Thinking Machines推Inkling 2 Small：定制训练开放，估值冲2600亿

孙小雯写稿，程茜做的编辑。

11月6日，米拉·穆拉蒂旗下的美国AI创业公司Thinking Machines Lab推出一款通用多模态模型，取名Inkling 2 Small，权重定在下周放开。按这家公司的说法，该模型把力气主要花在定制训练上——开发者能拿自己的数据接着训，也能自己调工具去微调别的模型。米拉·穆拉蒂此前担任OpenAI首席技术官。

▲Thinking Machines官方公告（图源：X）

第三方评测机构Artificial Analysis（AA）的智能指数给了它31分，上一代Inkling-Small只有13分。照眼下这份榜单，等新模型把权重放出来，它就会排在中国以外开放权重模型的第一位。

▲AA表示，以当前排名看，Inkling 2 Small开放权重后，会成为中国以外研发的开放权重模型中智能指数最高的一款（图源：Artificial Analysis）

据Thinking Machines Lab介绍，Inkling 2 Small打头阵，属于第二代模型系列。架构走的是混合专家（MoE）路线：总参数5940亿，每个Token激活170亿，能读文字和图像、只输出文字，思考投入的深浅可以调。预训练环节做了改进，又上了统一强化学习，模型在智能体编程、视觉、知识工作、推理这几类任务上的表现因此往上走，长时间自主执行任务则是重点支持的方向。

定制训练这块，该公司照着客户需求试了多种后训练场景。拿公开财报电话会议数据搭出来的投资分析任务就是一例：Inkling 2 Small做强化学习微调，75步就追上前代Inkling-Small训练200步后的水平，最后的总成绩也压过前代。

▲投资分析任务中，各模型的表现随训练步数和估算训练费用的变化（图源：Thinking Machines Lab）

训练和调试的活，新模型同样干得了。官方案例里，Inkling 2 Small自己写评测、备数据、比对训练方案、改错，用4小时17分钟、426美元（约合人民币2861元）把Qwen3.5-4B微调完。该公司称，训完的Qwen3.5-4B在未见数据上的预测误差，比基座低了约15%。

▲Inkling 2 Small微调Qwen3.5-4B的过程截图，显示运行至1小时39分钟时的第二次监督微调方案测试结果（图源：Thinking Machines Lab）

Thinking Machines Lab在2025年2月对外亮相，做的是给开发者提供可定制模型和后训练工具。开发者用该公司的模型后训练平台Tinker，拿自己的数据和评价标准训模型，底层分布式训练设施不用自己管。

公司联合创始人、CEO米拉·穆拉蒂在OpenAI干了逾6年，职务是首席技术官。那段时间她管研究、产品与安全，ChatGPT、GPT-4、DALL·E等项目的开发与发布都由她领导。

▲Thinking Machines Lab联合创始人、CEO米拉·穆拉蒂（图源：达特茅斯学院）

Business Insider今日报道，该公司正谈一轮50亿美元融资（约合人民币336亿元），由Accel领投，拟议投前估值400亿美元（约合人民币2687亿元）。

更早的投资方里有a16z、英伟达等机构。今年3月10日，英伟达、、Accel、思科等参与。

现在开发者可以自己调用、微调Inkling 2 Small，也能到Tinker Playground里试。

价格上，采样服务每百万非缓存输入Token收0.30美元（约合人民币2.02元），每百万输出Token收1美元（约合人民币6.72元）；64K、256K上下文窗口的训练费用分别是每百万Token 1.50美元（约合人民币10.08元）和3美元（约合人民币20.15元）。

该公司打算先做完外部安全测试和红队测试，下周再以Apache 2.0许可证把完整权重放开，到时候用户还能下载在Tinker上训出来的检查点。

一、AA智能指数升至31分，覆盖编程、金融与视觉任务

前面提过，Inkling 2 Small在AA智能指数上拿到31分，比前代Inkling-Small的13分多出18分。这个指数把知识工作、编程、科学和通用能力放在一起衡量；截至11月6日，开放权重模型里分数最高的是Kimi K3.1 Pro，46分。

规模也比前代大了一圈。据Thinking Machines Lab透露，前代Inkling-Small总参数2760亿，每个Token激活120亿；新模型Inkling 2 Small总参数5940亿，每个Token激活170亿。

编程上，按该公司汇总的第三方评测结果，新模型在软件工程测试FrontierCode v2.0中拿到25.4%，高过GLM-5.3-Flash的14.2%，低于DeepSeek-V4.1-Flash-1017的28.5%。金融任务上，新模型在金融智能体评测Finance Agent v2.1中取得67.5%，高于DeepSeek-V4.1-Flash-1017的62.9%。

▲Inkling 2 Small与其他模型在编程及自动化研究任务中的成绩对比（图源：Thinking Machines Lab）

视觉上，据该公司公布的评测结果，新模型在图像理解测试MMMU Pro（Standard 10）中取得81.6%，比DeepSeek-V4.1-Flash-1017的80.6%略高。它还会回头看自己生成的页面或场景，照着视觉反馈接着改代码。

▲Inkling 2 Small与其他模型在视觉理解、界面定位及视觉创作等评测中的成绩对比（图源：Thinking Machines Lab）

网站生成能力方面，DesignArena评测的11月5日榜单显示，Inkling 2 Small拿到1340分，超过GPT-6 Astra（max）的1333分，不敌Muse Wonder（max）的1366分。该榜单部分模型的成绩见上图（图源：Thinking Machines Lab）。

视觉创作上，该公司拿出城市模拟器、Linux个人电脑模拟器、折纸场景和户型漫游四个案例，覆盖交互式应用开发、系统模拟与三维场景制作。城市模拟器允许用户扩建城市、管理供电和预算；户型漫游则依据平面图生成三维演示。

城市模拟器先铺道路、划地块，再逐步长出住宅和高层建筑。演示里，零散建筑扩成完整街区，城市还有昼夜更替，入夜后建筑与道路亮灯。建设工具和城市管理面板分列界面两侧，用户扩建的同时能查看人口、供电、预算等信息。

▲Inkling 2 Small编程构建的城市模拟器，展示道路建设、街区扩张及昼夜变化（视频来源：Thinking Machines Lab）

户型漫游把平面图变成能走进去的三维空间。演示以第一人称视角依次穿过客厅、书房、厨房等房间，室内摆着沙发、书架和绿植。右上角平面图同步标出当前位置和朝向，方便对照房间布局（视频来源：Thinking Machines Lab）。

二、金融任务75步追平前代，4小时17分钟完成Qwen微调

Thinking Machines Lab公布的定制训练实验显示，一项投资分析任务中，Inkling 2 Small训练75步就追平前代Inkling-Small训练200步的水平，最终成绩还高于前代。该任务用的是公开财报电话会议数据，考察模型接受针对性训练后的分析表现。各模型数据、算法相同，均通过Tinker训练200步，并各自搜索学习率；Inkling系列用3个随机种子实验，结果取平均值。

训练与调试类任务新模型也能接。美国AI数据创企Proximal为该公司构建的一项内部任务中，Inkling 2 Small要微调Qwen3.5-4B，让后者预测天气、维基百科页面浏览量等时间序列。

该公司公布的演示显示，任务限时12小时，Tinker费用预算500美元（约合人民币3358元）。模型实际用4小时17分钟、花426美元（约合人民币2861元）完成。据该公司称，微调后的Qwen3.5-4B在未参与训练的8-9月数据上，预测误差比基座降低约15%。

执行过程中，Inkling 2 Small先写评测、整理训练样本，发现8次预测用了相同随机种子后修正了设置。接着它对比监督微调（SFT）与强化学习（RL）两条路线。RL尝试让预测变得过度自信、成绩下滑，模型遂停掉该方案，补充近期数据继续SFT，最后提交SFT检查点。

▲Inkling 2 Small微调Qwen3.5-4B的过程截图，显示运行至1小时39分钟时的第二次监督微调方案测试结果（图源：Thinking Machines Lab）

GPU算子优化属于另一类研发任务。该公司公布的结果显示，Inkling 2 Small把DeepSeek-V3.2稀疏注意力前向、反向算子的速度提到原始实现的6.02倍，高于DeepSeek-V4.1-Flash的5.66倍，低于Claude Opus 5.5的18.80倍。测试跑在B300 GPU上。作为对照的原版算子代码并未针对B300专门优化，6.02倍指的是优化后算子代码相对原版的运行速度。

▲不同模型优化DeepSeek-V3.2稀疏注意力算子的过程与结果，纵轴为相较原版算子代码的加速倍数（图源：Thinking Machines Lab）

三、统一强化学习训练9天，增加行为约束与执行监控

训练方法上，Thinking Machines Lab透露，先以多阶段训练积累模型的通用能力，再用统一强化学习让模型完成多步骤任务，其中有两个重点：

1、分阶段加入高质量数据与任务执行记录

初始预训练消耗8.4万亿Token，在英伟达GB300 NVL72机架上跑68小时，训练原生采用NVFP4低精度浮点格式。

后续阶段又用了3.8万亿Token质量更高、时效性更强的数据，并加入推理与智能体执行轨迹。部分轨迹采样自Kimi K3和该公司此前模型，经正确性与对齐筛选后投入训练。

2、将推理与智能体任务放入同一轮强化学习

前代Inkling把推理与智能体能力分开训练，再用多教师蒸馏合并。这次换成统一强化学习，动用2048张GPU训练9天，完成1075步，产出超过1700万条轨迹。

▲Inkling 2 Small统一强化学习的计算量、GPU数量、训练时长及轨迹规模（图源：Thinking Machines Lab）

编程、文档、视觉、工具使用、科学问答，这些领域都纳入了训练任务范围。代码任务以隐藏测试和程序检查为主来评分；文档和工具使用则靠评分规则加上大模型裁判；网页应用比的是渲染截图。

为了撑住长任务，训练用了256K上下文，还加了上下文压缩。单条轨迹耗时的中位数是8分钟，第99百分位达到4小时。研发团队另外在奖励里加了一项长度惩罚，目的是让模型在思考投入和执行效率之间找到平衡。

▲Inkling 2 Small强化学习的训练参数，包括上下文窗口、单条执行轨迹的Token用量及执行时长（图源：Thinking Machines Lab）

行为约束上，Thinking Machines Lab从训练和执行监控两头下手，减少模型编造结果、无视指令这类行为。按照该公司公布的内部评测，新模型的不当行为指标是14.9，前代Inkling-Small为75.2，GPT-6.1 Sol则是0.8——新模型低于前者，仍高于后者。

▲Inkling 2 Small与其他模型在行为对齐相关评测中的成绩，表中各项指标均为数值越低越好（图源：Thinking Machines Lab）

训练环节，该公司把带不当行为的轨迹过滤掉，强化学习中对违规操作施以惩罚，模型主动放弃完成不了的任务则会得到奖励。教师模型那边，公司提供了行为规范提示，再借同策略自蒸馏来训练新模型。

执行监控则分两步：工具调用之前先核查操作是否在任务授权范围内，已完成的操作记录也要审查。据该公司披露，有一次训练中，异步监控器发现模型借助搜索工具能访问的第三方服务，绕开了网络阻断。研发团队当即暂停训练，加固设施，把需要联网的环境移走，并在工具调用前加上同步监控，之后恢复训练，继续做对齐训练。

结语：通用模型持续升级，模型厂商与云平台争夺定制模型训练业务

Inkling 2 Small不光通用能力上去了，接受定制训练的表现也有改善。Thinking Machines Lab通过Tinker提供这个模型，开发者可以拿自己的业务数据和评价标准接着训练，模型执行微调实验的过程也一并做了展示。

模型定制这块，参与的企业已有好几类。3月17日，法国大模型公司Mistral AI推出企业训练系统Forge，内部文档、代码和业务记录都能拿来训练模型；2月17日，美国云服务商AWS把Amazon Bedrock的强化学习微调扩展到了部分Qwen和GPT-OSS模型上。

企业客户要的不只是通用模型，还要模型能适应自家的术语、流程和任务要求。厂商争的正是这些需求背后的生意：模型调用、定制训练、评测、部署。Thinking Machines Lab这回把模型和训练能力一起升级，说到底是在为企业订单多攒一点筹码。