由前 OpenAI 首席技术官 Mira Murati 创立的 Thinking Machines Lab，发布了公司首个自研 AI 模型 Inkling。与 OpenAI、Anthropic 和 Google 的旗舰模型不同，这款模型采用开源权重方式，开发者和企业可以直接下载并修改。
这次发布，是这家公司在低调建设约一年半后首次公开展示核心产品，也让其“企业应拥有并定制自己的 AI 模型”这一主张更具体。
主打企业定制化
Inkling 采用混合专家架构，总参数规模为 9750 亿，但单次任务只调用约 410 亿参数。这种设计常见于大模型，用意是降低运行成本并提升响应速度。
按照公司披露，Inkling 使用了 45 万亿 token 的文本、图像、音频和视频数据训练，支持跨模态推理。Thinking Machines 没有把它定位为当前最强模型，而是强调其综合表现和可调节能力。
公司称，用户可以根据速度和效果需要，调整模型的“思考强度”。在一项编程基准测试中，Inkling 达到与 Nvidia Nemotron 3 Ultra 相近表现时，所需 token 数量约为后者的三分之一。
不走通用聊天机器人路线
Thinking Machines 当前更像是把 Inkling 作为企业二次训练的起点，而不是面向大众的成品聊天机器人。公司希望客户通过其定制平台 Tinker，对模型进行微调和部署。
这一思路与 ChatGPT、Claude、Gemini 的路线不同。后者先以通用助手形态进入市场，再逐步叠加代理和自动化功能；Thinking Machines 则押注企业内部知识和业务流程更适合通过私有化或开放模型来承载。
TechCrunch 在报道中提到，这一观点正在获得更多支持。微软 CEO Satya Nadella 近日也表示，企业使用专有模型，往往既要支付订阅费用，也可能在长期交互中让自身业务知识被模型提供方吸收。
案例、算力与商业化仍受关注
报道提到，Bridgewater Associates 与 Thinking Machines 研究人员曾基于现有开源模型，结合桥水自身金融知识继续训练。双方公布的结果显示，该模型在金融推理测试中取得 84.7% 的成绩，优于部分头部闭源模型，运行成本约为后者的十四分之一。不过，这一结果来自双方自评，并非独立测试。
在训练方式上，Thinking Machines 表示，Inkling 的预训练从零开始完成，但在早期后训练阶段，曾借助其他开源权重模型生成部分数据，其中包括 Moonshot AI 的 Kimi K2.5。公司称，下一代模型将改用完全自有的后训练流程。
算力方面，Thinking Machines 今年 3 月与 Nvidia 达成战略合作，将部署 1 吉瓦 Vera Rubin 计算能力，并称 Inkling 完全基于 Nvidia GB300 NVL72 系统训练。但公司尚未详细说明收入模式与成本平衡方式。
按照报道，Thinking Machines 当前约有 200 名员工。对这家公司来说，Inkling 的发布不仅是首个公开产品节点，也是在验证一条不同于头部闭源实验室的商业路线：模型权重开放，收入更多来自训练、微调和托管生态，而不是单纯出售调用次数。