美国AI初创公司Thinking Machines Lab正式发布其首个多模态混合专家（MoE）开放权重模型Inkling，该模型以可定制性、可控成本和灵活部署为核心优势，支持开发者根据需求调整推理强度以平衡性能与资源消耗。目前模型已在Tinker平台上线，提供64K和256K两种上下文长度版本，并限时推出五折优惠。
Inkling采用9750亿参数的MoE架构，激活参数量为410亿，最高支持100万token上下文窗口。其技术路线融合了中国DeepSeek-V3的架构设计与月之暗面Kimi K2.5生成的数据优化，在预训练阶段即整合文本、图像、音频和视频数据，实现单一模型处理视觉理解、音频问答、代码生成和工具调用等跨模态任务。模型通过滑动窗口注意力与全局注意力结合机制提升长文本处理效率，并引入相对位置嵌入技术增强百万级上下文窗口的外推能力。
开发者可通过Tinker平台对模型进行微调，或使用Inkling Playground测试聊天及Agent式网络搜索功能。完整权重已在Hugging Face开放下载，包含原始checkpoint和NVFP4格式两种版本。平台同步推出轻量化版本Inkling-Small，激活参数量降至120亿，在保留核心能力的同时降低部署门槛。
基准测试显示，Inkling在Artificial Analysis综合评测中得分41分，超越Nemotron 3 Ultra、Gemma 4 31B等开放模型，位列美国同类模型榜首。在通用智能测试中取得1238 Elo分，优于Kimi K2.6和DeepSeek v4 Flash（max）。其token效率表现突出，生成2.5万个token即可达到其他模型4万个token的任务效果，显著降低推理成本。实际应用测试中，模型成功完成从生成科幻文本到构建求职网站、优化贪吃蛇游戏等复杂任务，展现出多轮迭代与长流程处理能力。
技术团队通过大规模异步强化学习优化模型性能，累计完成超3000万次迭代训练。其独创的"可控思考努力程度"机制允许开发者动态调整推理强度，在数学问题求解测试中，模型经强化学习后思考过程压缩30%，同时保持答案准确性。Thinking Machines Lab强调，Inkling的设计目标并非追求单项测试最高分，而是构建覆盖推理、多模态、代码生成和事实准确性的综合型基础模型，以满足企业定制化需求。
目前模型已在银行业务代理、智能Web开发、语音交互等领域展现应用潜力，在Tau 3 Banking测试中取得23.7%的成绩，接近DeepSeek v4 Pro水平；在Design Arena智能开发排行榜中位列第七。随着开放权重策略成为行业趋势，Inkling通过降低技术门槛和部署成本，为AI应用开发提供新的基础架构选择。
