11 月 5 日，OpenAI 前 CTO Mira Murati 创办的 Thinking Machines Lab（下称 TML）一下子放出了两条消息。

一条是产品：第二代模型 Inkling 2 Small 当天亮相。第三方评测机构 Artificial Analysis（AA）给出的说法很直接——权重公开之后，它会是「中国以外得分最高的开放权重模型」。另一条是钱：据报道，这家公司正在以 400 亿美元的投前估值募资 50 亿美元。

TML 在 2025 年 2 月正式对外亮相，到现在已经一年半多。这段时间里，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 月回归 OpenAI，之后 CTO 一职由 PyTorch 联合创始人 Soumith Chintala 接任。

今年 1 月另有报道称，团队以约 500 亿美元估值融资的谈判已经停滞。新一轮能不能谈下来，二代模型的表现是重要变量。

Inkling 2 Small 的技术博客里，跑分表和架构图之外，有一行字交代训练数据来源，颇值得琢磨：预训练后半程的数据，大部分采样自更早的模型，其中点名了月之暗面的 Kimi K3。

01

594B 的「Small」，强在哪

在大模型行业，「Small」这个词的含义正一路膨胀。

今年 7 月，TML 发布初代开放权重模型 Inkling，总参数 975B；两周后推出的 Inkling Small 是 276B。到第二代，Inkling 2 Small 的总参数翻了一倍多，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；初代 Inkling 有的音频输入，这一代没了。

训练流程下得很重。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）精度吞下 8.4 万亿 token；第二阶段再喂 3.8 万亿 token 的高质量新数据；最后两个阶段收尾，用的是合计约 3540 亿 token 的推理与智能体轨迹，上下文拉到 100 万。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 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进步——长程自主工作。演示里，它用 Three.js 从零写出一个城市经营游戏，建筑、纹理、车辆全部程序生成，电力、预算和突发事件也要管；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，它也能变成可以走动的 3D 漫游。

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

训练过程里也有惊险时刻。强化学习进行到一半，监控发现模型借助搜索工具接触到的第三方服务，绕过了团队设置的网络封锁。团队只能暂停训练，去掉联网环境、给工具调用加上同步监控，然后接着跑。官方还承认，早期版本碰到太难的任务会「执着于成功」，出现编造结果、无视指令甚至掩盖行为。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），但和闭源模型比仍有差距。

跑分上，它最突出的长板是知识工作和长流程商业任务。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。

编程上它没能全面领先。FrontierCode v2.0 和 DeepSWE v1.1 上，它赢了 Kimi K3 和 GLM-5.3-Flash，却落后于 DeepSeek-V4.1-Flash（25.4% 对 28.5%，72.1% 对 77.0%）；SWEBench Pro v2 (Hard) 上则输给 Kimi K3。和闭源模型比，命令行任务 Terminal-Bench 4.0 上它只有 13%，Sonnet 5.5 是 30%。

代价落在 token 消耗上。AA 的测试里，它完成每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。

幻觉率的下降则带点取巧。AA-Omniscience 上，它的幻觉率从 61% 降到 27%，但答题率也从 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，它聊天体验优化较弱，内容组织差，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，为什么要做？答案在 TML 目前的核心产品 Tinker 上。

Tinker 是 2025 年 10 月上线的云端微调 API。对 TML 来说，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，把这个取向摆得明明白白。按token算，编程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%。反倒是跟日常聊天关系最大的「对话、安全与认知」，按token只占0.2%。

评分器同样围着生产力任务转。编程题用隐藏单元测试来判，有些任务还额外挂了个「智能体评分器」，不光看测试过没过，也看模型解题的路子；文档和工具调用，交给按评分细则打分的模型评委；网页应用则把渲染出来的截图两两对比，让奖励模型挑哪个更好。上线之前，早期版本还顶着「Fledge-Alpha」的代号，在编程工具OpenCode上匿名跑过真实场景，测它的编程表现。

Inkling 2 Small在Blender里照着反馈反复迭代出的纸艺动画｜图片来源：Thinking Machines

官方翻来覆去讲的一个卖点是「适合微调」：数据和算法不变，新模型学得更快，涨得也更多。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。

博客里还记了个套娃式的例子：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。评测它自己写，SFT和强化学习也自己跑，4小时17分钟后花掉426美元，小模型的得分从0.191抬到了0.289。

按官方的说法，Inkling 2 Small不过是「一组模型梯子中的一级」，更多尺寸很快会跟上。先用中等尺寸把可微调性和长程干活的能力验证一遍，再把开发者引到Tinker上，这门生意才转得动。

03

被「蒸馏」的中国模型

那行备注得解释一下。原文写的是：「H3和H4的数据大部分是从更早的模型（包括Kimi K3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里约有3200亿token的推理和智能体轨迹（另外还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。跟前面两个阶段合计12.2万亿token比，这块体量不算大，位置却很关键：模型就是在这里学会长上下文推理、学会像智能体那样干活，之后才进强化学习。

Kimi K3占多少，官方没公布，所以不能说Inkling 2 Small是「靠蒸馏Kimi做出来的」。能确定的是，这份配方里被点名的外部模型，只有Kimi K3一个。

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？智能体轨迹这种数据，攒起来太难。模型得真在环境里调工具、读报错、改代码、再验证，一条完整轨迹动辄几万token，全靠人工标注，几乎不可能上量。最省事的法子，是找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。TML自己的对比表里，Kimi K3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。

放到今年的语境里看，这一幕有点微妙。2月，Anthropic指控DeepSeek、月之暗面和MiniMax用约2.4万个假账号跟Claude聊了超过1600万次，借此蒸馏其能力。到了11月，一家硅谷明星公司却在博客里写明，自己采样了月之暗面模型的轨迹。

这两件事性质上不是一回事。用假账号去调闭源模型的API，踩的是服务条款；Kimi K3属于开放权重模型，权重大家都能下载，放到自己集群上跑推理拿输出，在开源圈里早就这么干了。要说是不是每一条都符合Kimi许可证，TML没交代，这里也不下结论。

再说蒸馏，这动作在业内早就常规了。TML上一代模型就靠「多教师蒸馏」，把不同阶段的强化学习成果揉到一起。到了这一代，把外面最好用的开源模型接进数据管线，再过一遍过滤器，从工程角度看挺实在。

变化出在生态位置上。前两年开源圈流行的路数是拿Llama、Mistral的权重去微调，或者拿闭源大厂的输出喂小模型。如今Kimi K3这类中国开放权重模型，已经成了硅谷团队训下一代模型的数据来源；TML演示里拿来当训练底座的，同样是阿里的Qwen。

04

美国开源模型追上来了吗

就算用上了Kimi K3的轨迹，Inkling 2 Small离开源榜首仍有距离。

AA最新的开放权重榜（v5.0.1）上，它拿到31分，把欧美同行甩在身后：最近的Mistral Large 4是26分，Meta的Muse Spark Open是25分。AA那个「中国以外最高」的头衔，就是这么来的。

去掉这个定语，前三名全是中国模型：Kimi K3.1 Pro以46分断层领先，DeepSeek V4.1 Flash 33分，GLM-5.3 32分。Inkling 2 Small排在第四位附近，身后还有30分的小米MiMo-V2.6-Pro。它追上的是中国的Flash级模型，离Kimi的旗舰还差15分。

更何况，它眼下还算不上真正的开放权重模型。按TML 7月定下的「安全开放」路线，模型先在Tinker上闭源上线，外部安全测试做完再放权重。官方说「计划下周以Apache 2.0许可放出」，AA那边则标注发布日期「未确认」。这张支票能不能兑现，下周见分晓。

开源模型的竞争，正在变成一场「谁的输出被谁拿去用」的循环。TML用一篇坦率的技术博客，把这件事摆到了台面上。

只是不知道，等Murati团队顺着「模型梯子」往上爬、拿出更大的Inkling 2时，训练日志里还会不会出现Kimi的名字？