← 返回行业咨询
Inkling 发布：975B 参数开源多模态模型，以 Token 效率卡位企业微调市场
📊 Inkling 模型速览
Thinking Machines Lab（TML） 于 2025 年 7 月 16 日发布首款自研基础模型 Inkling，以下是核心要点：
🔑 关键数据
| 维度 | 详情 |
|---|---|
| 架构 | MoE（借鉴 DeepSeek V3），总参数量 9750 亿，激活 410 亿 |
| 上下文窗口 | 最高 100 万 token |
| 预训练数据 | 45 万亿 token |
| 许可证 | Apache 2.0（完整开放推理权重） |
| 融资 | 种子轮 20 亿美元，估值 120 亿美元（AI 行业纪录） |
🎯 核心理念：不追 SOTA，求平衡
TML 明确表示 Inkling "并非当今最强的模型"，其战略定位是：
在能力、推理成本、多模态和可微调性之间找到平衡，成为企业可以用自身数据持续改造的底座。
这意味着它覆盖的是广泛任务谱系（智能体编排、编程、指令遵循、多模态理解），而非单一维度的极限性能。
💰 护城河：Token 经济性
这是 Inkling 最具差异化的优势：
- 3000 万次 rollout 的异步强化学习训练，让模型学会"看碟下菜"
- 思维链出现自发压缩——省略冗余表达，推理过程接近速记
- 在 Terminal Bench 2.1 测试中，用约 1/3 的 Token 达到了与 Nemotron 3 Ultra 相同的任务成功率
- 开发者可通过
output_config.effort参数灵活调节推理强度（0~1）
🧩 原生多模态 + 双模型架构
- 原生多模态：文本、图像、音频从预训练阶段联合学习（非后期外挂编码器）
- 双模型异步协作：前台模型处理实时交互，后台 Inkling 处理深度推理、搜索和工具调用
- 当前仅支持文本输出，尚不能直接生成语音或图像
🔧 全栈工具链：Tinker 微调平台
TML 不仅开源权重，还构建了完整生态：
1. Tinker：微调算力服务平台，已运行近一年
2. tml-renderer：统一渲染聊天消息、工具调用、图像和音频
3. Cookbook：提供三套音频定制示例
标志性实验：让 Inkling 自己编写微调任务并运行训练流程，验证了其作为可塑底座的定位。
🏆 性能定位
- Artificial Analysis 综合得分 41 分，登顶美国开源模型
- Design Arena 盲测 1257 分，追平 Claude Opus 4.6
- 在硬核推理榜单（HLE、代码代理等）上与国内 GLM 5.2、Kimi K2.6 仍有差距——有意为之的策略取舍
🚀 部署方式
- 原始 BF16 权重 + Blackwell 优化的 NVFP4 量化版均已开放
- 托管 API：Together AI、Fireworks、Modal
- 自行部署：SGLang、vLLM、llama.cpp、Transformers
💡 总结：为什么 TML 要从零训练？
深层逻辑很清晰：商业闭环。
TML 的定位是一家面向企业的模型服务平台，不能永远只做第三方模型的"连接器"。只有把预训练→强化学习→推理→微调的完整链路握在自己手里，才能真正回答企业关心的问题：
- 完成任务需要多少 Token？
- 推理强度能否按需调节？
- 模型能否原生理解多模态输入？
- 企业能否用自己的数据持续微调并无缝部署？
开源 Inkling 不是"做慈善"，而是卡位企业级定制化 AI 基础设施市场的战略布局。