一个总参数达到 975B 的模型，发布时却主动承认：它不是当前最强模型。
这反而是 Inkling 最有意思的地方。Mira Murati 创办的 Thinking Machines Lab 没有把首款开放权重模型包装成排行榜冠军，而是明确把它放在“可定制底座”的位置上。模型负责吸引开发者，Tinker 平台负责承接微调需求。至少从产品组合看，后者才是这家公司更想建立的长期关系。
975B总参数，单次激活41B
Inkling 是一款 MoE 多模态 Transformer。官方称，它使用文本、图像、音频和视频等数据训练，训练量为 45 万亿 token。
这里的 45 万亿 token 不能理解成 45 万亿条独立数据，也不能直接推出训练成本、模型性能或版权合规程度。它只说明训练规模很大，数据形态很多。
| 项目 | Inkling | Inkling-Small |
|---|---|---|
| 总参数 | 975B | 276B |
| 激活参数 | 41B | 12B |
| 架构 | MoE 多模态 Transformer | 尚未公布更多细节 |
| 状态 | 权重已开放 | 仍在测试，权重尚未发布 |
| 许可 | Apache-2.0 | 预计完成测试后发布 |
| 产品定位 | 面向定制、微调的基础模型 | 更小规模版本 |
MoE 的关键在“按需激活”。Inkling 虽然有 975B 总参数，但一次推理只调用其中约 41B。这样可以降低计算量，却不代表部署难度等同于普通的 41B 模型。
总权重仍然庞大。模型怎么切分、需要什么精度、推理框架是否成熟、单机还是集群部署，都会改变显存和运维账单。现有材料没有给出完整部署配置，也没有提供足以据此制定采购预算的信息。
另一个容易混淆的点是：开放权重不等于完整开源。
Apache-2.0 是相当宽松的许可，方便开发者修改和商用。但材料只确认了权重开放与许可方式，没有证明训练数据、训练代码和完整训练流程全部公开。企业可以拿到模型，不等于能够复现模型。
许可很宽，数据披露却很窄
Inkling 给美国开放权重模型市场增加了一个新候选者。它可以和 NVIDIA Nemotron、Gemma 4，以及中国开放权重模型放在同一张选型表里。
但现在还不能把“候选者”写成“胜出者”。
Thinking Machines Lab 自己承认，Inkling 不是当前最强的开放或闭源模型。它强调的是另一组能力：多模态、较高的推理效率，以及能够在 Tinker 上继续微调。没有完整、可核验的基准对照，参数规模也不能替代真实任务成绩。
数据文档同样留下了很大的空白。官方只笼统说明，训练数据包括：
- 公共领域内容；
- 来自开放互联网和公开数据仓库的内容；
- 第三方提供的数据集；
- 可能受到知识产权保护的内容。
这些表述说明了数据来源的大类，却没有回答更具体的问题：各类数据占比是多少，如何过滤，是否提供退出机制，版权争议怎么处理，音频和视频又经过了哪些清洗。
这不是可以直接判定违规的证据，但也远远谈不上充分透明。Apache-2.0 解决的是权重怎么用，并不会自动洗掉上游数据的合规风险。准备把模型放进生产环境的团队，仍要自己做法务评估、内容审计和输出测试。
一次轻量测试也展示了类似的边界。Inkling 能按照指令生成“鹈鹕骑自行车”的 SVG，也能读取渲染后的图片并详细描述场景。但它把自己画出的鹈鹕认成了“鹳或海鸥”。
单次失误不能证明整体多模态能力差。它只能提醒采购者：会生成、会识图和能稳定理解细节，是三件不同的事。演示图很讨喜，生产指标不会因此放宽。
模型把人带进来，平台决定人能否走出去
Thinking Machines Lab 对 Inkling 的定位并不含糊：它是一款适合定制的开放权重基础模型，并且可以通过 Tinker 微调。
由此判断 Inkling 会为 Tinker 引流，是合理推断。把它进一步写成已经成立的商业模式，还缺几块证据。现有材料没有给出 Tinker 的定价、训练任务成本、微调产物能否顺畅导出，也没有说明迁移到其他推理栈需要付出多少工程代价。
这些细节决定了“开放”究竟有多大实际价值。
“天下熙熙，皆为利来。”科技公司用开放技术吸引开发者，再靠托管服务、训练工具和算力收费，并不新鲜。云计算时代已经反复出现这条路线。Inkling 与传统开源软件并不完全一样：大模型的训练和部署更依赖昂贵算力，平台方天然拥有更强的控制力。
真正的分水岭也因此从“能不能下载”转向了几个更现实的问题：
- 微调后的权重和训练记录能否完整导出；
- 离开 Tinker 后，模型是否还能低成本部署；
- 平台价格是否低于团队自建训练链路的总成本；
- Tinker 是否提供足够成熟的评估、监控和版本管理；
- Inkling 在企业真实任务中，能否稳定超过更小、更便宜的模型。
开发者最现实的动作，不是因为 Apache-2.0 就立刻迁移工具链。先拿自己的数据做小规模微调，对比 Tinker 与现有方案的训练时间、输出质量和可移植性。尤其别把“激活 41B”直接换算成部署预算。
负责私有化部署和技术采购的人，则应暂缓大规模押注。先要求完整基准、硬件配置、服务价格和微调产物的归属说明，再安排 PoC。许可宽松只是准入条件，算力、合规和退出成本才决定能不能进生产。
Inkling 这次做对了一件事：它没有假装自己已经站在能力顶端。问题也因此更清楚了。模型本身只拿到入场券，Tinker 能否降低定制成本，又不把开发者锁在平台里，才决定这张牌最后值多少钱。