距 Inkling 亮相仅两周，Mira Murati 团队再开源一款 276B/12B 的 MoE 模型。它在推理与智能体基准上超过了自家”大哥”，也把开源模型的竞赛从”堆参数”推向了”拼效率”。
7 月 30 日，Mira Murati 创办的 Thinking Machines Lab 发布并开源了 Inkling-Small——距其首款旗舰模型 Inkling 亮相仅过去两周。新模型总参数 2760 亿、单次推理激活约 120 亿，体积约为旗舰的四分之一，却在多项核心基准上交出了反超”大哥”的成绩单。完整权重已上架 Hugging Face，并同步登陆该公司的微调平台 Tinker。
TL;DR
- 276B 总参数 / 12B 激活，MoE 架构，原生多模态（文本、图像、音频），上下文窗口最长 100 万 token。
- HLE 31.6%（旗舰 29.7%）、SWE-Bench Verified 80.2%、ARC-AGI-1 84.0%——推理与智能体任务全面反超 Inkling。
- 训练配方：改良数据配比 + 以旗舰为教师的在线策略蒸馏 + 两周智能体编程强化学习。
- 短板同样明确：冷知识问答 SimpleQA 仅 20.6%（旗舰 43.9%）；顶级闭源模型整体仍保持领先。
官方给出的数字颇具戏剧性。在被视为”最难综合考试”的 Humanity’s Last Exam（纯文本、不借助工具）上，Inkling-Small 得分 31.6%，高于 Inkling 的 29.7%——且官方称这一优势在所有思考预算档位上都成立，测试时算力曲线全程压在旗舰之上。修复真实开源软件缺陷的 SWE-Bench Verified 上，它突破 80%；抽象推理基准 ARC-AGI-1 拿下 84.0%，同样高过旗舰的 79.5%。
| 基准 | Inkling-Small | Inkling | GPT-5.6 Luna |
|---|---|---|---|
| HLE（纯文本，无工具） | 31.6 | 29.7 | 35.6 |
| SWE-Bench Verified | 80.2 | 77.6 | 93.0 |
| Terminal-Bench 2.1 | 64.7 | 63.8 | 82.5 |
| ARC-AGI-1 | 84.0 | 79.5 | 87.7 |
| SimpleQA Verified（冷知识） | 20.6 | 43.9 | 41.7 |
加粗为两兄弟中的胜方。数据来自 Thinking Machines 官方评测汇总（部分引用 Artificial Analysis 等第三方口径），评测环境不同数字或有出入。
需要说明的是，这不是一个”吊打一切”的故事。顶级闭源模型仍然明显领先——GPT-5.6 在 SWE-Bench 上是 93%。Thinking Machines 自己的定位也很清醒：不争最强模型，争单位算力最划算、且任何人都能拿去改造的模型。
徒弟为什么能超过师傅
Inkling-Small 的”下克上”并非玄学，而是一套越来越标准化的行业打法——后发优势。
它比旗舰晚开工，团队得以先改良预训练数据配比与训练方案；随后，以 Inkling 为教师，对早期检查点做在线策略蒸馏（on-policy distillation）——小模型不是抄答案，而是逐步对齐大模型完整的解题轨迹；最后，再花两周时间专攻智能体编程方向的强化学习。三步走完，学生在推理与编程上反超了老师。
这套”旗舰当教师、小模型收割”的蒸馏飞轮，正在成为各家实验室的标配。它指向一个略显反直觉的结论：每一代大模型最大的价值之一，可能是训练出比自己更划算的下一代小模型。
“参数通胀”退潮之后，单位算力的智能，正在成为新的 KPI。—— RECODEX 观察
架构：无编码器的原生多模态
与旗舰同款，Inkling-Small 采用无独立编码器（encoder-free）的原生多模态架构：音频被转换为 dMel 声谱图，图像切分为 40×40 像素小块、经四层 hMLP 变换，与文本 token 在同一序列中联合处理。上下文窗口最长 100 万 token，训练运行在英伟达 GB300 NVL72 集群上。
一个实用细节：它会主动写 Python 对图片做裁剪、放大与程序化检视，对付图表中的小字号数据尤其有效——在 CharXiv 图表问答上，”配 Python”的得分从 77.4% 提升到 81.3%。音频侧，它在 Audio MC 听力理解上拿到 54.9%，大幅领先 Gemini 3.5 Flash-Lite 的 33.6% 及多款专门的 omni 模型。
校准：被训练”说出概率”的模型
Thinking Machines 延续了在”认知诚实”上的投入：用大规模真实世界预测题、按严格评分规则做强化学习，逼模型给出带把握度的判断，而不是拍胸脯。结果体现在榜单上——ForecastBench（无搜索）中，Inkling-Small 的校准得分 61.3，甚至略高于旗舰的 60.1。
代价也很诚实：记性不行
小模型的短板同样写在成绩单里。纯知识问答 SimpleQA Verified 上它只有 20.6%，远低于 Inkling 的 43.9%——参数量决定”背功”，这条规律没有被绕过。官方也明确表示，旗舰在知识覆盖与事实性上保持优势。
换句话说，它更适合扮演”会思考的执行者”，冷知识请配搜索与工具链。这也解释了行业为何正在收敛到”小模型 + 检索/工具”的部署范式。
商业算盘：模型是入口，Tinker 才是生意
别忽略发布节奏背后的商业设计。Inkling-Small 提供五挡可调”思考力度”（minimal 到 xhigh），用户可以沿性能—成本曲线自行取点。这是给真实部署场景准备的旋钮，不是给榜单准备的。
而”完整开放权重 + 自家微调平台 Tinker 限时折扣”的组合拳，指向同一个飞轮：模型免费开放引流，定制化训练收费变现。Murati 自 2024 年 9 月离开 OpenAI 后，已为这家公司募得 20 亿美元（投后估值 120 亿美元），另有报道称新一轮融资的目标估值高达 500 亿美元。
市场语境同样耐人寻味：过去两年，开放权重赛道的话语权大半在中国模型手里——Inkling-Small 官方对比表里的开源对手，多数来自中国：Qwen、DeepSeek、Kimi、GLM、MiniMax、MiMo。在 Meta 收缩 Llama 开放路线之后，西方阵营留下的开源空档，正是 Thinking Machines 想要补上的位置。
// 背景速读 — Thinking Machines Lab 由 OpenAI 前 CTO Mira Murati 于 2024 年底创立，团队包括 ChatGPT 联合缔造者 John Schulman 等。公司主张 AI 应”可理解、可定制”，7 月 15 日发布首款从零训练的旗舰 Inkling（975B/41B），被外媒称为西方实验室最强的从零训练开源模型。Inkling-Small 是该家族第二位成员，可在 Hugging Face 下载权重，或在 Tinker Playground 网页端直接以文字、图片、语音对话。
参数通胀的时代正在退潮。当”单位算力的智能”取代”参数规模”成为新 KPI，Inkling-Small 这类模型的意义不在登顶，而在把可用的智能推进到更低的成本区间——推进到中小团队的显卡上、企业的私有机房里。接下来值得盯住两件事：蒸馏飞轮还能转几圈，以及 Tinker 能否把”可定制”真正变成收入。
资料来源：Thinking Machines Lab 官方博客《Introducing Inkling-Small》（2026-07-30）及官方评测数据；Axios、Fortune、SiliconANGLE、Silicon Republic、Decrypt 相关报道。文中基准成绩均为发稿时官方口径。