Thinking Machines 发布 Inkling 2 Small，同步寻求 50 亿美元新融资

11 月 5 日，由 OpenAI 前 CTO Mira Murati 创办的 Thinking Machines Lab（下称 TML）一口气放出了两条消息。

一条是新一代模型 Inkling 2 Small 正式登场。第三方评测机构 Artificial Analysis（AA）给出的判断不低：等权重开放之后，它会是「中国以外得分最高的开放权重模型」。另一条则是融资——据报这家公司正以 400 亿美元的投前估值，募集 50 亿美元新资金。

TML 于 2025 年 2 月公开亮相，到现在已经过去一年半还多。这期间它拿到过 a16z 领投的 20 亿美元种子轮；也经历过人事震荡——联合创始人 Andrew Tulloch 转投 Meta，联合创始人 Barret Zoph、Luke Metz 等人在今年 1 月回到 OpenAI，此后 CTO 一职由 PyTorch 联合创始人 Soumith Chintala 接手。

今年 1 月另有报道称，该公司以约 500 亿美元估值融资的谈判已经停滞。新一笔融资能否落地，很大程度上取决于二代模型的表现。

翻看 Inkling 2 Small 的技术博客，跑分表、架构图之外，最耐人寻味的其实是交代训练数据来源的那一行字：预训练后半程所用数据，大部分采样自更早的模型，其中直接点了月之暗面的名，把列了出来。Kimi K3。

01、594B 的「Small」，强在哪

在大模型行业里，「Small」这个标签正被越撑越大。

TML 今年 7 月推出的初代开放权重模型 Inkling 总参数为 975B，两周后出现的 Inkling Small 是 276B。到了第二代，Inkling 2 Small 的总参数涨了一倍多，来到 594B，每次推理激活 17B。架构是 MoE，上下文支持 100 万，思考力度可调，能读图；不过初代 Inkling 有的音频输入，这一代没有了。

训练流程下料很重。预训练第一阶段，团队在英伟达 GB300 NVL72 机架上跑了 68 小时，以原生 NVFP4（4 比特浮点）精度吃进 8.4 万亿 token；第二阶段再灌 3.8 万亿 token 的高质量新数据；最后两个阶段合计约 3540 亿 token 的推理与智能体轨迹收尾，上下文拉到 100 万。紧接着是 9 天的联合强化学习：2048 块 GPU，超过 1700 万次 rollout，单次 rollout 中位耗时 8 分钟，长的能跑到 4 个小时。

这些长链路训练，对应的是官方口中这一代最大的提升——长程自主工作。演示中，它用 Three.js 从零写出一款城市经营游戏，建筑、纹理、车辆全部程序生成，还得管电力、预算和突发事件；用 Python 从零写出一台能启动真实 Linux 内核的电脑模拟器；一张平面户型图也能被它变成可以走动的 3D 漫游。

用 Three.js 从零生成的城市经营游戏｜图片来源：Thinking Machines

训练过程也出过险情。强化学习跑到一半，监控发现模型通过搜索工具接触到的第三方服务，绕开了团队设置的网络封锁。团队只能暂停训练，拆掉联网环境、给工具调用加上同步监控，然后才继续。官方还承认，早期版本碰上太难的任务会「执着于成功」，出现编造结果、无视指令乃至掩盖行为。到发布版，内部「不当行为」得分从上一代的 66.8 降到 14.9（越低越好），但跟闭源模型比仍有差距。

跑分方面，它最长的板是知识工作和长流程商业任务。在考察表格、演示文稿和备忘录的 AA-Briefcase 上，它拿到 1527 的 Elo 分，上一代 Small 只有 912，Claude Sonnet 5.5 (medium) 是 1439，Gemini 3.8 Flash (high) 是 1203。官方对比表里，JobBench（70.5%）、Vals 法律指数（73.9%）、金融指数（61.5%）和 HLE-Diamond（28.7%）四项它都是最高分。

编程上就没法全面领先了。FrontierCode v2.0 和 DeepSWE v1.1 上，它压过了KimiK3 和 GLM-5.3-Flash，却输给DeepSeek-V4.1-Flash（25.4% 对 28.5%，72.1% 对 77.0%）；SWEBench Pro v2 (Hard) 上则不敌KimiK3。跟闭源模型比，命令行任务 Terminal-Bench 4.0 上它只有 13%，Sonnet 5.5 是 30%。

代价体现在 token 消耗上。AA 的测试里，它每完成一个任务平均要输出约 15 万 token，上一代是 3.7 万，Sonnet 5.5 是 3.1 万。好在定价够低：每百万 token 输入 0.30 美元、输出 1.00 美元，单个任务成本 1.18 美元，Gemini 3.8 Flash 要 7.77 美元，Sonnet 5.5 要 10.02 美元。

幻觉率的下降则有点取巧。AA-Omniscience 上，它的幻觉率从 61% 降到 27%，可答题率也从 77% 掉到 53%，准确率只从 32% 升到 34%——降幻觉主要靠不会就不答。官方同样承认，它的聊天体验优化偏弱，内容组织不佳，还爱用斜杠。

02、为 Tinker 造一把锤子

一个聊天粗糙、却在写代码和做表格上格外卖力的模型，做出来图什么？答案落在 TML 眼下最核心的产品 Tinker 上。

Tinker 是 2025 年 10 月上线的云端微调 API。对 TML 而言，开源模型更像 Tinker 的招牌：模型免费放出，企业客户到平台上付费微调和推理。

强化学习的任务配比，直接反映了这种取向。编程按token算占了65.0%，办公与知识工作13.3%，STEM推理7.6%，网页与应用构建7.2%，这四项加起来超过93%。反倒是跟日常聊天最沾边的「对话、安全与认知」，按token只占0.2%。

评分器的设计同样围绕生产力任务展开。编程部分用隐藏单元测试来判分，有些任务还额外挂了一个「智能体评分器」，不光看测试过没过，还要看模型解题的路子；文档和工具调用由模型评委按评分细则打分；网页应用则是把渲染出来的截图两两对比，让奖励模型判断哪个更优。上线之前，早期版本曾以「Fledge-Alpha」的代号在编程工具 OpenCode 上匿名跑过，测的是真实场景下的编程表现。

Inkling 2 Small 在 Blender 里根据反馈反复迭代出的纸艺动画｜图片来源：Thinking Machines

官方反复主打的卖点是「适合微调」：数据和算法不变，新模型学得更快，提升也更大。拿一个财报摘要任务来说，它只训了75步，就追上了初代 Small 训完全程的成绩。

博客里还讲了一个套娃式的例子：TML 拨给 Inkling 2 Small 500 美元预算，让它在 Tinker 上自己训一个 Qwen3.5-4B 来做时间序列预测。评测自己写，SFT 和强化学习自己做，4小时17分钟后花掉426美元，小模型的得分从0.191升到0.289。

按官方的说法，Inkling 2 Small 只是「一组模型梯子中的一级」，更多尺寸很快会推出。先用中等尺寸的模型验证可微调性和长程干活的能力，把开发者引到 Tinker 上，这门生意才转得起来。

03、被「蒸馏」的中国模型

回到那行字。官方原话是：「H3 和 H4 的数据大部分是从更早的模型（包括KimiK3 和我们自己的模型）采样得到的轨迹，并按正确性和对齐做了过滤。」

H3 包含约3200亿token的推理和智能体轨迹（另有回放的预训练数据），H4 则是约340亿token的最高质量智能体轨迹。跟前两阶段合计12.2万亿token相比，这部分体量不算大，但位置关键：模型就是在这里学会长上下文推理、学会像智能体一样干活，之后才进入强化学习。

官方没有公布KimiK3 在其中的占比，所以不能说 Inkling 2 Small 是「靠蒸馏Kimi做出来的」。能确定的是，在这份配方里，KimiK3 是唯一被点名的外部模型。

从一张平面户型图生成的3D漫游，右上角是行走路线｜图片来源：Thinking Machines

为什么偏偏这两个阶段要用别人的轨迹？智能体轨迹本身就是很难攒的数据。模型得真的在环境里调用工具、读报错、改代码、再验证，一条完整轨迹动辄几万token，靠人工标注几乎没法大规模生产。最省事的办法，就是找一个在编程和智能体任务上已经够强的模型，让它跑大量任务，把做对了的过程留下来。在 TML 自己的对比表里，KimiK3 在 SWEBench Pro v2 (Hard) 和长上下文测试上都排在 Inkling 2 Small 前面，拿它当老师，顺理成章。

这一幕放在今年的语境里有些微妙。2月，Anthropic 指控DeepSeek、月之暗面和MiniMax这家公司拿约2.4万个假账号跟 Claude 聊了1600多万轮，把它的能力蒸馏出来。11月，硅谷一家明星企业在博客中写明，自己采集了月之暗面模型的轨迹。

两件事的性质要分开看。用假账号刷闭源模型的 API，违反的是服务条款；KimiK3 属于开放权重模型权重可以公开下载，放到自家集群上部署并采样输出，这在开源圈子里是很常见的做法。至于这么做是否完全符合Kimi许可证条款，TML 并未交代，此处不做判断。

蒸馏这件事本身也早就是业内标配。TML 上一代模型就靠「多教师蒸馏」，把不同阶段的强化学习结果并到一起。到了这一代，把外部最称手的开源模型接入数据管线，再用过滤器过一遍，是很务实的工程取舍。

真正发生变化的是它在生态里的位置。此前两年，开源社区普遍拿 Llama、Mistral 的权重做微调，或者用闭源大厂的输出喂养小模型。如今局面不同了，Kimi像 K3 这样的中国开放权重模型，已经变成硅谷团队训练下一代模型的数据来源；TML 演示中用来训练的底座，正是阿里的 Qwen。

04、美国开源模型追上来了吗

即便用上了 Kimi就 K3 的轨迹来看，Inkling 2 Small 距离登顶开源榜首还有一段路。

在 AA 最新的开放权重榜（v5.0.1）上，它拿到 31 分，把欧美对手甩在了后面：离得最近的 Mistral Large 4 为 26 分，Meta 的 Muse Spark Open 是 25 分。AA 那个「中国以外最高」的说法就是这么来的。

把这个限定语拿掉之后，前三名清一色是中国模型：KimiK3.1 Pro 以 46 分大幅领先，DeepSeekV4.1 Flash 为 33 分，GLM-5.3 是 32 分。Inkling 2 Small 大概排在第四的位置，后面还跟着 30 分的小米 MiMo-V2.6-Pro。它赶上的是中国的 Flash 级模型，距离Kimi的旗舰还差 15 分。

再说，它眼下还算不上真正意义上的开放权重模型。按照 TML 7 月敲定的「安全开放」路线，模型先以闭源形式在 Tinker 上线，等外部安全测试完成后再放出权重。官方称「计划下周以 Apache 2.0 许可放出」，AA 却把发布日期标为「未确认」。这张承诺能不能兑现，下周就能看到结果。

开源模型的竞争，正在演变成一种「谁的输出被谁拿去用」的循环。TML 用一篇直白的技术博客，把这件事摊开说了。

只是不清楚，等 Murati 团队沿着「模型梯子」继续往上走、推出更大的 Inkling 2 时，训练日志里还会不会出现Kimi 的名字？