北京
一家公司发布了一个9750亿参数的大模型，编程任务只用三分之一的token就能达到业界领先水平，却在官方文档里明确写道：“Inkling不是当前可用的最强模型，无论是闭源还是开源。”周三，由前OpenAI首席技术官米拉·穆拉蒂创办的思维机器实验室（Thinking Machines Lab）正式推出这款模型，并选择开放权重，外界开发者可以直接下载、修改它，这与OpenAI、Anthropic、谷歌的旗舰产品路线截然相反。
Inkling采用混合专家（MoE）架构，总参数量9750亿，每项任务仅激活其中约410亿参数，兼顾了运行速度和成本。训练数据涵盖文本、图像、音频和视频共45万亿个token，支持原生多模态推理。思维机器实验室透露，模型被设计为给出校准后的答案——遇到不确定的情况会主动标记，而非强行猜测；用户还可以通过一个“思考努力度”旋钮在响应速度与深度之间做出权衡。作为对比，在某一编程基准上，Inkling消耗的token量为英伟达Nemotron 3 Ultra的三分之一，即可达到同等表现。
这次发布实际是思维机器实验室对自身理念的一次验证：AI不应是一体适用的标准化商品。该公司上周刊发的一篇背景文章指出，由单一公司集中训练、然后固定下来的模型，表现总会逊于那些由使用组织自己塑造的AI，因为大量专业知识只掌握在一线团队手中。从五月份公开的“交互模型”研究预览也能看到这一思路的雏形——那种能听、能说、甚至懂得适时打断的AI，就是为了让组织像训练员工那样训练模型，而不是等待一个通用的聊天机器人回答所有问题。
然而，这条路线并非没有争议。思维机器实验室把Inkling定位为“起点”而非成品，企业需要通过其定制平台Tinker自行微调模型。这意味着用户端必须具备机器学习人才来进行精细调整，并且要自己为模型的安全性把关。这与OpenAI将ChatGPT先做成通用聊天机器人、再层层叠加自主功能的做法完全不同。批评者认为，这相当于把安全负担和工程复杂度甩给了客户，对于缺乏AI团队的传统企业可能并不友好。
思维机器实验室似乎并不急于争夺“最强”的标签，反而刻意绕开这条拥挤的赛道。它的筹码在于“恰到好处”——用均衡的性能换取企业可以真正掌控的模型。这种做法能不能撬动习惯了巨型通用API的公司群体，还需要看后续有多少企业愿意投入资源去训练属于自己的Inkling。如果这条路走通，大模型产业的竞争焦点或许会从参数竞赛转向“定制化基础设施”，但眼下，它更像是一次冷静的实验。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
