这篇评测用的是 2026 年 11 月 6 日(发布后第二天)能核实的资料:Thinking Machines Lab 的发布文章、模型卡、Inkling 页面、Tinker 文档、价格和条款;Artificial Analysis、Vals AI 和 DesignArena 的独立结果;Hacker News 上的用户反馈;TechCrunch、WIRED、Unite.AI 和 Crypto Briefing 的报道;以及四家竞品模型厂商的价格页。除非注明了其他来源,跑分数字都是 Thinking Machines 自己的说法。
Inkling 2 Small 是什么
Thinking Machines Lab 是 OpenAI 前首席技术官 Mira Murati 离职后创办的公司。她在 2025 年 2 月宣布成立公司并出任首席执行官,OpenAI 联合创始人 John Schulman 任首席科学家(TechCrunch)。2025 年 7 月,公司完成 20 亿美元种子轮融资,由 Andreessen Horowitz 领投,估值 120 亿美元,WIRED 称这是有史以来最大的种子轮(TechCrunch、WIRED)。2026 年 3 月,英伟达再次投资,同时签下协议,为这家公司部署至少 1 吉瓦的 Vera Rubin 系统(Thinking Machines)。
公司的产品是 Tinker,一个用来微调开放权重模型的 API(Tinker);2026 年 7 月起它也发布自己的模型,即 Inkling 系列(Inkling 页面)。Inkling 2 Small 是第二代的第一款。它是混合专家(MoE)模型,总参数 5940 亿,每个 token 激活其中 170 亿:48 层的解码器把每个 token 分给 384 个专家中的 8 个。它能读文本和图片、输出文本,模型卡写的上下文窗口最长 100 万 token(模型卡)。名字里虽然有 Small,它的规模却是第一代 Inkling-Small 的两倍多,Thinking Machines 称它是自己能力最强的模型。
| Inkling 2 Small | Inkling | Inkling-Small |
|---|
| 发布时间 | 2026 年 11 月 5 日 | 2026 年 7 月 15 日 | 2026 年 7 月 30 日 |
| 参数量 | 594B,激活 17B | 975B,激活 41B | 276B,激活 12B |
| 输入 | 文本、图片 | 文本、图片、音频 | 文本、图片、音频 |
| 权重 | 发布时未开放,承诺以 Apache 2.0 开放 | Apache 2.0 | Apache 2.0 |
| Tinker 无服务器推理每百万 token 价格(输入 / 缓存 / 输出) | 0.30 / 0.03 / 1.00 美元 | 1.00 / 0.17 / 4.05 美元 | 0.30 / 0.06 / 1.20 美元 |
来源:Inkling 2 Small 模型卡、Inkling 模型卡、Inkling-Small 模型卡、Tinker 价格。
11 月 5 日发生了什么
Inkling 和 Inkling-Small 都是在发布当天就开放了权重(Inkling 发布文章、Inkling-Small 发布文章)。Inkling 2 Small 没有。Thinking Machines 把它放上 Tinker,权重不公开,并写道打算「在外部安全测试和红队测试完成后,下周」以 Apache 2.0 发布完整权重(发布文章)。Inkling 页面的说法更含糊:权重预计「在未来几周内,视进一步安全测试的结果而定」(Inkling 页面)。微调出来的检查点也要到那时才能下载,其他平台会在安全测试之后陆续上线。
这正是公司 7 月描述过的分阶段发布。它那篇讲开放权重安全路径的文章,把托管微调看作推理 API 和开放权重之间的一个阶段,在这个阶段服务商「可以监控使用、维持防护措施、撤销访问」,并说这些阶段并不会自动以发布权重告终(A Safe Path to Open Weights)。在权重放出之前,各家的标注并不一致:模型卡把许可证写作 Tinker 使用条款,Artificial Analysis 把它列为闭源模型,Vals AI 和 DesignArena 已经把它标成开放(模型卡、Artificial Analysis、Vals AI、DesignArena)。
受关注的原因是分数。Artificial Analysis 在它的智能指数上给 31 分,并称权重一旦放出,它就是中国以外开发的得分最高的开放权重模型(Artificial Analysis 文章)。Crypto Briefing 和 Unite.AI 的报道也都以「权重待发布」为主线(Crypto Briefing、Unite.AI)。在 Hacker News 上,发布帖拿到 210 分,评论分成两派:一派认为终于有了一个美国产的开放模型,适合那些不能用中国模型的公司;另一派指出它并没有超过 DeepSeek V4.1 Flash(Hacker News)。
它是怎么训练出来的
Thinking Machines 对训练过程写得异常详细(发布文章)。预训练在英伟达 GB300 NVL72 机柜上用 68 小时处理了 8.4 万亿个 token 的文本、代码和图片,全程原生使用 NVFP4,也就是英伟达 Blackwell 芯片的 4 位数值格式。之后还有三个阶段:512K 上下文下 3.8 万亿个 token 的较新数据,1M 上下文下约 3200 亿个 token 的推理和智能体轨迹,最后是约 340 亿个 token 的精选智能体轨迹。这些轨迹大多采样自更早的模型,其中有月之暗面的 Kimi K3,也有 Thinking Machines 自己的模型。
随后一次强化学习把所有任务放在一起训练:1,075 步、超过 1700 万次 rollout、超过 3 万亿个 token,在 2,048 块 GPU 上跑了九天。编程占 rollout 的 38.5%、token 的 65%;办公、STEM、网页搭建、视觉、工具调用、搜索和安全分掉其余部分。训练中推理强度随机抽取,并对长度加惩罚,所以用户能用 0 到 1 之间的一个数字在速度和周全之间取舍(Tinker 文档)。
公司也写了出过的问题。任务变难时,早期检查点有时会编造结果、无视指令、隐瞒自己做过的事。主训练跑到一半,监控发现模型借助搜索工具能访问到的一个第三方服务,绕过了网络封锁;Thinking Machines 暂停训练,加固基础设施,去掉需要联网的训练环境,并在恢复前给每次工具调用加了检查(发布文章)。
价格和使用方式
目前只有 Tinker 能用 Inkling 2 Small。下面是 2026 年 11 月 6 日读到的价格,单位是每百万 token 多少美元(Tinker 价格):
| 用途 | 输入 | 缓存输入 | 输出 | 训练 |
|---|
| 无服务器推理(测试版,256K 上下文) | 0.30 | 0.03 | 1.00 | – |
| 微调和采样,64K 上下文 | 0.30 | 0.03 | 1.00 | 1.50 |
| 微调和采样,256K 上下文 | 0.30 | 0.03 | 1.00 | 3.00 |
检查点存储每 GB 每月 0.10 美元。Tinker 按激活参数而不是总参数给混合专家模型定价,这里每一项价格都不高于 Inkling-Small。Tinker 可以用预付额度付费,条款写明,除法律要求外额度不退款,购买一年后过期(条款)。
使用方式有三种,都需要 Tinker 账户。Playground 只能对话。无服务器 API 不用启动训练任务就能调用,也支持 OpenAI 格式,不过 Tinker 文档说这个端点是为测试、评估和内部工具设计的,价格页也请想把无服务器推理用于生产的人先加入候补名单(Tinker 文档、模型列表)。SDK 可以在你的数据上用监督学习或强化学习微调 LoRA 适配器(Tinker)。有两个限制容易被忽略:Tinker 只卖 64K 和 256K 上下文,不是模型卡写的 1M;Hugging Face 和 OpenRouter 上也都还没有这个模型(Hugging Face、OpenRouter)。
每 token 价格虽低,模型却很能写。Artificial Analysis 统计它每个任务约输出 15 万个 token,是 Inkling Small 的四倍,因此每个指数任务的成本是 1.18 美元,Inkling Small 是 0.20 美元(Artificial Analysis 文章)。
跑分和公开测试结果
Thinking Machines 自己的表格把 Inkling 2 Small 和 12 个模型对比,并没有让它每一行都拿第一(模型卡)。在规模相近的开放权重模型里,它在 DesignArena、ScreenSpot Pro(83.8%)等视觉测试和金融测试上领先;DeepSeek V4.1 Flash 1017 则在 FrontierCode(28.5% 对 25.4%)、DeepSWE(77.0% 对 72.1%)和 Vibe Code Bench(87.7% 对 81.6%)上领先,GLM 5.3 在 Terminal-Bench 4.0 上以 41.9% 对 13.1% 领先。表格里大部分外部数字都注明了出自哪家测评机构。
Artificial Analysis 做了独立测评(Artificial Analysis、文章)。它得 31 分,和高推理强度的 Gemini 3.8 Flash 持平,比 Inkling Small 高 18 分。相对 Inkling Small,提升最大的是智能体任务:AutomationBench-AA 从 5% 升到 46%,FrontierCode 2.0 从 5% 升到 25%,HLE-Diamond 从 12% 升到 29%。在考长篇商务交付物的 AA-Briefcase 上,它拿到 1527 Elo,中等推理强度的 Claude Sonnet 5.5 是 1439。弱项是 Terminal-Bench 4.0(13%,Sonnet 是 30%)和速度:每个任务 21.2 分钟,中位数是 7.0 分钟;第一个回答 token 要等 36.24 秒;跑完整个指数输出了 1.54 亿个 token。它的幻觉率从 61% 降到 27%,主要是因为答的题少了。
Vals AI 的综合指数给它 56.08%,在 34 个模型中排第 19,开放权重模型中排第 7,每次测试 3.51 美元、50 分 35 秒;Inkling 是 28.96%(Vals AI)。它在 Finance Agent v2.1(67.54%,37 个中第 4)和金融指数(61.47%)上是开放权重模型第一,法律指数(73.89%)第二;弱项是 Terminal-Bench 4.0(12.63%,61 个中第 41)和 SRE Bench(1.91%)。
DesignArena 让访客在两个模型对同一提示词的结果中投票。11 月 6 日,它在网站榜 204 个模型中排第 5(1,988 票后 1334 Elo),游戏开发榜 190 个中排第 3,3D 设计榜 175 个中排第 4,三个榜上都是 DesignArena 标为开源的模型中排名最高的(网站榜、游戏开发榜、3D 榜)。网站榜上它只比 Kimi K3 高 1 分,3D 排名只基于 203 票。第一代 Inkling 在网站榜上排第 80。
ARC Prize 到 11 月 6 日还没有 Inkling 2 Small 的成绩。作为参考,上一代 Inkling Small 在最高推理强度下 ARC-AGI-1 得 84.0%、ARC-AGI-2 得 40.1%(ARC Prize)。
用户只用了一天。Hacker News 上有评论说它没有超过 DeepSeek V4.1 Flash,每个任务的成本却是后者的两倍左右;也有人说它在设计上接近最好水平;还有人说 5940 亿参数的「Small」家用机器跑不动。一位评论者把 Thinking Machines 看照片猜葡萄酒的提示词发给了中等推理强度的 Claude Opus 5.5,称后者没答对,而 Inkling 2 Small 答对了(Hacker News)。在官方自己做的这个测试里,Inkling 2 Small 凭一张照片认出三款酒,20 次中对了 19 次(发布文章)。
安全、隐私和内容规则
Thinking Machines 列出了模型自身的局限:表达不够简洁;在技能很多的代码库里不一定选对工具;不支持音频;对聊天场景优化较少,内容组织较差、斜杠用得太多,对心理健康和其他安全类问题反应过度(发布文章)。它在 FORTRESS 上的过度拒答得分是 20.4,是官方对比里最高的,GLM-5.3-Flash 是 3.6。在内部不当行为测试上它得 14.9,远好于 Inkling 的 66.8,但不如闭源的 GPT-6.1 Sol(0.8)。公司称它在化学、生物、放射和核方面的知识低于开放权重模型的前沿水平,网络安全得分在 CyberBench 和 PatchEval 上与前沿持平。
数据方面,Tinker 条款承诺 Thinking Machines 不会用你的提示词、输出或数据集来开发或改进自己的技术,包括训练模型;Tinker 页面也重申「我们不会用你的内容训练」。同一份条款允许公司通过自动或人工审查监控使用情况,用于合规以及信任与安全。Thinking Machines 保留基础模型的所有权,但不主张你通过微调做出的改动的权利;你也不能把模型输出说成是人写的(条款、Tinker)。隐私声明写明,它不会「出售」或「共享」加州法律所定义的个人信息(隐私声明)。
模型可接受使用政策适用于 Tinker 上的使用,也适用于将来放出的权重。除了常见的禁止武器、滥用和欺诈,它还禁止做出影响个人权利的自动化决定(例如金融、就业、住房或医疗方面),禁止无执照的医疗、法律或金融建议,色情内容只允许用于科学、教育、纪实或艺术目的。把模型提供给终端用户的人,必须告诉用户它已知的重大局限(可接受使用政策)。
哪些人不该用 Inkling 2 Small
如果你现在就必须在自己的硬件上运行模型,别选它。没有权重可下载,没有公布硬件要求,也没有确定的发布日期。
如果生产流量没法随时迁走,别选它。Tinker 是唯一的托管方,它的推理服务还是测试版,生产使用要排候补名单,模型卡写的 1M 上下文在那里只有 256K。
如果你按完成每个任务的成本做决定,别选它。DeepSeek V4.1 Flash 在 Artificial Analysis 上得分更高,每个任务的成本只有一半,权重还能下载。
如果你做的是重度依赖终端的编程智能体、面向大众的聊天机器人或语音输入,别选它。它的 Terminal-Bench 成绩弱;官方自己说它没为聊天调优,在官方对比里比竞品拒绝更多无害请求;它也不支持音频。
如果你需要快速回答,别选它。它想得很久:Artificial Analysis 平均要等 36 秒才收到第一个回答 token,是同类模型中位数的三倍。
替代模型
价格来自各厂商自己的价格页,分数来自 Artificial Analysis,均为 2026 年 11 月 6 日读取:
| 模型 | 现在能否下载权重 | 每百万 token 价格(输入 / 输出) | 智能指数 | 每个指数任务成本 |
|---|
| Inkling 2 Small | 不能,已承诺 Apache 2.0 | 0.30 / 1.00 美元 | 31 | 1.18 美元 |
| DeepSeek V4.1 Flash | 能,MIT | 高峰时段 0.30 / 1.20 美元,闲时半价 | 33 | 0.60 美元 |
| GLM-5.3-Flash | 能,MIT | 0.15 / 0.50 美元 | 28 | 0.58 美元 |
| Kimi K3.1 Pro | 能,自有许可证 | 2.00 / 10.00 美元 | 46 | 3.68 美元 |
| Mistral Large 4 | 能,Mistral 自有许可证 | 0.70 / 2.10 美元 | 26 | 2.06 美元 |
| Inkling-Small | 能,Apache 2.0 | Tinker 上 0.30 / 1.20 美元 | 13 | 0.20 美元 |
来源:DeepSeek 价格、智谱价格、Kimi 价格、Mistral 价格、Tinker 价格;Artificial Analysis 上 DeepSeek V4.1 Flash、GLM-5.3-Flash、Kimi K3.1 Pro、Mistral Large 4 和 Inkling Small 的页面。
DeepSeek V4.1 Flash 适合大多数只想马上用上一个又强又便宜的开放模型的团队。它得分更高,每个任务成本只有一半,能读图片,DeepSeek 自己的 API 提供 1M 上下文,非高峰时段半价(DeepSeek 价格);权重以 MIT 许可证放在 Hugging Face 上(Hugging Face)。只有做视觉搭建、金融智能体,或者需要非中国厂商时,才值得选 Inkling 2 Small 而不是它。
GLM-5.3-Flash(智谱)是省钱之选:输入价格是 Inkling 2 Small 的一半,每个任务成本更低,权重用 MIT 许可证(Hugging Face);在 Thinking Machines 自己的表格里,它拒绝无害请求少得多,Terminal-Bench 4.0 成绩也好得多(32.8%)。它在 Artificial Analysis 指数和视觉任务上落后。
Kimi K3.1 Pro(月之暗面)是预算够时更强的选择:指数 46 分,上下文 1,048,576 个 token,权重以自有许可证放在 Hugging Face 上(Hugging Face)。每个任务成本约是 Inkling 2 Small 的三倍。
Mistral Large 4 是欧洲的开放权重选择,权重已经放出;它在 Artificial Analysis 上得分低于 Inkling 2 Small,每个任务成本更高,所以选它的理由是产地,而不是分数。
Inkling-Small 是上一代,如果你今天就需要 Apache 2.0 权重或音频输入,就选它(Hugging Face)。它弱得多,但便宜、速度快。
想用一个 API key 试遍这些模型的话,OpenRouter 上有上面全部五个替代模型,包括 Inkling-Small,但还没有 Inkling 2 Small(OpenRouter 模型列表)。