AI 科技新聞

Thinking Machines 發布 Inkling：975B 開放權重模型，主打可自訂與多模態

Mira Murati 創辦的 Thinking Machines 發布首款 AI 模型 Inkling，採 975B 參數 MoE 架構，支援文字、圖片與音訊，並開放完整權重供企業微調與部署。

Thinking Machines Lab 於 2026 年 7 月 15 日發布首款通用模型 Inkling。圖片來源：Thinking Machines Lab。

2026 年 7 月 15 日，由前 OpenAI CTO Mira Murati 創辦的 Thinking Machines Lab 發布首款通用 AI 模型 Inkling。這是一款從零開始訓練的開放權重模型，完整權重已放上 Hugging Face，開發者可以下載、微調，再部署到自己的產品或基礎設施。

Inkling 的規模不小：總參數量 975B，每次運算啟用 41B 參數，最高支援 100 萬 tokens 的上下文，預訓練資料則涵蓋 45 兆 tokens 的文字、圖片、音訊與影片。

但 Thinking Machines 在公告裡也很直接：Inkling 不是目前最強的開放或封閉模型。

這句話反而說明了它的定位。Thinking Machines 沒把第一款模型包裝成新的榜單冠軍，而是押注另一件事：企業需要的未必是所有測試都拿第一的通用模型，而是一個可以用自家資料和工作流程繼續訓練、控制成本，並真正部署進產品的基礎模型。

Inkling 是什麼？先看關鍵規格

Inkling 採用 Mixture-of-Experts（MoE，混合專家）架構。簡單來說，模型雖然共有 975B 參數，但每次處理一個 token 時，只會啟用其中約 41B 參數，不需要讓全部參數同時參與運算。這種設計的目的，是在保留大模型容量的同時降低每次推論的計算量。

項目	Inkling 規格
模型類型	通用多模態、開放權重模型
架構	Mixture-of-Experts Transformer
總參數量	975B
啟用參數量	41B
最長上下文	100 萬 tokens
輸入	文字、圖片、音訊
輸出	文字
預訓練資料量	45 兆 tokens
授權	Apache 2.0
主要用途	推理、Coding、AI Agent、工具操作、多模態理解與微調

開放權重（open weights）代表開發者可以取得模型權重，用於執行、修改與微調；它不等於完整開源，因為訓練資料、完整資料處理流程與所有訓練細節不一定全部公開。這個差別很重要，否則很容易把「可以下載模型」直接理解成「整個模型生產過程都透明」。

Inkling 真正的賣點，不是 975B 參數

1．可調整推理強度，在效能、速度與成本之間取捨

Inkling 支援 controllable thinking effort，也就是讓開發者調整模型願意花多少運算與 tokens 處理問題。簡單任務可以降低推理強度，複雜任務再提高，不必每個請求都用最高成本執行。

Thinking Machines 的測試顯示，在 Terminal Bench 2.1 上，Inkling 大約只用 Nemotron 3 Ultra 三分之一的輸出 tokens，就能達到相近分數。不過，這是官方在特定設定與測試工具下的結果，不能直接換算成所有 API 或自建部署情境都會省下三分之二成本。

這項功能對企業的價值很實際。當模型每天被呼叫數百萬次，或放進會反覆規劃、操作工具的 AI Agent 流程，延遲與 token 用量往往比單次 benchmark 高幾分更影響產品能否上線。

2．原生處理文字、圖片與音訊

Inkling 可以接受文字、圖片與音訊輸入，並以文字輸出結果。官方展示的能力包含語音轉錄、理解錄音內容、圖表與數學圖像推理，以及搭配 Python 工具進行圖片縮放、裁切和分析。

值得注意的是，公告雖然提到預訓練資料包含影片，正式列出的模型輸入仍是文字、圖片與音訊，不應因此寫成 Inkling 已提供原生影片輸入。從產品角度看，它目前更像是能整合多種輸入的背景推理模型，替未來即時語音與視覺互動系統打底。

3．鎖定 Coding、AI Agent 與長流程工作

Thinking Machines 展示了幾個比較接近實際工作的範例：Inkling 一次生成求職申請網頁，再由瀏覽器操作 Agent 自動填表；另一個多人貪食蛇遊戲，則經過 GPT Codex 擔任 reviewer、連續 40 輪回饋後完成。

0:00

/0:33

Inkling 一次生成求職申請網頁，再由 browser-use agent 依照已儲存資料完成填表。影片來源：Thinking Machines Lab。

0:00

/1:15

Inkling 在 GPT Codex 擔任 reviewer 的流程中，經過 40 輪回饋完成多人貪食蛇遊戲。影片來源：Thinking Machines Lab。

除了 Coding，官方還要求 Inkling 製作一份約 8 至 10 頁的旅遊飲食雜誌。最後輸出的是 9 頁 PDF，內容包含封面、城市專題與資料來源，版面與視覺風格也維持一致。這個範例的重點不是圖片漂不漂亮，而是模型能否在長內容中同時維持指令、結構與設計規則。

Inkling 產生的 Breakfast Around the World 九頁旅遊雜誌封面 — Inkling 根據單次指令產生 9 頁旅遊飲食 PDF，示範跨頁內容與視覺風格的一致性。圖片來源：Thinking Machines Lab。

官方也讓 Inkling 透過 Tinker 撰寫自己的 fine-tuning job、執行訓練並評估結果。這不能直接解讀成模型已經能自主進化，因為訓練環境、目標與工具都由人類先設定；它真正證明的是，模型已能參與資料準備、評測與微調流程，縮短開發者反覆試驗的時間。

為什麼 Thinking Machines 選擇開放權重？

不少企業評估生成式 AI 時，考量已不只是哪個模型答題最強，還包括能否用自己的資料調整、能否控制部署位置，以及長期成本是否可預測。封閉模型通常開箱即用，但使用者必須接受供應商的 API、價格與資料處理方式；開放權重模型則提供更多部署與客製空間，代價是企業要自行負擔推論基礎設施、模型維運與安全防護。

Inkling 的完整權重採 Apache 2.0 授權發布，已可在 Hugging Face 取得，也能透過 Tinker 進行微調。Thinking Machines 另外與 Together AI、Fireworks、Modal、Databricks、Baseten 等平台合作提供 API，讓企業不必自行架設完整的 975B 模型也能使用 Inkling。

我的判斷是，這條路線對有專屬資料、明確工作流程與基礎設施能力的企業相當有吸引力；對只想找一個 ChatGPT 替代品的一般使用者，Inkling 暫時沒有明顯優勢。它的商業價值不在於每個人都能下載，而在於企業能不能把它訓練成符合自身判斷標準的模型。

延伸閱讀：OpenAI GPT-5.6 正式亮相：Sol、Terra、Luna 三模型家族全面解析，AI 戰局再度洗牌

Benchmark 看起來不錯，但有三個限制要先說

第一，Inkling 的多數評測是在 effort 0.99、temperature 1.0 下執行，Coding 評測則允許最高 256K tokens 的執行軌跡。這代表它展示的是接近高推理強度的能力，不等於低成本設定也會維持相同成績。

第二，部分外部模型分數來自公開結果，部分則由 Thinking Machines 使用內部工具測試；不同模型的測試環境不完全一致。官方也註明，部分預測與 Humanity’s Last Exam 結果來自不同或較早的 checkpoint。

第三，975B 參數模型即使每次只啟用 41B，也不是一般消費級電腦能輕鬆部署的規模。官方 Model Card 顯示，BF16 checkpoint 至少需要 2 TB aggregated VRAM；已釋出的 NVFP4 checkpoint 雖把需求降至至少 600 GB，仍是 GPU 叢集等級。對多數開發團隊來說，實際選項仍會是雲端 API、託管服務，或等待較小版本成熟，而不是直接把完整模型搬回公司機房。

這些限制不代表官方數據沒有參考價值，而是提醒讀者：Inkling 現在證明的是「能力分布廣、具備客製潛力」，還不是「在所有工作負載都比封閉模型便宜或更強」。

Inkling-Small 也亮相，但目前還只是預告

Thinking Machines 同時預告 Inkling-Small。它同樣採 MoE 架構，總參數量 276B、每次啟用 12B 參數，官方表示它在部分推理與 Agent 任務上接近甚至超過 Inkling，較適合 Coding、模型評分與合成資料生成等重視延遲和成本的工作。

不過，Inkling-Small 仍在完成測試，完整權重尚未發布。現階段可以把它視為產品路線預告，不能和已經可下載的 Inkling 放在同一個可用性層級比較。

Inkling 可以怎麼用？

目前開發者有三種主要路徑：

從 Hugging Face 下載完整權重，自行部署或微調。
在 Tinker 使用 64K 或 256K 上下文版本進行 fine-tuning，並透過 Playground 先測試模型。
使用 Together AI 等合作平台的 API，減少自行管理 GPU 叢集的成本。

需要特別區分的是，Inkling 模型本身最高支援 100 萬 tokens，但 Tinker 公告當下提供的 fine-tuning 選項是 64K 與 256K。規格上限、訓練平台選項與第三方 API 實際提供的上下文長度，不一定相同。

結論：Inkling 的第一戰，是證明「可自訂」比「榜單第一」更有價值

Inkling 不是一款要立刻取代 GPT、Claude 或 Gemini 的消費型產品，也不是每個團隊都適合自行部署的模型。它更像 Thinking Machines 對企業 AI 市場提出的第一個完整答案：開放權重、多模態、可調整推理強度，再用 Tinker 把微調流程接起來。

我的初步判斷是：Inkling 值得企業 AI 團隊關注，但現階段還不適合把它稱為更便宜或更強的通用替代方案。它把模型、微調平台和部署生態做成同一條路徑，而且沒有用「最強模型」掩蓋產品定位；不過目前效能與效率證據大多仍來自官方評測，實際部署成本、第三方 benchmark 與企業微調成效還需要更多案例驗證。

接下來真正值得追蹤的，不是 Inkling 又多贏幾個 benchmark，而是企業用自家資料微調後，能否在成本、準確度與維護難度上明顯優於直接租用封閉模型。若這件事成立，Thinking Machines 押注的就不只是一款模型，而是一種更分散的企業 AI 發展方式。

FAQ

Inkling 是誰開發的？

Inkling 由 Thinking Machines Lab 開發，是該公司首款通用 AI 模型。Thinking Machines 由前 OpenAI CTO Mira Murati 創辦，先前已推出模型微調平台 Tinker。

Inkling 是開源模型嗎？

更精確的說法是「開放權重模型」。開發者可以在 Apache 2.0 授權下下載與修改權重，但這不代表完整訓練資料與所有開發流程都已公開。

Inkling 可以理解影片嗎？

官方表示預訓練資料包含影片，但目前正式列出的輸入是文字、圖片與音訊，輸出則是文字。因此不宜把它描述成已正式提供影片輸入的模型。

一般電腦可以執行 Inkling 嗎？

完整 Inkling 有 975B 總參數，即使採 MoE 架構，仍需要專業級硬體與部署工具。一般使用者較實際的方式是透過雲端 API 或託管平台使用。

Inkling 和 Inkling-Small 有什麼差別？

Inkling 每次啟用 41B 參數，Inkling-Small 則啟用 12B，後者主打較低成本與延遲。不過 Inkling-Small 目前仍是預覽，完整權重尚未發布。