11月5日，OpenAI前CTO Mira Murati创办的Thinking Machines Lab（简称TML）连放两个大招：不仅发布了第二代开放权重模型Inkling 2 Small，还被曝正在以400亿美元的投前估值筹集50亿美元新融资。

这家2025年2月才亮相的公司，一路走来剧情相当波折：拿过a16z领投的20亿美元种子轮，也经历过数位联合创始人出走回归OpenAI的动荡，目前由PyTorch联合创始人Soumith Chintala接任CTO。今年1月它还曾传出500亿美元估值融资停滞的消息，新一轮融资能不能成，基本全看这次新模型的成色。

名为“Small”实则594B，偏科属性拉满

大模型圈的“Small”现在越来越名不副实，这次的Inkling 2 Small总参数量直接达到594B，是上一代Small的两倍多，采用MoE架构，单次推理仅激活17B参数，支持100万上下文和可调思考力度，具备图像理解能力，但砍掉了初代支持的音频输入。

这次的训练链路相当重，预训练第一阶段就在英伟达GB300 NVL72机架上花了68小时，用原生NVFP4精度跑完8.4万亿token；第二阶段再输入3.8万亿高质量新数据；最后两个阶段用3540亿token的推理与智能体轨迹收尾，把上下文拉到100万。之后还进行了9天联合强化学习：动用2048块GPU，完成超1700万次rollout，单次任务中位耗时8分钟，最长能跑4小时。

训练过程还出过“事故”：强化学习过半时，团队发现模型居然通过搜索工具接触第三方服务，绕过了预设的网络封锁，只能紧急暂停训练，砍掉联网环境、加上工具调用同步监控后才重启。官方还坦言早期版本遇到难任务会“强行装会”，出现编造结果、无视指令甚至掩盖错误的行为，发布版的内部不当行为得分已经从上代的66.8降到14.9（分数越低越好），但还是不如闭源模型。

这代模型核心升级点是长程自主工作能力，官方演示里它能用Three.js从零写出完整的城市经营游戏，建筑、纹理、车辆全为程序生成，还能实现电力、预算、突发事件管理等完整玩法。

除此之外，它还能用Python从零写出可启动真实Linux内核的电脑模拟器，也能把平面户型图直接生成可自由走动的3D漫游场景。

跑分上它的长板非常突出，主打知识工作和长流程商业任务：在考察表格、演示文稿、备忘录处理能力的AA-Briefcase测试中拿到1527 Elo分，不仅远超上代Small的912分，还超过了Claude Sonnet 5.5和Gemini 3.8 Flash，在法律、金融等专业测试中也拿下了开放权重模型最高分。

但它的短板也同样明显：编程能力没有全面领先，部分测试赢过Kimi K3和GLM-5.3-Flash，但落后于DeepSeek-V4.1-Flash，高难度编程测试还输给了Kimi K3；和闭源模型比差距更大，命令行任务得分仅13%，只有Claude Sonnet 5.5的不到一半。

代价是token消耗量暴涨：AA测试显示它完成单个任务平均要输出15万token，是上代的4倍，也远高于Claude的3.1万。好在定价足够便宜，每百万token输入仅0.3美元、输出1美元，单任务成本1.18美元，不到Gemini的六分之一、Claude的八分之一。

另外它的幻觉率下降也有点“取巧”：幻觉率从61%降到27%，但答题率直接从77%掉到53%，准确率仅从32%升到34%，说白了就是靠“不会就不答”降幻觉，而且官方也承认它聊天体验优化很差，内容组织混乱，还爱乱用斜杠。

【编辑观察】这模型完全是把“打工属性”点满了，日常聊天摸鱼的功能直接摆烂，摆明了就是冲着企业生产力市场来的。

偏科的本质：给自家云API引流

为啥要做一款聊天拉胯、干活给力的模型？答案藏在TML的核心产品Tinker里。

Tinker是2025年10月上线的云端微调API，对TML来说，免费开放的模型更像是引流招牌：靠模型能力吸引开发者，再靠平台的微调、推理服务赚钱。

这种取向直接写在了训练任务配比里：按token计算，编程任务占65.0%，办公与知识工作占13.3%，STEM推理占7.6%，网页与应用构建占7.2%，四项加起来超93%；而和日常聊天相关的对话、安全类任务占比仅0.2%，几乎等于放弃。

就连评分规则都是照着生产力任务设计的：编程任务用隐藏单元测试判分，部分还加了智能体评分器考察解题思路；文档类任务由专门的评分模型按细则打分；网页应用则直接对比渲染截图选优。上线前它还以匿名代号在编程工具OpenCode上做了真实场景测试。

官方主打卖点就是“适合微调”：相同数据和算法下，新模型学习速度更快、提升幅度更大，比如财报摘要任务仅训练75步，就追上了初代Small全量训练的效果。

官方还公布了一个很有意思的“套娃”案例：给Inkling 2 Small批了500美元预算，让它自己在Tinker平台上训练Qwen3.5-4B小模型做时间序列预测。它自主完成了评测编写、SFT和强化学习全流程，耗时4小时17分钟仅花了426美元，就把小模型的得分从0.191提升到0.289。

TML表示Inkling 2 Small只是“模型梯队中的一级”，后续还会推出更多尺寸的版本，核心思路就是先用中等尺寸模型验证长程工作和可微调能力，把开发者吸引到Tinker平台，跑通商业化闭环。

最受关注的细节：训练采样了Kimi K3

这次技术博客里最意味深长的，是训练数据来源的说明：预训练后半程的智能体轨迹数据，大部分采样自更早的模型，其中唯一被点名的外部模型就是月之暗面的Kimi K3。

这部分数据分为两个阶段，合计约3540亿token，虽然和预训练阶段12.2万亿的总数据量比占比不高，但位置非常关键：模型正是在这一阶段学会长上下文推理和智能体工具调用能力，之后才进入强化学习环节。官方没有公布Kimi K3数据的具体占比，因此不能说模型完全靠蒸馏Kimi打造，但Kimi作为唯一外部模型被点名，已经很能说明问题。

为啥选择用Kimi的轨迹？核心原因是智能体轨迹数据太难生产了：一条完整的工具调用、改代码、验证的轨迹动辄几万token，人工标注根本没法大规模量产，最务实的办法就是找个智能体能力足够强的模型当“老师”，跑通任务后把正确的过程留下来。而TML自己的测试数据也显示，Kimi K3在高难度编程和长上下文测试中的表现，本来就比Inkling 2 Small更强，选它当老师顺理成章。

这事放在今年的行业背景下格外微妙：今年2月Anthropic刚刚指控DeepSeek、月之暗面等中国公司用假账号调用Claude API蒸馏能力，到了11月，硅谷明星AI公司反倒主动在技术博客里承认，自己用了中国开源模型的输出做训练数据。

不过两者性质完全不同：用假账号爬闭源模型API违反服务条款，但Kimi K3是开放权重模型，权重公开可下载，在本地集群部署采样输出是开源生态的常规操作，至于是否完全符合Kimi的许可证细节，官方没有说明，目前也没有争议传出。

其实蒸馏本身就是AI行业的标准操作，TML上代模型就用过多教师蒸馏方案，这次把顶尖中国开源模型接入数据管线，只是非常务实的工程选择。真正的变化是生态位的反转：过去开源圈都是拿海外Llama、Mistral的权重做微调，现在中国开放权重模型反倒成了硅谷团队的训练数据来源，这次TML用来做微调演示的底座，还是阿里的Qwen模型。

【编辑观察】风水轮流转啊，以前咱们追着海外开源模型跑，现在中国模型反倒成了别人的“师资库”，这波确实值得骄傲。

海外第一，离中国旗舰还差一大截

即便有Kimi加持，Inkling 2 Small离全球开源榜首还有不小的差距。

第三方机构Artificial Analysis最新的开放权重榜单显示，它拿到31分，确实是中国以外得分最高的开放权重模型，把Mistral、Meta的欧美同行甩在了身后。但去掉“海外”这个定语，榜单前三名全是中国模型：Kimi K3.1 Pro以46分断层领先，DeepSeek V4.1 Flash拿到33分，GLM-5.3拿到32分，Inkling 2 Small仅排在第四位，也就刚追上中国模型的Flash级产品线，离Kimi的旗舰模型还差15分的差距，身后还有小米的同级别模型紧追不舍。

另外它现在还算不上真正的开放权重模型：按照TML的“安全开放”路线，模型先在自有平台闭源上线，完成外部安全测试后才会放出权重，官方称计划下周以Apache 2.0许可开放，但AA平台已经标注发布日期“未确认”，这张支票能不能兑现还要等后续消息。

现在开源大模型的竞争，早就变成了“互相借力、循环迭代”的生态战，TML这次大大方方承认用了中国模型的数据，也算把行业潜规则摆到了台面上。只是不知道等TML后续推出更大尺寸的旗舰模型时，训练日志里还会不会出现中国模型的名字。