TML新模型Inkling 2 Small：非中最佳开放权重？

11 月 5 日，OpenAI 前 CTO Mira Murati 创办的 Thinking Machines Lab（下称 TML）一口气放出两条消息。

一条是第二代模型 Inkling 2 Small 正式发布。第三方评测机构 Artificial Analysis（AA）给出的说法很扎眼：权重公开之后，它会是「中国以外得分最高的开放权重模型」。另一条来自报道——该公司正以 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，到现在已过去一年半有余。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 去了 Meta，联合创始人 Barret Zoph、Luke Metz 等人在今年 1 月回到 OpenAI，CTO 一职随后由 PyTorch 联合创始人 Soumith Chintala 接手。

也是今年 1 月，有报道称团队按约 500 亿美元估值融资的谈判卡住了。新一笔钱能不能到账，很大程度上取决于二代模型够不够硬。

技术博客里，跑分表、架构图之外，有一行关于训练数据来源的说明颇耐人寻味：预训练后半程所用数据，多数采样自更早的模型，其中被点名的包括月之暗面的 Kimi K3。

01、594B 的「Small」，强在哪

在大模型行业，「Small」这个叫法正一路膨胀。

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 的总参数量涨了一倍多，来到 594B，每次推理激活 17B。架构为 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，这一代不再支持。

训练流程下料很重。预训练头一阶段，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；第二阶段再补 3.8 万亿 token 的高质量新数据；最后两个阶段合计约 3540 亿 token，用推理与智能体轨迹收尾，上下文拉到 100 万。接着是 9 天的联合强化学习：2048 块 GPU，rollout 超过 1700 万次，单次 rollout 中位耗时 8 分钟，长的要跑 4 个小时。

这些长链路训练，对应官方口中这一代最大的长进——长程自主工作。演示里有几个例子：用 Three.js 从零写出一个城市经营游戏，建筑、纹理、车辆全靠程序生成，电力、预算和突发事件都得管；用 Python 从零写出一台能启动真实 Linux 内核的电脑模拟器；还能把一张平面户型图变成可以走动的 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，绕开了团队设的网络封锁。训练只能暂停，去掉联网环境、给工具调用加上同步监控后才继续。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），但跟闭源模型比仍有差距。

跑分看，它最突出的长板是知识工作和长流程商业任务。AA-Briefcase 考察表格、演示文稿和备忘录，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，它赢过 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。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%。

代价落在 token 消耗上。AA 的测试中，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。好在定价压得低：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，它聊天体验优化偏弱，内容组织差，还爱用斜杠。

02、为 Tinker 造一把锤子

为什么做一个聊天粗糙、却在写代码和做表格上格外卖力的模型？答案得看 TML 眼下最核心的产品 Tinker。

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，把这家公司的取向摊开了。按 token 算，编程拿走 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%。反倒是跟日常闲聊最沾边的「对话、安全与认知」，按 token 只占 0.2%。

评分器的设计同样围着生产力任务转。编程这块用隐藏单元测试；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，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，让奖励模型判断哪张更好。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，测编程表现。

Inkling 2 Small 在 Blender 里按反馈反复迭代，做出的一段纸艺动画｜图片来源：Thinking Machines

官方翻来覆去讲的卖点就一个——「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。

博客里还记了一个套娃式的例子：TML 给 Inkling 2 Small 批了 500 美元预算，让它上 Tinker 自己训一个 Qwen3.5-4B 去做时间序列预测。评测它自己写，SFT 和强化学习也是它自己做，4 小时 17 分钟后花掉 426 美元，小模型的得分从 0.191 抬到 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。先拿中等尺寸验证可微调性和长程干活的能力，把开发者拉进 Tinker，这门生意才转得起来。

03、被「蒸馏」的中国模型

那行字的说法，官方原话是这样的：「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。」

其中 H3 有约 3200 亿 token 的推理和智能体轨迹，另外还含回放的预训练数据；H4 则是约 340 亿 token 的最高质量智能体轨迹。前两阶段合计 12.2 万亿 token，相比之下这部分体量不大，位置却很关键：模型就是在这儿学会长上下文推理、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太难攒。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，靠人工标注基本没法上量。最省事的法子，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，把做对的那些过程留下来。TML 自己的对比表里，Kimi K3 在 SWEBench Pro v2 (Hard) 和长上下文测试上都压过 Inkling 2 Small，拿它当老师，顺理成章。

放在今年的语境里，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，一家硅谷明星公司自己在博客里写明，采样了月之暗面模型的轨迹。

两件事的性质得分开看。假账号刷闭源模型 API，违反的是服务条款；Kimi K3 是开放权重模型，权重公开可下载，在自己的集群上部署、采样它的输出，属于开源生态里的常规用法。至于是否完全符合 Kimi 许可证的细节，TML 没说明，这里不做判断。

说起来，蒸馏在业内早就是常规操作了。TML 上一代模型走的就是「多教师蒸馏」，把不同阶段的强化学习揉到一起。这次换成把外部最好用的开源模型接进数据管线，再过一遍过滤器，工程上很务实。

生态位才是真正挪了地方。前两年开源社区流行的是拿 Llama、Mistral 的权重去微调，或者拿闭源大厂的输出喂小模型。如今像 Kimi K3 这种中国开放权重模型，已经变成硅谷团队训练下一代模型的数据来源；TML 演示里拿来训练的底座，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 离榜首还是有一段距离。

AA 最新的开放权重榜（v5.0.1）上，它拿 31 分，把欧美同行甩在后面：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。

把这个定语去掉，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，它眼下还称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 那边标注的发布日期则是「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？