Thinking Machines 发布开源多模态大模型 Inkling，975B 参数开放权重

2026 年 7 月 15 日，由 OpenAI 前 CTO Mira Murati 创立的 Thinking Machines Lab 正式发布开源权重多模态大模型 Inkling。该模型采用混合专家（MoE）Transformer 架构，总参数量 975B，激活参数量 41B，支持最高 100 万 token 上下文窗口，预训练数据涵盖 45 万亿文本、图像、音频、视频多模态语料。同步推出轻量化版本 Inkling-Small，总参 276B、激活 12B，采用同源训练方案，旨在降低推理成本与延迟。

核心能力与差异化优势

Inkling 定位为均衡通用型基础模型，覆盖逻辑推理、代码智能体、视觉理解、音频处理、事实预测等全赛道，未针对单一基准做专项优化。其核心差异化优势包括：

• 原生多模态推理：支持文本、图像、音频跨模态联合推理，音频能力在 VoiceBench、MMAU 等基准中位列开源模型前列。
• 可控推理算力调度：开发者可调节推理强度，在性能与 token 消耗间灵活权衡。同等性能下，Inkling 的 token 消耗仅为竞品 Nemotron 3 Ultra 的三分之一。
• 事实校准与安全防护：经大规模异步强化学习训练，思维链精简高效，预测校准能力强；在 FORTRESS 基准测试中，恶意请求拒绝率领先开源模型。

智能体与代码能力

Inkling 在智能体编程和工具调用方面表现突出：

• 在 Design Arena 网页开发盲测榜单中位列开源模型第一梯队，可单次生成完整网页应用。
• 支持长迭代优化，例如在 GPT Codex 评审下，经过 40 轮反馈迭代完成多人在线贪吃蛇游戏全栈开发。
• 在 SWEBench、Terminal Bench 等代码基准中具备竞争力。

部署与微调生态

Inkling 完整权重已上传 Hugging Face，提供 BF16 与 NVFP4 量化版本。模型兼容 vLLM、SGLang、llama.cpp 等主流推理框架，并接入 TogetherAI、Databricks 等云厂商 API。配套 Tinker 微调平台支持 64K、256K 上下文规格，限时半价优惠。官方展示了模型自主微调闭环：Inkling 可依托 Tinker 独立编写微调任务、启动训练并完成效果自检。

局限与安全风险

官方指出 Inkling 存在大模型通用局限，包括事实幻觉、训练数据偏见、知识时间截断、长对话性能衰减等问题，间接诱导提问可能绕过原生防护。不建议直接用于医疗、法律、工业安全等高风险场景，需搭配内容过滤、人工复核等多层防护机制。