Mira创立Thinking Machines推出开源模型Inkling

Mira Murati 带着新公司 Thinking Machines 回来了，12B 估值，史上最大。 发布的模型叫 Inkling，975B 总参数，MoE，每 token 激活 41B，1M 上下文，全权重 Apache 2.0 开源。 然后她在官方公告里写了一句话，其他 AI 公司 CEO 不会写的话： “我们这个模型落后于前沿。” 不是“接近前沿”，更不是“在某些维度上达到 SOTA”，是“trails the frontier”。 我觉得这件事真正反直觉的地方是这不是技术失败后的无奈坦白，这是把竞争维度换了。 闭源实验室卖的是 token 级智能，你调用一次付一次，模型永远不是你的。 GPT 更强、Claude 更强，但它们的商业模式建立在一个前提上：你永远需要它们。 Mira 打了一张完全不同的牌。 她把 Inkling 全权重开源，然后告诉企业客户：这个基座不如 GPT-5.5 聪明，但它可以变成你自己的模型。 用自己的代码库 fine-tune，它就懂你的架构，用自己的客户数据 fine-tune，它就懂你的业务，用自己的工作流 fine-tune，它就能在你的系统里跑，不需要经过第三方 API。 一个懂你代码库和数据的 41B-active 定制模型，和一个“更聪明但对你一无所知”的通用模型——医院、银行、国防、软件公司会选哪个？ Mira 赌的是后者。 这个赌局的支点不是模型能力，是所有权关系。 传统 AI 公司卖智能，Mira 卖的是可拥有性，因为模型本身是免费样本，Tinker 平台才是产品——你要在上面 fine-tune、部署、迭代你自己的版本，样本把你拉进来，fine-tune 让你留下，留在 Tinker 上让你走不了。 这和纯闭源 API 比更难复制，和纯开源比更可持续。 还有一个维度被低估了， 过去两年，美国企业想做自有模型时，大量依赖中国开源权重。 中国的DeepSeek、Qwen、GLM——能力强，开放度高，但数据安全、出口管制、对齐差异一直是个隐雷。 Inkling 给出了一个美国本土的高性能替代选项 ，不是能力压制，是供应链风险分散。 这个卖点对企业决策层的影响，可能比 benchmark 排名大得多。 对正在自己搭 agent 系统的人来说，Inkling 的信号很实际： 未来真正的高杠杆，不是一直追最强的通用模型，而是学会用高质量开源基座 + 自己的数据和判断力，快速打造只属于你工作流的智能系统。 1M 上下文 + agentic coding（SWE-Bench 77.6%）+ 可控思考预算，这个组合在长上下文 agent 工作流上的性价比，可能远高于一直调用最贵的闭源 API。 Mira 做了一件很有意思的事，她在所有人都往“更强”的方向卷的时候，把旗子插在了“更容易被拥有”的方向。承认自己不够强，反而让“你敢不敢把核心数据交给它”这个问题变得更可信。 AI 的竞争正在从“谁的模型最聪明”分裂成两条路，一条继续卷通用智能的峰值，另一条卷谁先变成你资产的一部分。 Mira 选了后一条，而且她把整家公司押上去了。 这个方向对不对，要看 Tinker 能不能把 fine-tune 大 MoE 这件事做到足够简单和低成本。 但有一点已经清楚了——在 2026 年，“能被你拥有”正在变成和“比你聪明”同样值钱的东西。 https://video.twimg.com/amplify_video/2077819311431782400/vid/avc1/1018x1920/SDGfqYGx3Nr3NXDc.mp4?tag=29 > **引用原帖 Thinking Machines (@thinkymachines):** > Today, we are introducing Inkling. > Inkling reasons efficiently across text, image, and audio modalities. We are making the full weights available. > https://t.co/Ghebq5mG30 > Available today for fine-tuning on Tinker. Play with it in the Inkling Playground. 🧵 > https://x.com/thinkymachines/status/2077454609551921208 AYi (@AYi_AInotes): Inkling 的架构细节——256 个 routed expert + 2 个 shared，每 token 激活 6 个 routed。混合注意力（sliding window + global）+ 相对位置编码 + 短卷积。41B active 让推理成本远低于同等总参数的 dense 模型。同时推出了 Inkling-Small（276B/12B active）预览版，明显在考虑不同部署场景。SWE-Bench Verified 77.6%，Terminal Bench 63.8%——agentic coding 是它的主场。 https://t.co/rEfr795wG2