Inkling 面向开发者的开放权重多模态大模型，支持文本、图像、音频推理和微调。 热门评论 PH 用户大家好！Inkling 是 Thinking Machines 推出的第一个模型。它是一个 975B 的 MoE，拥有 41B 活跃参数、1M-token 上下文窗口，并且原生支持跨文本、图像和音频的推理。完整权重以 Apache 2.0 许可证开放。Thinking Machines 明确说明了 Inkling 的定位。他们直接表示，这不是目前最强的模型。它旨在成为一个广泛的基础，可以适配到特定的产品或工作流中。你可以控制它使用多少思考，在 @Tinker 上微调它，然后通过几个推理服务商部署生成的检查点。他们甚至让 Inkling 自己编写并运行微调任务，把它变成了一个避免字母“e”的模型。他们的赌注是：一个围绕你自己的工作定制的模型，可能比临时排行榜上稍高的分数更有用。PH 用户喜欢 Thinking Machines 把诚实的定位放在前面——“这不是目前最强的模型，而是一个你可以围绕自己工作来塑造的基础”。大多数开源权重的发布都会过分吹嘘基准分数，所以以可适配性为主导反而更容易让人接受。而且 Apache 2.0 协议下的 1M 上下文多模态 MoE 是一份真正的礼物。我一直纠结的问题是：“开放权重”和“实际可触碰”在 975B 这个规模上并不是一回事。现实地说，除了 Tinker，谁会去微调这么大尺寸的模型？我不禁怀疑，这种开放性在实践中到底有多大意义；或者说，可下载的权重主要是一种信任信号，而 Tinker 才是大多数人真正需要用来实际操作它的入口。PH 用户明确表示不是最强的模型、而是最佳可适配的基础，这种定位令人耳目一新——大多数实验室过分吹嘘原始基准分数。在总 975B 参数中有 41B 活跃参数，通过 Tinker 微调这个模型的人，实际需要的最低硬件门槛是多少？这是一个资金充足的初创公司用租来的算力就能搞定的事，还是真的需要实验室级别的基础设施？PH 用户LoRA 很好，但如果能支持全参数微调或 QLoRA 作为内置选项，对于在小型模型上工作而 LoRA 力不从心的人来说，这会实用得多。PH 用户终于有一个选项让我跳过了 GPU 设置的那些繁琐步骤，直接开始实际的微调。昨晚我跑了一个小的 LoRA 任务，它就这么成功了，说实话这让我很惊讶。PH 用户对我而言，让 Tinker 更有用的一个功能是内置支持在微调后立即评估模型，比如自动运行一个小型 benchmark 套件，这样你就可以看到 LoRA 是否真的有效，而无需单独搭建一个 eval 流水线。 热门产品Mira Murati2026-07-20原文 打开互动版
Inkling 是 Thinking Machines 推出的第一个模型。
它是一个 975B 的 MoE，拥有 41B 活跃参数、1M-token 上下文窗口，并且原生支持跨文本、图像和音频的推理。完整权重以 Apache 2.0 许可证开放。
Thinking Machines 明确说明了 Inkling 的定位。他们直接表示，这不是目前最强的模型。它旨在成为一个广泛的基础，可以适配到特定的产品或工作流中。
你可以控制它使用多少思考，在 @Tinker 上微调它，然后通过几个推理服务商部署生成的检查点。
他们甚至让 Inkling 自己编写并运行微调任务，把它变成了一个避免字母“e”的模型。
他们的赌注是：一个围绕你自己的工作定制的模型，可能比临时排行榜上稍高的分数更有用。
我一直纠结的问题是：“开放权重”和“实际可触碰”在 975B 这个规模上并不是一回事。现实地说，除了 Tinker，谁会去微调这么大尺寸的模型？我不禁怀疑，这种开放性在实践中到底有多大意义；或者说，可下载的权重主要是一种信任信号，而 Tinker 才是大多数人真正需要用来实际操作它的入口。