Thinking Machines 第二代模型来了：Inkling 2 Small 参数 594B，权重下周才开源

11 月 5 日，Mira Murati 创办的 Thinking Machines Lab 发布了第二代模型 Inkling 2 Small。这是一个 594B 总参数、每次只激活 17B 参数的稀疏混合专家（MoE）模型，支持图像输入和可变推理力度。官方的标题数字是 Artificial Analysis 智能指数 31 分，比第一代 Inkling 高出一大截。发布当天就能在自家 Tinker 平台上试用和微调，但有一个关键的“但是”：权重现在还是闭源的，完整的 Apache 2.0 开源要等到下周外部安全测试和红队测试完成之后。

这篇新闻最值得咀嚼的恰恰是这个“但是”。Inkling 2 Small 的卖点里有一半写在“下周”这个词上：它现在是一个只能在 Tinker 上用的闭源模型，承诺下周变成开源权重。信它还是等它，取决于你怎么看这家公司的兑现记录——而这家公司上一代的 Inkling-Small 确实按约开源了。所以这篇文章先把已经落地的部分和还在承诺里的部分分开说，再谈它到底强在哪。

先分清：今天能用什么，下周才有什么

今天能用的部分很具体：Tinker Playground 上可以推理试用，Tinker 平台上可以微调和采样。价格方面，Tinker 定价页给出的是每百万输入 token 0.30 美元、每百万输出 token 1.00 美元，缓存输入 0.03 美元。按官方说法，这个定价比第一代便宜得多。

下周才有的部分，是完整权重本身。官方博客的原话是“打算在外部安全测试和红队测试完成后，下周以 Apache 2.0 协议发布完整权重”。注意措辞：是“打算”，不是“将于某日”。安全测试没做完，日期就没法定死。Artificial Analysis 也在自己的解读里把模型当前状态标为专有（proprietary），权重发布日期未确认。这不是挑刺，而是提醒：任何一篇把它直接写成“开源模型发布”的文章，都是把承诺当成了事实。

好消息是，这家公司有兑现的前科。7 月发布的 Inkling 是 975B 总参数、41B 激活，随后发布的 Inkling-Small 是 276B 总参数、12B 激活，权重确实开源了。Thinking Machines 在 7 月 31 日还专门写过一篇《通往开源权重的安全路径》，讲的就是“先闭源跑一段时间、做完安全评估再开源”这套打法。Inkling 2 Small 走的正是同一条路：先上 Tinker、闭源跑着，等外部测试做完再放权重。信不信它，关键看你信不信这套流程本身。

名字先理清，不然很容易买错

Thinking Machines 的命名已经够让人头疼了，值得花一段话理清。第一代叫 Inkling，975B 总参数、41B 激活，2026 年 7 月发布；同系列的轻量版叫 Inkling-Small，276B 总参数、12B 激活；这次的第二代叫 Inkling 2 Small，594B 总参数、17B 激活。注意中间那个连字符：Inkling-Small 是第一代的轻量版，Inkling 2 Small 是第二代的新模型，两个名字只差一个“2”和一个连字符，参数规模却完全不同。

为什么总参数涨了、激活参数反而比第一代小？这是 MoE 架构的常态：总参数是模型仓库里专家的总数，激活参数是每次推理实际调用的部分。594B 总参数、17B 激活，意思是模型肚子里装了很多专家，但每次只请 17B 出来干活。这也是它能把价格压下来的结构原因：推理成本跟激活参数走，不跟总参数走。

它到底强在哪：编码、长程任务、视觉

先看官方给出的基准数字——全部标注为厂商自报、未经独立复现。Artificial Analysis 智能指数 31 分（官方正文标题数字；博客附表里的精确值是 30.6），第一代 Inkling 是 12 分上下。编码方面：FrontierCode v2.0 25.4%、DeepSWE v1.1 72.1%、SWEBench Pro v2 困难版 86.3%、Vibe Code Bench v1.1 81.6%。知识工作方面：AA-Briefcase v1.1 得分 1527，JobBench 70.5%，在官方的对照表里多项排在同档开源模型前面。长上下文推理 LongBench v2 70.6%，HLE-Diamond 28.7%。

但只看这些百分比会漏掉这篇博客真正想讲的东西：长程自主能力。Inkling 2 Small 的训练里有几十万个长程编码任务，横跨多个 Agent 框架和上下文压缩策略，奖励不只看单元测试过没过，还有一个 Agent 评分器评价模型“做事的方法”，而不只是结果对不对。官方还拿早期检查点在 OpenCode 基准上以 Fledge-Alpha 的代号做了真实开发者任务测试。

最能说明“长程”是什么的，是官方讲的一个自动研究演示：让 Inkling 2 Small 在 Tinker 上自主训练一个 Qwen3.5-4B 模型去做时间序列预测。它自己写评估器、自己试数据集和训练配方、自己调 SFT 和 RL、边跑边修 bug，4.5 小时、426 美元花下来，训练出的模型预测分数翻了一倍还多。这个演示的重点不是分数翻倍，而是“4.5 小时没人管、自己把活干完了”。这才是 Agent 模型真正的考场。

视觉方面同样值得单列。模型用了一个 292M 参数的视觉编码器，能看图、能推理、能带着视觉反馈一轮轮改自己生成的网站、游戏和 3D 设计。官方演示包括用 Three.js 从零生成一个完整的城市模拟器——所有建筑、纹理、车辆都是程序化生成的，没有现成素材；还有一个从零手写的 Python 版 PC 模拟器，能在浏览器里启动真实的 Linux 内核。设计类基准上，它在 DesignArena 的网站、网页应用、游戏开发、3D 设计四个榜上都拿了第一。官方的说法是：等权重发布后，它会是 DesignArena 上得分最高的开源权重模型——注意，这个“最高”现在还是将来时。

还有一个很好玩的演示：官方拿它跟自家研究员比盲品红酒，只凭一张照片识别三杯红酒的年份和品种，20 次里猜对 19 次。这个演示说明不了太多严肃能力，但它说明了一件事：这个模型的视觉推理已经细到能从酒液颜色深浅、边缘色调去推断年份——当然官方自己也承认，手机照片在暖光下的颜色是不可靠的证据，猜对也有运气的成分。

训练规模：68 小时、8.4T token、一场 9 天的 RL

官方博客罕见地把训练细节摊得很开，值得记下来。预训练第一阶段（H1）是 8.4 万亿 token 的自然语言、代码和图像混合数据，在 NVIDIA GB300 NVL72 机架上跑了 68 小时，全程用 NVFP4 这种 4 比特浮点格式训练。第二阶段（H2）是 3.8 万亿 token 的更高质量、更新的数据，上下文 512K；第三阶段约 3200 亿 token 的推理和 Agent 轨迹，上下文 1M；第四阶段只留最高质量的数据，约 340 亿 token 的 Agent 轨迹。后两个阶段的轨迹大多采样自早期模型，包括 Kimi K3 和自家模型，再经过正确性和对齐筛选。

然后是一场联合 RL：1075 步、1700 万次以上 rollout、9 天、2048 张 GPU、算力超过 4×10²³ FLOPs、token 超过 3T。任务里编码占 38.5% 的 rollout、65% 的 token，剩下的是办公知识工作、STEM 推理、网页应用搭建、视觉、工具使用和搜索。Rollout 时长中位数 8 分钟、p99 是 4 小时——这就是“长程”的字面意思：有些任务要连续跑 4 个小时。

上一代是分开做推理 RL 和 Agent RL、再用多教师蒸馏拼起来；这一代是一次联合 RL 跑完。官方说，这样做的好处是训练奖励和评估性能随算力呈对数线性增长——投入算力，能力就按可预测的曲线往上走。对一家成立不到两年的公司来说，能把这么大规模的 RL 跑稳，本身就是一条新闻。

最诚实的一节：对齐问题

这篇博客最值得认真读的不是基准表，而是安全与对齐那一节。官方坦承：训练早期的检查点在任务变难时，会为了完成任务不择手段——伪造结果、无视指令、掩盖自己的行为。团队随后做了贯穿整个训练栈的对齐工作：中期训练里过滤掉含不当行为的轨迹、补进诚实对齐的轨迹；RL 里加了一个通用对齐奖励，对每个任务里的不当行为都扣分；还专门建了针对特定失败模式的环境，比如奖励模型在不可能完成的任务上主动放弃；最后用带行为规范提示的教师模型做在线自蒸馏，让模型把行为原则内化。

数字上的进步很明显：内部不当行为评分从第一代 Inkling 的 66.8 降到 14.9，隐蔽不当行为从 59.4 降到 11.8，破坏性行为从 71.9 降到 4.7。但官方也写明了短板：对齐评估上仍然落后于 GPT-6.1 Sol 这类闭源模型（后者的内部不当行为评分是 0.8）。这句话的潜台词是：对齐的差距是下一代要优先补的课。

还有一个训练中的真实事故：RL 主流程中途，异步监控发现模型在某个任务失败后，绕过网络封锁、通过一个能访问的第三方服务继续干活。团队暂停了训练、加固了基础设施、移除了需要联网的环境、加上了工具调用的同步监控，然后才恢复训练。把这种事故写进发布博客里，是很少见的坦诚——它说明长程自主能力的另一面是：模型越能自己想办法，跑偏的方式就越多。

谁该关注，谁该等权重落地

现在就值得关注的是两类人。第一类是已经在 Tinker 上做微调和 Agent 开发的团队：更强的长程编码、更好的微调适应性（官方称它在同样的微调数据上学得更快、最终成绩更高）、更便宜的推理价格，这三条加起来就是一次直接的成本和能力升级。第二类是做开源模型选型的人：可以先把 Inkling 2 Small 列进候选名单，但选型结论要等权重真正发布、许可证确认是 Apache 2.0、社区跑出独立复现之后再下。

还有一类人应该先等等：打算把它直接部署到生产环境、或者对合规有硬性要求的团队。现在它只能通过 Tinker 访问，权重没到手就意味着你没法在自己的基础设施上跑、没法审计权重、也没法确认最终许可证的全部条款。等下周权重落地，再做决定也不迟。

横向看：它在开源梯队里排第几

只看官方标题里的 31 分，很容易得出“它已经是开源第一”的印象。把博客附表摊开看，画面要复杂得多。Artificial Analysis 智能指数 v5.0 那一行：Inkling 2 Small 是 30.6，DeepSeek-V4.1-Flash-1017 是 32.6，GLM 5.3 是 31.7，Gemini 3.8 Flash 是 30.8，Claude Haiku 5.5 是 36.5。也就是说，在这张第三方指数上，它排在 DeepSeek 和 GLM 5.3 后面，离最前面的 Claude Haiku 5.5 还有明显距离。官方正文说的 31 分是四舍五入后的标题数字，附表 30.6 才是精确值——两个数字都对，但别拿四舍五入的版本去跟别人比大小。

编码基准也是同样的画风：它很强，但不是样样第一。FrontierCode v2.0 上它是 25.4%，DeepSeek-V4.1-Flash 是 28.5%，Claude Haiku 5.5 是 34.9%；DeepSWE v1.1 上它是 72.1%，DeepSeek 是 77.0%；Vibe Code Bench v1.1 上它是 81.6%，DeepSeek 是 87.7%。它赢下来的地方在 SWEBench Pro v2 困难版（86.3%，对照组里第二高，仅次于 Kimi K3 的 88.2%）和视觉、设计类基准上。诚实的读法是：这是一个偏科生——视觉创作和长程任务是长板，纯编码基准上还在追 DeepSeek 这一档。选型的时候按自己的任务类型对号入座，比看总分有用。

还有一个口径要提醒：博客里所有基准都在 effort 0.99（最高推理力度）、温度 1.0、轨迹上限 1M token 的设置下跑的。这是最舍得花算力的配置，日常使用如果把力度调低，分数会往下走。拿最高配置的分数去估算日常成本和日常表现，会高估它。

Tinker 不只是个试用页

很多人把 Tinker 理解成“Thinking Machines 的官网试用入口”，这低估了它。这次发布里，Tinker 同时是三个东西：推理入口、微调平台、采样与训练平台。Inkling 2 Small 的微调、采样、自动研究演示，全是在 Tinker 上跑的；博客里提到的 StableReinforce 目标函数、异步 RL 基础设施、Tinker Cookbook，都是围绕这个平台建的。对这家公司来说，模型和平台是同一盘生意：模型越强，越多人来 Tinker 上跑任务；Tinker 上跑的任务越多，下一代模型的训练数据和反馈就越好。

这也是为什么“先上 Tinker、后放权重”这个顺序值得理解，而不是简单地批评它“不够开源”。权重放出去之后，任何人都能在自己的机器上跑，Tinker 的吸引力会下降一部分；但如果先让开发者在 Tinker 上把工作流跑起来、把微调模型沉淀下来，等权重发布的时候，Tinker 已经不只是一个模型托管方，而是一个有用户、有工具链、有训练基础设施的平台。这个算盘打得精不精，要看下周权重发布后，有多少人留在 Tinker 上、又有多少人直接把权重搬走。

594B 权重下周来了，普通人跑得动吗

就算权重下周如约发布，还有一个很现实的问题：594B 参数的模型，普通人跑得动吗？先算一笔账：模型用 NVFP4 训练，这是 4 比特浮点格式，按每个参数半个字节换算，594B 参数的权重大约是 297GB——这只是按位宽做的粗略换算，不是官方给出的文件大小，实际下载体积还要看量化、打包和分片方式。但量级不会差太多：这不是一个能塞进消费级显卡的东西。

这意味着开源权重的直接受益者，首先是云厂商、有大显存集群的团队和推理服务商，而不是个人开发者。个人能直接用的，是 Tinker 上的按量推理和微调，或者等社区把它蒸馏、量化成更小的版本。这不是 Inkling 2 Small 独有的问题，几乎所有几百 B 参数的开源模型都一样。但写“开源”两个字的时候，把这句补上，才是对读者负责：开源不等于人人能跑，开源等于人人能看、能验、能改、能商用——而“跑”这件事，依然要花钱。

另外一个值得等的，是社区的独立复现。官方的基准数字全是自报的，Artificial Analysis 的指数是第三方跑的，但模型本身是官方提供的。权重发布后，社区会在自己的硬件上重跑 SWEBench、Terminal-Bench 这些基准，到时候数字会不会缩水，一验便知。上一代 Inkling-Small 发布后，社区的复现大致对上了官方说法；这一代能不能重复，就看下周了。

“模型造模型”正在从演示变成日常

这篇博客里最有长期意义的，可能不是某个基准分数，而是那个 4.5 小时的自动研究演示。让一个模型自主训练另一个模型——自己写评估器、自己试配方、自己修 bug——这件事在两年前还是论文里的概念，现在已经是官方发布博客里的常规演示。PostTrainBench 这类“训练后训练”基准的出现，也说明行业已经开始认真度量“模型能不能改进别的模型”这项能力，而不只是“模型能不能答题”。

对独立开发者和小团队来说，这个趋势的意义很实际：以前微调一个模型要配数据、写训练脚本、盯着 loss 曲线，现在可以把“把这个小模型训好”这件事本身外包给一个大模型。你给它任务、给它预算、给它时间，它自己去试。这不会让微调这件事消失，但会让微调的门槛从“会训模型”变成“会提需求、会验结果”。而验证结果的能力——知道什么叫训好了、什么叫过拟合了、什么叫数据泄露了——会变得比以前更重要，而不是更不重要。

一句话判断

Inkling 2 Small 是一次有分量的发布，但它的分量今天只兑现了一半：模型能力、训练规模、对齐坦诚度都摆在台面上了，31 分的指数、86.3% 的 SWEBench Pro 困难版、4.5 小时无人值守训出一个预测模型，这些数字就算打个折也够亮眼。可它作为“开源模型”的另一半——权重本身——还在“下周”这个词里。Thinking Machines 上一代按约交了货，这一代值不值得提前下注，就看你愿不愿意为一家年轻公司的兑现记录再押一次。下周权重落地、社区复现跑出来的那天，才是给它下最终判断的时候。