2025年2月，Mira Murati 带着一批 OpenAI 的老将成立了 Thinking Machines Lab。不到一年前，她在那场震惊硅谷的董事会政变中短暂坐上过 CEO 交椅，又在 Altman 回归后迅速转身离开。十六个月后，这家公司交出了第一份答卷，开源模型 Inkling。
9750 亿总参数、410 亿激活参数、100 万 token 上下文、45 万亿 token 多模态预训练，纸面数据足够豪华。公司拿到 20 亿美元种子轮融资，估值 120 亿美元，英伟达、AMD、思科、A16Z 悉数入局，创下 AI 行业种子轮纪录。
但 Inkling 真正让硅谷坐不住的，不是它有多强，而是它承认自己不够强，并且公开告诉世界：我的架构学的是 DeepSeek-V3，我的后训练数据来自 Kimi K2.5。
一个前 OpenAI CTO，领着硅谷最贵的资本，做了一款自认不如中国开源模型的产品。这背后发生了什么？
一款自认不是最强的开源模型
Thinking Machines Lab 在官方博客中给出的第一句判断就是：“Inkling 并非当今最强的模型，开源闭源都不是。”公司在 HLE、Terminal Bench 2.1 和 SWE-Bench Verified 三个核心基准上，明确落后于中国的 GLM 5.2 和 Kimi K2.6。
这不是谦虚客套，而是有据可查的事实。第三方机构 Artificial Analysis 的综合评测显示，Inkling 以 41 分综合得分登顶美国开源模型阵营。但美国开源阵营本身，已经不再是全球开源的天花板。中国开源模型在过去一年里完成了从追赶到反超的翻转。
Inkling 的硬件规格并不难看。9750 亿参数的混合专家架构，每次推理仅激活 410 亿参数，支持最高 100 万 token 的多模态上下文。它预训练了 45 万亿 token 的文本、图像、音频和视频数据，附带一个更轻量的 Inkling-Small 预览版，120 亿激活参数。
公司没有在产品发布这件事上遮遮掩掩。“我们不卖最强模型，我们卖一个可以变成‘你想要的任何模型’的起点。”TML 用 Tinker 平台来兑现这个承诺。这是一个云端微调工具，让开发者坐在笔记本电脑前就能对工业级模型进行定制和训练，无需操心底层算力基础设施。
但真正让行业震惊的，是 Inkling 的后训练策略。TML 公开承认，Inkling 在后训练阶段使用了来自月之暗面公司 Kimi K2.5 生成的合成数据，通过监督微调完成冷启动。而其 MoE 基础架构，与 DeepSeek-V3 高度一致。
一个由 OpenAI 前二号人物创办的美国公司，在 2026 年夏天，发布了一款学中国架构、用中国数据训练的开源模型。
当中国对手变成“老师”
如果时间拨回 2025 年初，DeepSeek 横空出世时，华盛顿的回应几乎是条件反射式的：中国 AI 公司通过蒸馏 OpenAI 模型来训练自己，这是“盗窃”。OpenAI 和多位国会议员一致指控 DeepSeek 窃取了美国技术。
但 18 个月后，同样的情况发生了反转。一家美国公司，而且是 OpenAI 嫡系，公开采用中国架构、使用中国模型生成的数据来训练自己的旗舰产品。没有指控，没有听证会，没有国会调查。
Forbes 的一篇评论用了一个精准的短语来形容这种不对称：“中国用美国模型是偷窃，美国用中国模型是工程。”
这种双重标准的荒谬之处在于：DeepSeek-V3 和 Kimi K2.5 都是开源权重、许可证宽松的模型。从开源社区获取知识是科学进步的正常方式。当中国实验室从美国模型学习时被定性为“盗窃”，美国实验室从中国模型学习时被赞扬为“工程技术”，技术政策的严肃性在哪里？
Inkling 的发布，把硅谷藏在台面下的窘境摆到了聚光灯下。美国 AI 产业正在面临一个结构性矛盾：最好的开源模型来自中国，但华盛顿正在关闭使用它们的通道。
Token 经济学的逆袭
Inkling 在能力广度上或许不是最强的，但它在一个维度上做到了领先，Token 效率。
在 Terminal Bench 2.1 上，Inkling 达到英伟达 Nemotron 3 Ultra 相同性能水平时，平均生成 Token 数量只有后者的约三分之一。对于需要运行数百万次模型调用的企业级工作流，成本差异不是百分比，而是三倍。
更精妙的是，这种 Token 经济性不是通过后处理剪枝实现的，而是通过强化学习“长”进了模型基因。TML 在后训练阶段投入了超过 3000 万次强化学习 Rollout，引入了一个精巧机制：通过修改系统消息，为不同任务设置不同的每 Token 成本约束，让模型学会在需要时充分推理、不需要时控制预算。开发者可以通过一个 0 到 1 之间的参数调节 Inkling 的“思考力度”。
这一设计的商业逻辑非常清晰。Inkling 被定位为编程、模型评测打分和合成数据生成三个场景的主力模型。这几类工作有一个共同特点：高频、批量、对单次推理能力上限要求未必最高，但对成本和延迟极度敏感。一个企业级应用如果每次推理能省下三分之二的 Token 成本，乘以百万级调用量，省下来的钱足以买下好几个竞品模型的 API 套餐。
Inkling 给了企业一个在“最强”和“够用”之间的精确刻度盘。这恰恰是此前硅谷大模型军备竞赛中被忽略的市场真空。
合规套利，Inkling 的真正商业模式
Forbes 的分析一语中的：“Inkling 存在的意义是填补一个真空，合规的基础模型。”
这不是阴谋论，而是一笔正在快速成形的算账。截至 2026 年中期，中国开源模型已占据 OpenRouter 上约 45% 的企业 Token 调用量。Coinbase 通过将 Agent 迁移到 GLM 和 Kimi 节省了近一半的 AI 成本。Cursor 的 Composer 模型构建在 Kimi 之上。
但华盛顿正在关上门。美国国务院本月已警告美国公司使用中国模型的风险。众议院委员会启动了对 Airbnb 和 Cursor 使用中国 AI 的调查。采购禁令正在起草。对于任何涉及政府业务的公司，甚至仅仅是担心国会传票的公司，中国开源模型正在变成法律上的烫手山芋。无论最终规则如何，风险预期本身已经足够改变决策。
Inkling 的存在，正是在这个风险真空里放置了一个“许可选项”。它不是最好的基础模型，但它是低风险的、合规的那个。在一个企业决策由法务部门而非工程部门主导的世界里，“够用且合规”远比“最强但冒险”有市场。
这也解释了为什么 TML 不需要 Inkling 在基准测试上碾压对手。它瞄准的根本不是同一个市场。GPT-5.6、Claude Opus 4.8 争夺的是“最强的光环”，Inkling 争夺的是“最安全的第二选择”。
开放权重，封闭生态
Inkling 采用 Apache 2.0 许可发布开放权重，但 TML 的商业模式并不依赖模型本身收费。它依赖于 Tinker 平台，一个 AI 定制化基础设施。企业下载 Inkling，通过 Tinker 用自有数据进行微调，部署到自己的技术栈。TML 赚的是平台钱、算力钱和服务钱。
这是一个经典的“剃刀与刀片”模型：Inkling 是剃刀，Tinker 是刀片。DeepSeek 和 Kimi 开源了最好的模型，但它们没有配套的企业级定制平台。TML 赌的是，当华盛顿切断中国模型的通道后，企业需要的不仅是一个“替代品”，而是一个完整的、可定制的、受监管的 AI 基础设施。Inkling 是入口，Tinker 才是企业真正买单的东西。
TML 甚至通过 Inkling 做了一个实验性演示：让 Inkling 通过 Tinker 平台编写自己的微调任务、运行训练流程并评估结果。模型不仅塑造应用，还能塑造自身。这种“自反性定制”能力，对大型企业来说可能比任何基准测试排名都更具诱惑力。
这意味着什么
穆拉蒂在华尔街日报的采访中说了一句话，或许比整篇技术博客都更具洞察力：“OpenAI 擅长造世界上最好的模型，但 Thinking Machines 擅长造最适合你的模型。”
这句话揭示了 Inkling 的底层逻辑。美国大模型军备竞赛正在从“谁的模型最强”转向“谁的模型最适配”。GPT-5.6 和 Claude Opus 4.8 继续在 HLE 上争夺小数点后的排名，而 Inkling 选择了一条不同的路线。它承认自己不是最聪明的，但它是企业用得起的、法规允许的、能够定制的。
但 Inkling 也暴露了一个令硅谷不安的信号。美国 AI 产业正在走向一个诡异的循环：最好的开源基础技术来自中国，但地缘政治逼迫美国公司不能直接使用。于是它们“代理”式地学习中国的技术路线，再包装成“合规”的美式产品卖给企业客户。这套流程每运行一次，美国 AI 的原创性就稀释一分，对中国技术路线的依赖就加深一层。
当一个被授予国家最高安全许可的前 OpenAI CTO 选择用中国架构做美国模型时，聪明人应该读懂的，不是一个产品的发布，而是一个时代的切换。开源 AI 的重心正在东移，而硅谷正在做的，不过是为这场转移制造一个合规的挡箭牌。
快报