据 Thinking Machines Lab 发布的介绍，Inkling 是一个从头训练的开源权重多模态 MoE 模型，总参数 975B，每个 token 激活 41B 参数，支持最长 1M token 上下文，并在 Tinker 平台上开放微调。公司同时预览了更轻量的 Inkling-Small。

一句话结论：Inkling 的看点不在于“又一个最大模型”，而在于它把开放权重、可微调平台和多模态能力打包成了开发者可以动手改的底座。

Thinking Machines 自己说得很清楚：Inkling 不是今天最强的开放或闭源模型。这句话反而让这次发布更可信。过去一年，模型发布很容易陷入排行榜叙事，谁比谁高 0.7 分，谁在某个 coding benchmark 上赢了。Inkling 更像是另一种路线：它承认自己不是绝对冠军，但强调多模态、可控思考成本、长上下文和可微调。

这里最容易让人误读的是 975B。MoE 模型的总参数和实际计算量不是一回事。Inkling 总共有 975B 参数，但每个 token 只激活约 41B 参数。你可以把它理解成一个大型专家库，每次请求只叫来一部分专家工作。这让模型保留更大容量，同时控制推理成本。

对开发者来说，Inkling 真正有价值的地方是 Tinker。开放权重当然重要，但只把权重扔出来，很多团队也跑不动、改不动、评不动。Thinking Machines 把 Inkling 放进微调平台，甚至展示让模型自己写微调任务、运行并评估结果。这说明它想卖的不是“模型文件”，而是“你可以围绕模型继续生产模型”的工作流。

这会碰到一个现实问题：开源权重模型越来越强，但训练、推理、微调、部署都不便宜。一个 975B 总参数模型不是普通个人电脑可以随手折腾的东西。Inkling 对个人开发者的意义，可能更多在于研究、理解和小规模定制；对公司团队的意义，则在于把它作为可审计、可定制、可控制成本的模型底座。

OC 的判断是，Inkling 值得关注，但不要把它写成“闭源模型终结者”。它更像开放模型生态进入成熟期的一个样本：发布者不再只说“我们开放了”，还要说明怎么微调、怎么评估、怎么控制成本、怎么进入实际应用。开源权重模型真正要挑战闭源模型，靠的不是一张榜单，而是开发者能否围绕它形成稳定工具链。

为什么重要：

• 对开发者：MoE、长上下文、多模态和可微调会成为下一代开放模型底座的基本能力组合。
• 对企业：开放权重不等于免费，但它意味着更高可控性、可审计性和定制空间。
• 对用户：更强的开放模型会让 AI 应用不必全部依赖少数闭源供应商。

参考来源：

• Thinking Machines Lab：Introducing Inkling
• Thinking Machines Lab
• Tinker