Inkling 開放權重模型登場
Thinking Machines Lab 推出自研開放權重模型 Inkling，採 Mixture-of-Experts Transformer 架構，總參數 975B、每次啟用 41B，支援最長 100 萬 tokens。它以 45 兆個文字、圖片、音訊與影片 tokens 預訓練，可原生處理多模態內容，並調整推理投入量，在效能與成本間取捨。實際任務涵蓋程式開發、工具操作、瀏覽器控制、一次生成 Web App、製作多頁 PDF，以及接受多輪回饋持續修改專案。
現實應用
Inkling 比較像可自行加工的基礎模型，而非只拿來聊天的成品。需要把 AI 接進內部工具、程式開發流程、文件製作或研究系統的團隊，都能用它建立專用 Agent。企業也可針對客服規則、產業判斷或特定輸出格式微調，不必完全受限於封閉 API。官方另預告 Inkling-Small，啟用參數為 12B，較適合重視延遲與成本的服務。
期望評估
我認為低標期望，是得到一個能力平均、可掌握權重，而且能處理文字、視覺與音訊的開放底座；即使不追求排行榜第一，也足以做 PoC、Agent 實驗及領域微調。
我猜高標期望，是社群與企業把它調成各種垂直模型，尤其官方已把 Tinker 微調流程接好。展示中 Inkling 甚至能自行撰寫訓練工作、執行約 27 分鐘的微調、評估結果並切換新權重。不過這是受控示範，不能直接等同模型具備普遍的自主改進能力。
商業策略分析
受影響最大的會是開放模型供應商、模型託管平台，以及販售封閉式 Agent API 的公司。Thinking Machines Lab 沒把 Inkling 包裝成當下最強模型，而是用完整權重、可控推理、多模態能力與 Tinker 客製化形成組合。我認為這個定位務實：真正有資料與流程差異化的企業，模型能否被調整通常比單一 benchmark 多幾分更重要。
值不值得跟進，取決於運算資源。975B 總參數仍是大型部署，團隊應先用 Playground 驗證行為，再比較 Tinker 微調、託管推論與較小版本的成本，不宜只因開放權重就預設能低價自架。
實作細節
開發者可直接進入 Inkling Playground 試用，從 Hugging Face 模型頁 取得權重與模型資料；若要客製化，可參考 Tinker 文件 與官方 Tinker Cookbook。已知限制是官方明言 Inkling 並非目前整體最強的開放或封閉模型，實際部署需求也要依模型卡與推論框架確認。