史上最大种子轮，Inkling 是这笔钱换来的第一份实打实的成果；
• 它也坦承 Inkling 部分用到了别家开源模型（包括月之暗面的 Kimi K2）的输出，也就是业内争议不小的”蒸馏”做法。

悬念还是那个老问题：企业到底想不想要一个得自己动手调的模型，而不是开箱即用的？微调要占用的工程时间，很多公司根本挤不出来。但如果 Thinking Machines 赌对了，前沿模型这场比赛一直在为错的东西较劲，那 Inkling 就不必在排行榜上赢过 GPT 或 Gemini，它只要有足够多的开发者愿意在它上面搭东西，而不是继续租别人的黑箱，就够了。