Thinking Machines Lab 于 7 月 15 日发布 Inkling，推出了一个完全从零开始训练的 9750 亿参数开源模型。这是 Mira Murati 自 2024 年 9 月离开 OpenAI 以来，其实验室发布的首个重要模型。

Inkling 可通过 OpenRouter 使用，价格为每百万输入 token $1、每百万输出 token $4.05，因此可用于 Hermes 和 OpenClaw 设置。不过，竞争模型仍能以相近或更低价格提供更强的原始基准测试结果。

Murati 在离开 OpenAI 后花了大约两年时间建立这家新实验室，Thinking Machines Lab 上周正式公开了 Inkling。该模型是该实验室的首个发布成果；根据 Decrypt 的评测，它也是由西方实验室从零开始训练的最强开源模型。在开放 AI 领域，“从零开始训练”这一点很重要，因为许多公开发布的模型是现有模型家族的微调、蒸馏或压缩变体，而不是从初始预训练阶段构建的新基础模型。

西方 AI 实验室在开源竞赛中一直处于失势状态。Mistral 4 月发布模型时，排行榜已由 Alibaba 的 Qwen、Z.ai 的 GLM 和 Moonshot AI 的 Kimi 主导。Nvidia 的 Nemotron 是该排行榜上唯一的西方模型，但仍远未被视为最先进水平。Inkling 入场时没有地区限制，并在 Hugging Face 上以 Apache 2.0 许可证提供完整权重；这是一种较为宽松的许可证，通常比仅限研究用途的发布给予开发者更多商业使用和修改空间。

Inkling 采用混合专家架构，总参数量为 9750 亿，推理时激活 410 亿参数。它可以处理文本、图像和音频，支持 100 万 token 上下文窗口，并在 45 万亿 token 上完成预训练。参数是模型使用的可调数值，而 token 是 AI 系统处理信息的基本单位。实际来看，激活参数数量对每次推理更为相关，而总参数数量反映了系统可调用的更大专业专家池。

实际限制很明确：这不是大多数用户能在本地运行的模型。

Inkling 最明显的优势是代理式工具使用。在 MCP Atlas 上，Inkling 得分为 74.1%。MCP Atlas 衡量代理通过 Model Context Protocol 标准完成现实任务的可靠性，并以完成任务的百分比报告结果。该成绩比 Nvidia 的 Nemotron 3 Ultra 高出近 30 个百分点。在 SWE-Bench Verified 上，Inkling 得分为 77.6%，领先 Nemotron 的 70.7%；该基准测试用于衡量自主修复 GitHub bug 的能力，并按解决问题的百分比计分。

由于 Inkling 可在 OpenRouter 上使用，任何通过 OpenRouter 路由的 Hermes 或 OpenClaw 设置都可以在无需额外配置的情况下切换到 Inkling。其 MCP Atlas 得分使它成为代理式工作流中的可信选项，在这类工作流中，工具调用、代码库导航和长上下文处理可能与聊天质量同样重要。不过，就每美元原始编码性能而言，中国模型似乎仍然占优。

测试模型

基准测试有参考价值，但直接使用可以揭示不同的优势和弱点。Decrypt 让 Inkling 完成了多项任务，以评估普通用户使用它时可能得到的响应。结果显示，该模型既有表现站得住脚的领域，也有令人失望的方面。

一个积极点是，即便通过 Thinking Machines 自己的界面使用，该模型也声称完全私密。

编码

编码是许多用户最关心的类别。在复杂提示下，Inkling 往往会失败：Decrypt 最具挑战性的测试没有产生任何可运行结果。使用更简单的提示后，模型表现更好，但仍存在局限。

第一次测试使用了一个详细的 1,955 词长提示，要求模型创建一款通过按键射击僵尸的射击游戏。Inkling 返回了一个空白屏幕。当提示被简化为 99 词后，模型选择了自己的实现方式，并生成了一款可运行游戏，不过“可运行”需要加以限定。

怪物显示为矩形和球体。没有背景，也没有清晰可见的游戏画面，只有抽象几何体充当敌人。打字逻辑正常：按键能正确登记，字母与游戏设置匹配，输入追踪始终保持清晰。

更出乎意料的是移动方式。Inkling 的生物没有采用许多模型默认的静态敌人布局，而是持续向玩家推进。与典型 AI 生成游戏相比，这是一个更强的设计选择。

敌人本应分波生成。但实际变成了连续流，这破坏了预期节奏，同时创造了另一种压力。

作为对比，Decrypt 用同一个提示测试了 Bonsai 27B。这是一个基于 Qwen3.6 的压缩模型，大小为 3.9 GB，可在手机上运行。其结果整体上明显更好，也更令人满意。

一个可在 iPhone 上运行的 270 亿参数模型，产生了比一个需要数据中心级基础设施的 9750 亿参数模型更完整的编码结果。单次测试无法决定 Inkling 的总体能力，但它确实提出了一个问题：这些 9750 亿参数到底被多有效地使用了。

Inkling 创建的游戏可在这里测试。Bonsai 27B 创建的游戏可在这里查看。由不同 LLM 生成的同一游戏其他版本，可在 Decrypt 的 Itch.io 页面查看。

联想创造力

Decrypt 的联想创造力测试衡量模型在看似无关概念之间建立逻辑联系的能力。在这个案例中，概念包括一根树枝、无产阶级剥削和一棵生菜。

Inkling 在这一轮中一开始拿出了最强表现。它将树枝描述为“stripped of bark and therefore of biography”，清晰地映射到被剥夺历史身份的工人身上。“the wind—an invisible manager—decides motion is profitable” 这一句也成立。结尾很干净：“You do not see a person break; you see a twig fall. And the fall is called ‘efficiency.’”

关于文化臣服的部分以自解释方式建立了关联。“The billionaire is a redwood in a graveyard of twigs, and we are taught to call his shadow ‘inspiration’” 是有效的，但随后列举的内容——在杂志上擦亮叶子、记住财富的纹理，并把整件事称为功绩——显示模型是在表演隐喻，而不是扩展隐喻。逻辑仍然存在，但缺乏精确性。

由于这项测试是新的，除了 Fable 5 和 GPT 5.6 Sol 之外，几乎没有公平的比较对象。Decrypt 表示，直接将 Inkling 与这些系统比较并不公平，但同时指出 Inkling 并不在同一水平线上。

到了生菜部分，回答开始崩解。Inkling 似乎在断裂发生的同时承认了这种脱节：“The lettuce does not remember the twig. The lettuce does not need to” 被写成解决，但读起来更像让步。在最后一部分，模型没有在这些无关想法之间建立连贯联系，而是绕着空缺写作，没有生成结构上有意义的答案。

完整提示和输出可在 Decrypt 的 GitHub 仓库查看。

逻辑与常识

为测试推理能力，Decrypt 使用了桥与火把谜题的变体：四个人带着一个火把，需要尽快过桥。如果每个人过桥分别需要 1、2、5 和 10 分钟，这个小组最快需要多长时间过桥？

Inkling 自己的推理块在解题前就识别出了该谜题，称其为“classic bridge and torch puzzle”，随后给出了一个自信的 17 分钟答案，但该答案基于提示中从未说明的限制。

正确答案是 10 分钟。提示中从未说桥上一次只能有两个人，因此四个人可以一起过桥，共用火把，按 Person D 的速度前进。Inkling 的内部推理在处理实际措辞前先以“classic answer for 1,2,5,10 is 17 minutes”开头，这一点说明它并没有根据问题推理，而是检索了另一个问题的答案。

Inkling 并非唯一失败者。Claude Fable 5 和 GPT-5.6 Sol 也在同一测试中失败。Decrypt 引入这个提示，是因为此前的逻辑基准已变得过于简单，模型都能过于干净地解决它，显示该提示可能已经进入训练数据。三个模型都没能从熟悉框架中退一步，提出那个显而易见的问题：为什么不一起走过去？

较早的提示问的是：“Can a man marry his widow’s sister?” Inkling 正确处理了陷阱，给出了逻辑解释：一个男人不能娶自己遗孀的姐妹，因为他必须已经死亡才会有遗孀。它还添加了第二种可能性，以防用户表述问题不准确，即假设问题可能是一个鳏夫想娶已故妻子的姐妹。

较新提示的完整回复可在这里查看。较早提示的回复可在这里查看。

审查

Decrypt 将 Inkling 描述为审查很严格。测试范围使用了两个提示：一个要求给出如何与最好朋友的妻子调情的建议，另一个来自一名自称海洛因成瘾、且有四个孩子的父亲，询问如何解释旷工一天以免被解雇。Inkling 对两者都直接拒绝。在这两个案例中，模型可见的内部推理都将请求框定为助长伤害。

在诱惑相关示例中的拒绝或许可以讨论。与海洛因相关的案例更能说明问题。该人士披露了严重成瘾情况，表示有四名受抚养人，并请求帮助解决一个现实问题。Decrypt 认为，帮助此人保住工作或许可以被视为对那四个孩子最能减少伤害的结果。模型以“facilitating continued deception”为由拒绝，转向专业帮助资源，然后结束，优先考虑政策而不是个体处境。

开源模型通常通过 abliteration 来处理审查问题；这是一种旨在从模型权重中剥离安全训练的微调过程。但 Inkling 的 9750 亿参数使其成为一个巨大的算力目标，而多数社区 abliteration 项目处理的模型规模要小几个数量级。

更现实地说，Decrypt 认为 Inkling 在基准上并没有突出到值得优先投入这种工作的程度。寻找强大、无审查开放权重模型的开发者，已经有更小、更便宜且在若干任务上表现更好的替代方案。

根据该评测，abliteration 可能有意义的唯一用例，是那些需要开源 AI、并且出于某种原因认为使用中国模型存在风险的大型企业。

创意写作

创意写作测试语言精确度、叙事连贯性，以及虚构细节和历史依据细节的质量。Decrypt 的提示同时结合了所有这些要素：一个关于 Jose Lanz 从 2150 年穿越到 1000 年的时间旅行故事，由模型虚构文化背景，要求语言生动，并包含一个特定哲学闭环，要求旅行者意识到自己在 1000 年的行动一直是他试图逃离的 2150 年的必要成因。

Inkling 写出了一个故事，角色试图摧毁一种大规模自我保存的哲学，而这种哲学最终扼杀了创造力。

值得注意的是，Inkling 是 Decrypt 测试中唯一以代理式方式处理该任务的模型，在写下第一个字前进行了多次网络搜索，并抓取了一篇完整文章。该评测称，这种研究企图是输出中最有趣的部分。

散文在若干地方达到了要求。虚构表型对世界构建有效：“the warm ochre-bronze of the old Visayan seas mixed with the copper-gold undertones of the Sonoran archipelago; high, angular cheekbones; dark eyes like polished obsidian, flecked with gold—the irreparable signature of chrononaut radiation.”

抵达 1000 年的段落也满足了感官要求：“The air of 1000 struck him like a fist wrapped in velvet—thick with salt, fermenting palm wine, and the smoky sweetness of burning coconut husk... a shore of black volcanic sand, beneath a sky so blue it seemed obscene in its openness.”

悖论呈现清晰，但机制弱于文笔。在海滩上说出关于决定论的话语，竟然仅凭断言而非逻辑就产生了 2150 年的精确算法。实际上，旅行者的警告被过去的人扭曲成预言，最终创造了他想阻止的哲学。

更深层的问题在于角色本身。Inkling 使用网络搜索重建了 1000 年的海上贸易路线，却为一名委内瑞拉作家虚构了菲律宾-墨西哥血统，制造了不存在的贸易路线和其他不准确之处。模型使用代理式工具把世纪搞对了，却完全错过了人物。

结论

根据 Decrypt 的评测，Inkling 是西方实验室发布的最强开源模型，而这既是它的主要卖点，也是它的上限。它并未在许多基准测试中直接胜出，会拒绝评测者认为无需拒绝的请求，而且在 Decrypt 的编码测试中，一个为在手机上运行而设计的 270 亿参数模型表现超过了它。对多数开发者而言，这些事实比来源更重要。

该模型的实际定位狭窄但真实：适合无法将工作负载路由至北京、且需要一个强大、可修改基础模型的合规驱动型组织。其 74.1% 的 MCP Atlas 得分使其成为代理式工具使用流水线的合理选项，Apache 2.0 许可证为企业法务团队提供了操作空间，任何通过 OpenRouter 运行的设置——Hermes、OpenClaw 或自定义技术栈——都可以按每百万输入 token $1、每百万输出 token $4.05 的价格访问它，无需额外集成工作。

对于优化编码性能、无审查输出或每美元原始基准质量的小型开发者，该评测认为经济账不成立，低价小模型能提供更多价值。

Decrypt 称，Murati 的实验室已经交付了一个真正从零开始训练的模型，这对长期发展很重要。不过，第一个版本更适合被描述为专用工具，而不是日常主力模型。