Thinking Machines 把首个模型定位为可定制 AI 的起点
Thinking Machines Lab 发布了 Inkling，这是该公司首个自研 AI 模型。这个发布的重点不只是冲击所有公开榜单第一，而是为开发者提供另一个可以修改的高端基础模型。WIRED 于 2026 年 7 月 15 日报道了该消息，Thinking Machines 也在同一天发布了技术公告和模型卡。
该公司将 Inkling 描述为一个开放权重的 Mixture-of-Experts transformer，拥有 9750 亿总参数，每次请求激活 410 亿参数。模型支持最高 100 万 token 的上下文窗口，并使用文本、图像、音频和视频进行预训练。它的输出模态是文本，包括代码和结构化回答。
这让 Inkling 处在 AI 市场中的一个明确位置：公司并没有把它包装成目前最强的开放或闭源模型，而是把它定位为一个可通过微调适配的广泛多模态基础模型。
开发者实际能得到什么
这次发布有三条主要访问路径。Thinking Machines 表示，Inkling 可通过其定制服务 Tinker 进行微调。模型卡显示，模型权重可通过 Hugging Face 获取，同时也提到可以通过第三方推理提供商使用 API。
开放权重的重要性在于，研究人员和企业可以在发布条款允许的范围内直接检查、托管和微调模型权重。但这并不意味着训练数据或完整源代码已经公开。对于评估透明度、合规性和可复现性的团队来说，这一区别很关键。
模型卡也明确说明，直接自托管最大 checkpoint 不是普通工作站可以轻松完成的任务。Thinking Machines 表示，BF16 checkpoint 需要至少 2 TB 聚合 VRAM 的 GPU 集群，而量化的 NVFP4 checkpoint 将需求降至至少 600 GB。Hugging Face 的发布文章也把直接部署描述为大型基础设施工作负载，同时提到 Transformers、SGLang 和 vLLM 等主要推理引擎的支持。
因此，对多数开发者来说，眼下的问题不只是 Inkling 能不能下载，而是 Tinker、托管推理提供商，或未来更小的变体，能否让定制化在不购买大型 GPU 集群的情况下变得实际可行。
这次发布为什么值得关注
Thinking Machines 由 OpenAI 前 CTO Mira Murati 领导，并因团队和融资受到关注。但 Inkling 是该公司产品方向的第一次重要检验：它押注的是去中心化、由用户塑造的 AI，而不是单一封闭助手体验。
公司称 Inkling 被训练为一个通用模型，覆盖代理式任务、推理、编程、指令遵循、事实性、视觉和音频等能力。它还预览了 Inkling-Small，这是一个更轻量、拥有 120 亿激活参数的模型，不过主要发布材料将其描述为预览，而不是本次主要可下载版本。
公司公告中较有意思的一项演示是自我微调流程。Thinking Machines 称，它让 Inkling 使用 Tinker 创建数据、运行微调任务、评估结果，并切换到针对某一狭窄行为更新后的权重。这是产品演示，不是对广泛自主改进能力的独立证明，因此更应被理解为该公司想推广的定制化工作流示例。
接下来要看什么
Inkling 发布之际，开放权重 AI 模型正成为闭源、仅 API 系统之外的重要替代方案，尤其适合希望更好控制数据处理、成本和产品行为的企业。代价是运营复杂度：运行、保护、评估和微调这种规模的模型都需要基础设施和专业能力。
对 AI 开发者而言，真正有价值的信号不是发布当天的 benchmark 表格，而是采用情况。接下来要观察的是，开发者能否通过常见推理栈可靠运行 Inkling，Tinker 是否能降低微调门槛，以及独立评估者是否能确认模型在编程、多模态和长上下文任务上的优势与限制。
这次发布让 Thinking Machines 围绕去中心化叙事拿出了具体产品。更困难的测试在后面：实验室之外的团队能否把这些开放权重变成有用、可维护的系统。