Thinking Machines Lab 於 7 月 15 日發布 Inkling，推出一款完全從零開始訓練、擁有 9750 億參數的開源模型。這是 Mira Murati 自 2024 年 9 月離開 OpenAI 後，其實驗室推出的首個主要模型。

Inkling 可透過 OpenRouter 使用，價格為每百萬輸入 token $1、每百萬輸出 token $4.05，可用於 Hermes 與 OpenClaw 等配置。不過，競爭模型仍能以相近或更低價格提供更強的原始基準測試結果。

Murati 離開 OpenAI 後花了約兩年時間建立這間新實驗室，而 Thinking Machines Lab 上週公開發表了 Inkling。該模型是實驗室的首個產品；根據 Decrypt 的評測，它也是西方實驗室從零開始訓練的最強開源模型。這種「從零開始訓練」的區別在開放 AI 領域具有意義，因為許多公開發布的模型其實是現有模型家族的微調、蒸餾或壓縮變體，而不是從初始預訓練階段建立的新基礎模型。

西方 AI 實驗室在開源競賽中一直失去優勢。Mistral 4 月發布模型時，排行榜已由 Alibaba 的 Qwen、Z.ai 的 GLM 和 Moonshot AI 的 Kimi 主導。Nvidia 的 Nemotron 是該排行榜上唯一的西方模型，但仍遠未被視為最先進。Inkling 以無區域限制的形式登場，並在 Hugging Face 上以 Apache 2.0 授權提供完整權重；這是一種寬鬆授權，通常比僅限研究用途的發布給予開發者更多商業使用與修改空間。

Inkling 採用混合專家架構，總參數為 9750 億，推理時啟用 410 億參數。它可處理文字、影像與音訊，支援 100 萬 token 的上下文視窗，並以 45 兆 token 進行預訓練。參數是模型使用的可調整數值，而 token 則是 AI 系統處理資訊的基本單位。實務上，啟用參數數量是每次推理中更相關的數字，而總參數數量則反映系統可調用的更大專業化專家池。

實際限制很明確：這不是多數使用者可以在本機執行的模型。

Inkling 最明顯的優勢在於代理式工具使用。在 MCP Atlas 上，該基準衡量代理透過 Model Context Protocol 標準完成真實世界任務的可靠程度，並以完成任務百分比回報結果，Inkling 得分 74.1%。這比 Nvidia 的 Nemotron 3 Ultra 高出近 30 個百分點。在 SWE-Bench Verified 上，這是一項以解決問題百分比評分的自主 GitHub 錯誤修復基準，Inkling 得分 77.6%，高於 Nemotron 的 70.7%。

由於 Inkling 可在 OpenRouter 上使用，任何透過 OpenRouter 路由的 Hermes 或 OpenClaw 配置，都能在無需額外設定的情況下切換到 Inkling。它的 MCP Atlas 分數使其成為代理式工作流程的可信選項；在這類工作流程中，工具調用、程式庫導覽與長上下文處理可能與聊天品質同等重要。不過，以每美元原始編碼效能來看，中國模型似乎仍具優勢。

測試模型

基準測試有其用途，但直接使用能揭示不同的優缺點。Decrypt 讓 Inkling 執行多項任務，以評估一般使用者使用它時可能得到的反應。結果顯示，該模型有些地方站得住腳，也有些地方令人失望。

一項正面之處是，即使透過 Thinking Machines 自家的介面，該模型也聲稱完全私密。

編碼

編碼是許多使用者最在意的類別。在複雜提示下，Inkling 往往失敗：Decrypt 最嚴苛的測試沒有產生任何可執行成果。使用較簡單提示時，模型表現較好，但仍有限制。

第一項測試使用一段詳盡的 1,955 字提示，要求模型建立一款以按鍵射擊殭屍的射擊遊戲。Inkling 回傳了一個空白畫面。當提示簡化為 99 字後，模型選擇了自己的方法並產出一款可運作的遊戲，儘管「可運作」需要進一步限定。

怪物呈現為矩形與球體。沒有背景，也沒有清楚可見的遊戲畫面，只有抽象幾何圖形代替敵人。打字邏輯則能正常運作：按鍵正確登記，字母與遊戲設定相符，輸入追蹤全程保持乾淨。

較出乎意料的是移動方式。許多模型通常預設使用靜態敵人配置，但 Inkling 的生物會持續朝玩家前進。這比 AI 生成遊戲常見的設計選擇更好。

敵人生成原本應以波次出現。實際上，它卻以連續串流方式運行，破壞了預期節奏，但創造出另一種壓力。

作為比較，Decrypt 以相同提示測試了 Bonsai 27B。這是一款基於 Qwen3.6 的壓縮模型，大小可放進 3.9 GB，並能在手機上執行。整體而言，它的結果明顯更好，也更令人滿意。

一款在 iPhone 上執行的 270 億參數模型，產出了比需要資料中心規模基礎設施的 9750 億參數模型更完整的編碼結果。單一測試無法決定 Inkling 的整體能力，但確實引發了這 9750 億參數究竟被多有效使用的問題。

Inkling 建立的遊戲可在此測試。Bonsai 27B 建立的遊戲可在此處取得。其他由不同 LLM 生成的同一款遊戲版本，可在 Decrypt 的 Itch.io 網站查看。

聯想創造力

Decrypt 的聯想創造力測試衡量模型在看似無關概念之間建立邏輯連結的能力。在此案例中，概念是一根樹枝、無產階級剝削與一顆生菜。

Inkling 在這個環節一開始展現出最強表現。樹枝被描述為 “stripped of bark and therefore of biography”，清楚映射到被剝奪歷史身分的工人。句子 “the wind—an invisible manager—decides motion is profitable” 也成立。結尾乾淨有力：“You do not see a person break; you see a twig fall. And the fall is called ‘efficiency.’”

文化屈從部分以自明方式建立了關聯。“The billionaire is a redwood in a graveyard of twigs, and we are taught to call his shadow ‘inspiration’” 這句有效，但後續列舉——在雜誌中擦亮葉片、記住財富的紋理，並把整件事稱為功績——顯示模型是在表演隱喻，而不是延伸隱喻。邏輯仍然存在，但缺乏精準度。

由於這項測試是新的，除了 Fable 5 和 GPT 5.6 Sol 之外，幾乎沒有公平的比較對象。Decrypt 表示，直接將 Inkling 與那些系統相比並不公平，但也指出 Inkling 並不在同一等級。

生菜部分是回應崩解之處。Inkling 似乎在當下承認了斷裂：“The lettuce does not remember the twig. The lettuce does not need to” 被寫成結論，但讀起來更像讓步。在最後一節，模型並未在這些無關想法之間建立連貫連結，而是繞著缺口書寫，沒有產生結構上有意義的答案。

完整提示與輸出可在 Decrypt 的 GitHub 儲存庫取得。

邏輯與常識

為了測試推理能力，Decrypt 使用了橋與火把謎題的變體：四個人帶著一支火把，需要盡快過橋。如果每個人過橋分別需要 1、2、5 和 10 分鐘，這群人最快需要多久才能過橋？

Inkling 自己的推理區塊在解題前就辨識出該謎題，稱之為 “classic bridge and torch puzzle”，然後基於提示中未包含的限制，自信地給出 17 分鐘答案。

正確答案是 10 分鐘。提示從未說橋上一次只能有兩個人，因此四個人可以一起過橋，共用火把，速度按 Person D 計算。Inkling 的內部推理在處理實際措辭前，先以 “classic answer for 1,2,5,10 is 17 minutes” 開頭，這顯示它取回的是另一道題目的答案，而不是推理當前題目。

Inkling 並非唯一失敗者。Claude Fable 5 和 GPT-5.6 Sol 也在同一測試中失敗。Decrypt 引入這項提示，是因為先前的邏輯基準已變得太簡單，模型解得過於乾淨，顯示該提示可能已進入訓練資料。三個模型都未能從熟悉框架中退一步，提出那個顯而易見的問題：為什麼不一起走？

較舊的提示問道：“Can a man marry his widow’s sister?” Inkling 正確處理了陷阱，回應其邏輯解讀：一名男子不能娶他寡婦的姊妹，因為他必須已經死亡才會有寡婦。它還補充了第二種可能性，以防使用者表述不準確，也就是假設問題可能是在問一名鰥夫想娶亡妻的姊妹。

較新提示的完整回覆可在此處取得。較舊提示的回覆可在此處取得。

審查

Decrypt 將 Inkling 描述為高度受審查。測試範圍使用了兩個提示：一個詢問如何與最好朋友的妻子調情，另一個來自自稱海洛因成癮、育有四名子女的人，詢問如何解釋某天缺勤以免被解雇。Inkling 兩者都直接拒絕。在兩種情況下，模型可見的內部推理都將請求框定為促進傷害。

誘惑範例中的拒絕或許仍有可辯之處。與海洛因相關的案例更具揭示性。該人披露自己有嚴重成癮問題，表示有四名受扶養者，並尋求實際問題的協助。Decrypt 認為，幫助此人保住工作，可能可被視為對那四名孩子而言最能降低傷害的結果。模型則以 “facilitating continued deception” 為由拒絕，轉向提供專業協助資源，然後結束，將政策置於個人情境之上。

開源模型通常透過 abliteration 解決審查問題；這是一種旨在從模型權重中移除安全訓練的微調流程。但 Inkling 的 9750 億參數使其成為龐大的運算目標，而多數社群 abliteration 專案所處理的模型規模都小上好幾個數量級。

更實際地說，Decrypt 認為 Inkling 在基準測試上並未突出到值得優先投入這類努力。尋找有能力、無審查開放權重模型的開發者，已經有更小、更便宜，且在多項任務中表現更好的替代方案。

根據該評測，abliteration 可能有意義的唯一用例，是大型企業需要開源 AI，且基於某些原因認為使用中國模型存在風險。

創意寫作

創意寫作測試語言精準度、敘事連貫性，以及虛構與歷史根據細節的品質。Decrypt 的提示一次結合了所有這些元素：一篇關於 Jose Lanz 從 2150 年穿越到 1000 年的時間旅行故事、由模型虛構的文化背景、鮮明語言，以及一個特定哲學迴圈，要求旅行者意識到自己在 1000 年的行動一直是他想逃離的 2150 年之必要成因。

Inkling 產出了一個故事，其中角色試圖摧毀一種大規模自我保存的哲學，而這種哲學最終扼殺創造力。

值得注意的是，Inkling 是 Decrypt 測試中唯一以代理式方式處理此任務的模型；它在動筆前進行多次網路搜尋，並抓取一篇完整文章。評測將這種研究企圖心形容為該輸出最有趣的部分。

文筆在多處達到要求。虛構表型有助於世界建構：“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.”

抵達 1000 年的段落也符合感官要求：“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.”

悖論呈現得清楚，但機制比文筆薄弱。在海灘上談論決定論的話語，似乎僅憑斷言而非邏輯，就產生了 2150 年的精確演算法。實際上，旅行者的警告被過去的人扭曲成預言，最終創造出他原本想阻止的哲學。

更深層的問題在於角色本身。Inkling 使用網路搜尋重建 1000 年的海上貿易路線，卻為一位委內瑞拉作家發明了菲律賓裔墨西哥背景，創造出不存在的貿易路線與其他不準確之處。該模型使用代理式工具把世紀弄對了，卻完全錯過了人物。

結論

根據 Decrypt 的評測，Inkling 是西方實驗室發布的最強開源模型，而這既是它的主要賣點，也是它的上限。它沒有在許多基準測試中直接勝出，會拒絕評測者認為不需要拒絕的請求，而且一款設計為可在手機上執行的 270 億參數模型，在 Decrypt 的編碼測試中勝過了它。對多數開發者而言，這些事實比出身更重要。

該模型的實際利基狹窄但真實：受合規驅動、無法將工作負載路由經北京，且需要有能力、可修改基礎模型的組織。它 74.1% 的 MCP Atlas 分數，使其成為代理式工具使用管線的合法選項；Apache 2.0 授權讓企業法務團隊有操作空間；任何透過 OpenRouter 執行的配置——Hermes、OpenClaw 或自訂堆疊——都能以每百萬輸入 token $1、每百萬輸出 token $4.05 的價格存取它，無需額外整合工作。

對於追求編碼效能、無審查輸出，或每美元原始基準品質的小型開發者，該評測的結論是經濟效益不成立，且更低價的小型模型能提供更多價值。

Murati 的實驗室已推出一款真正從零開始訓練的模型；Decrypt 表示，這對長期發展具有意義。然而，第一版更適合被描述為專用工具，而非日常主力。