Inkling

Inkling 是 Thinking Machines Lab 在 2026 年 7 月发布的开放权重 MoE 基础模型。它的核心定位不是“当前最强模型”，而是一个适合定制、微调和多模态 agent 工作流的开放权重底座。

观察

官方称 Inkling 有 975B 总参数、41B active parameters，支持最高 1M token context window，并用文本、图像、音频和视频数据预训练。
Inkling 与 Inkling-Small 一起发布，说明 Thinking Machines Lab 从第一版开始就把成本/延迟梯度纳入模型家族设计，而不是只发布最大模型。
可控 thinking effort 是一个重要产品特性：如果模型要嵌入长流程 agent 工作流，用户需要在性能、token 成本和延迟之间切换，而不能只有固定推理模式。
官方把 agentic coding、工具调用、多页面 artifact、长迭代多人游戏、音频/视觉推理和自我微调作为能力展示。这使 Inkling 更像“可被训练和编排的工作流底座”，而不是单纯聊天模型。
开放权重并不自动等于开放治理。官方模型卡把外部红队、纵深防御、下游评测、人工监督和应用侧防护列为部署责任；Apache-2.0 解决的是权重使用许可，不会自动提供开放治理或替部署者承担安全责任。

权重、模型卡与许可已经公开。 Hugging Face 官方页面提供权重和完整模型卡，标注 Apache-2.0，并列出架构、模态、部署示例、官方评测与风险说明。因此，原来的“等待权重和许可”问题已经结题。
Tinker 是否降低真实定制成本，当前仍无可复核的控制比较。 官方发布展示了微调、自微调和工作流案例，公开模型树与下载可作为早期采用信号；它们不能证明企业或研究团队的总成本、工时或迭代次数低于其他方案。可结题的证据门槛是公开的同任务、同质量、同算力/人工口径对照。
独立评测只覆盖了部分能力。 ARC Prize 已给出 ARC-AGI-1/2 的外部运行结果，说明并非所有成绩都停留在厂商自报；本轮仍未找到同时覆盖 agentic coding、多模态和安全拒答的独立复现，因而官方综合能力表不能整体升级为第三方共识。