美国AI初创公司Thinking Machines Lab正式发布其首款多模态混合专家（MoE）开放权重模型Inkling，该模型以可定制化、低成本部署和灵活推理强度调节为核心优势，为开发者提供全新的AI应用开发选择。目前，Inkling已在Tinker平台上线，支持64K和256K两种上下文长度，并提供限时五折优惠。
Inkling采用9750亿参数的MoE架构，其中激活参数为410亿，最高支持100万token上下文窗口。其技术路线融合了多项创新设计：每个MoE层包含256个路由专家和2个共享专家，每个token仅激活6个专家参与计算；通过滑动窗口注意力与全局注意力结合的方式提升长文本处理效率；采用相对位置嵌入替代传统旋转位置编码，在百万级上下文窗口任务中表现更优。训练阶段，该模型使用了4500万亿token规模的多模态数据，涵盖文本、图像、音频和视频，使其具备视觉理解、音频问答、代码生成和工具调用等综合能力。
在性能优化方面，Inkling引入"可控思考努力程度"机制，允许开发者根据任务需求动态调整推理强度。当需要高精度输出时，模型可投入更多计算资源；当侧重响应速度或成本控制时，则减少推理token消耗。测试数据显示，该模型在达到相近任务效果时，平均生成2.5万个token，较同类模型减少30%-40%的推理成本。后训练阶段采用的大规模异步强化学习技术，通过超过3000万次迭代优化，显著提升了模型在推理任务中的表现。
基准测试显示，Inkling在Artificial Analysis评测中取得41分，超越Nemotron 3 Ultra（38分）和Gemma 4 31B（29分），在美国开放权重模型中排名第一。在通用智能测试GDPval-AA v2中，该模型获得1238 Elo分，超过Kimi K2.6（1190分）和DeepSeek v4 Flash（1189分）。具体任务测试中，Inkling在银行业务代理测试Tau 3 Banking取得23.7%的成绩，接近DeepSeek v4 Pro的25.8%；在代码修复测试SWE-bench Pro Public中达到54.3%，终端操作测试Terminal Bench 2.1使用最佳Harness时达到63.8%。
实际应用测试中，Inkling展现了多模态任务处理能力。开发者基于该模型构建的书法教练应用，可同时调用编码、工具调用和视觉识别功能；在网页生成测试中，模型根据单一提示词创作出风格统一的三篇科幻短文；在软件开发测试中，仅通过需求描述便自动生成完整求职网站，并驱动浏览器Agent完成表单填写。更复杂的测试案例显示，该模型可经过40轮迭代优化，将简单的贪吃蛇游戏升级为包含实时服务器、AI对手和排行榜的完整系统。
Thinking Machines Lab同步推出轻量版Inkling-Small预览版，其激活参数为120亿，采用与标准版相同的训练方案，在降低模型规模的同时保留核心能力。公司表示，Inkling只是产品线的起点，未来将持续迭代拓展模型能力。目前，完整权重已在Hugging Face平台开放下载，开发者可获取原始checkpoint和NVFP4 checkpoint用于部署或二次开发。
