智东西
作者 | 孙小雯
编辑 | 程茜
智东西 11 月 6 日消息，今日，前 OpenAI 首席技术官米拉 · 穆拉蒂创办的美国 AI 创企 Thinking Machines Lab 发布通用多模态模型 Inkling 2 Small，并将于下周开放权重。该模型重点改善定制训练表现，支持开发者用自己的数据进一步训练，也支持自行调用工具对其他模型进行微调。
Thinking Machines 官方公告（图源：X）
该模型在第三方评测机构 Artificial Analysis（AA）的智能指数中获得 31 分，前代 Inkling-Small 为 13 分。按当前榜单，新模型开放权重后，将在该指数中位列中国以外开放权重模型第一。
AA 称，按当前排名，Inkling 2 Small 开放权重后，将成为中国以外研发的开放权重模型中智能指数得分最高的一款（图源：Artificial Analysis）
据 Thinking Machines Lab 透露，Inkling 2 Small 是其第二代模型系列的首款产品，采用混合专家（MoE）架构，总参数量为5940 亿，每个 Token 激活170 亿参数，支持文字、图像输入和文字输出，可调整思考投入程度。该公司通过改进预训练和采用统一强化学习，提高模型在智能体编程、视觉、知识工作和推理等任务中的表现，重点支持长时间自主执行任务。
在定制训练方面，该公司根据客户需求测试了多种后训练场景。其中，在使用公开财报电话会议数据构建的投资分析任务中，Inkling 2 Small 接受强化学习微调，训练 75 步即达到前代Inkling-Small 训练 200 步后的水平，最终成绩也高于前代。
投资分析任务中，各模型的表现随训练步数和估算训练费用的变化（图源：Thinking Machines Lab）
新模型还能执行训练与调试任务。在官方案例中，Inkling 2 Small 自行编写评测、准备数据、比较训练方案并修正错误，耗时 4 小时 17 分钟、花费 426 美元（约合人民币 2861 元）完成 Qwen3.5-4B 微调。该公司称，训练后的 Qwen3.5-4B 在未见数据上的预测误差较基座降低约 15%。
Inkling 2 Small 微调 Qwen3.5-4B 的过程截图，显示运行至 1 小时 39 分钟时的第二次监督微调方案测试结果（图源：Thinking Machines Lab）
Thinking Machines Lab 于 2025 年 2 月公开亮相，主要为开发者提供可定制模型和后训练工具。开发者可通过该公司的模型后训练平台 Tinker，使用自身数据与评价标准训练模型，无需自行管理底层分布式训练设施。
该公司联合创始人、CEO 米拉 · 穆拉蒂此前曾任 OpenAI 首席技术官，在 OpenAI 工作逾 6 年。任职期间，她负责研究、产品与安全，领导了 ChatGPT、GPT-4、DALL · E 等项目的开发与发布。
Thinking Machines Lab 联合创始人、CEO 米拉 · 穆拉蒂（图源：达特茅斯学院）
据 Business Insider 今日报道，该公司正在洽谈由 Accel 领投的 50 亿美元新一轮融资（约合人民币 336 亿元），拟议投前估值 400 亿美元（约合人民币 2687 亿元）。
此前，该公司已获 a16z、英伟达等机构投资。今年 3 月 10 日，英伟达披露已向该公司投资，金额未公布。2025 年 7 月，Thinking Machines Lab 披露完成约 20 亿美元种子轮融资（约合人民币 134 亿元），投后估值 120 亿美元（约合人民币 806 亿元），由 a16z 领投，英伟达、AMD、Accel、思科等参与。
目前，开发者可自行调用和微调 Inkling 2 Small，也可在 Tinker Playground 体验该模型。
定价方面，该模型采样服务每百万非缓存输入 Token 收费 0.30 美元（约合人民币 2.02 元），每百万输出 Token 收费 1 美元（约合人民币 6.72 元）；64K、256K 上下文窗口的训练费用分别为每百万 Token 1.50 美元（约合人民币 10.08 元）、3 美元（约合人民币 20.15 元）。
该公司计划在完成外部安全测试和红队测试后，于下周以 Apache 2.0 许可证开放完整权重，届时用户也可下载在 Tinker 上训练得到的检查点。
一、AA 智能指数升至 31 分，覆盖编程、金融与视觉任务
如前所述，Inkling 2 Small 在 AA 智能指数中获得 31 分，较前代 Inkling-Small 的 13 分增加 18 分。该指数综合衡量知识工作、编程、科学和通用能力，截至 11 月 6 日，得分最高的开放权重模型为 Kimi K3.1 Pro，成绩为 46 分。
与前代相比，模型规模也有扩大。据 Thinking Machines Lab 透露，前代 Inkling-Small 总参数量为 2760 亿，每个 Token 激活 120 亿参数；新模型 Inkling 2 Small 总参数量为 5940 亿，每个 Token 激活 170 亿参数。
编程方面，据该公司汇总的第三方评测结果，新模型在软件工程测试 FrontierCode v2.0 中取得 25.4%，高于 GLM-5.3-Flash 的 14.2%，低于 DeepSeek-V4.1-Flash-1017 的 28.5%。金融任务方面，新模型在金融智能体评测 Finance Agent v2.1 中取得 67.5%，高于 DeepSeek-V4.1-Flash-1017 的 62.9%。
Inkling 2 Small 与其他模型在编程及自动化研究任务中的成绩对比（图源：Thinking Machines Lab）
视觉方面，据该公司公布的评测结果，新模型在图像理解测试 MMMU Pro（Standard 10）中取得 81.6%，略高于 DeepSeek-V4.1-Flash-1017 的 80.6%。模型还会查看自己生成的页面或场景，根据视觉反馈继续修改代码
Inkling 2 Small 与其他模型在视觉理解、界面定位及视觉创作等评测中的成绩对比（图源：Thinking Machines Lab）
在考察网站生成能力的 DesignArena 评测中，据该公司引用的 11 月 5 日榜单，Inkling 2 Small 获得 1340 分，高于 GPT-6 Astra（max）的 1333 分，低于 Muse Wonder（max）的 1366 分。
11 月 5 日 DesignArena 网站生成榜单中的部分模型成绩（图源：Thinking Machines Lab）
视觉创作方面，该公司展示了城市模拟器、Linux 个人电脑模拟器、折纸场景和户型漫游四个案例，涵盖交互式应用开发、系统模拟和三维场景制作。其中，城市模拟器支持用户扩建城市、管理供电与预算；户型漫游则根据平面图制作三维演示。
城市模拟器从铺设道路、划分地块开始，逐步生成住宅和高层建筑。演示中，零散建筑扩展成完整街区，城市还会经历昼夜变化，夜间建筑和道路亮起灯光。界面两侧保留了建设工具和城市管理面板，用户可一边扩建，一边查看人口、供电与预算等信息。
Inkling 2 Small 编程构建的城市模拟器，展示道路建设、街区扩张及昼夜变化（视频来源：Thinking Machines Lab）
户型漫游则把平面图变成了可以走进去的三维空间。演示采用第一人称视角，依次穿过客厅、书房和厨房等房间，室内摆有沙发、书架和绿植。右上角的平面图同步标出当前位置与朝向，方便用户对照房间布局。
Inkling 2 Small 根据平面图制作的三维户型漫游，右上角地图同步显示位置与朝向（视频来源：Thinking Machines Lab）
二、金融任务 75 步追平前代，4 小时 17 分钟完成 Qwen 微调
据 Thinking Machines Lab 公布的定制训练实验，Inkling 2 Small 在一项投资分析任务中，训练 75 步便达到前代 Inkling-Small 训练 200 步后的水平，最终成绩也高于前代。
该任务使用公开财报电话会议数据，考察模型接受针对性训练后的分析表现。各模型采用相同数据和算法，通过 Tinker 训练 200 步，并分别搜索学习率。Inkling 系列采用 3 个随机种子开展实验，结果取平均值。
新模型也能执行训练与调试任务。在美国 AI 数据创企 Proximal 为该公司构建的一项内部任务中，Inkling 2 Small 需要微调 Qwen3.5-4B，训练后者预测天气、维基百科页面浏览量等时间序列。
据该公司公布的演示，任务限时 12 小时，Tinker 费用预算为 500 美元（约合人民币 3358 元）。模型实际耗时 4 小时 17 分钟，花费 426 美元（约合人民币 2861 元）完成任务。该公司称，微调后的 Qwen3.5-4B 在未参与训练的 8-9 月数据上，预测误差较基座降低约 15%。
过程中，Inkling 2 Small 先编写评测、整理训练样本，发现 8 次预测使用相同随机种子后修正了设置。随后，它比较监督微调（SFT）和强化学习（RL）方案。RL 尝试导致预测过度自信、成绩下降，模型停止该方案，补充近期数据继续 SFT，最终提交 SFT 检查点。
GPU 算子优化则是另一类研发任务。据该公司公布的结果，Inkling 2 Small 将 DeepSeek-V3.2 稀疏注意力前向、反向算子的速度提高至原始实现的 6.02 倍，高于 DeepSeek-V4.1-Flash 的 5.66 倍，低于 Claude Opus 5.5 的 18.80 倍。测试在 B300 GPU 上进行。作为对照的原版算子代码没有针对 B300 做专门优化，6.02 倍指优化后的算子代码相较原版的运行速度。
不同模型优化 DeepSeek-V3.2 稀疏注意力算子的过程与结果，纵轴为相较原版算子代码的加速倍数（图源：Thinking Machines Lab）
三、统一强化学习训练 9 天，增加行为约束与执行监控
训练方法方面，据 Thinking Machines Lab 透露，该公司先通过多阶段训练积累模型的通用能力，再通过统一强化学习训练模型完成多步骤任务，具体有两个重点：
1、分阶段加入高质量数据与任务执行记录
初始预训练使用 8.4 万亿 Token，在英伟达 GB300 NVL72 机架上运行 68 小时，原生采用 NVFP4 低精度浮点格式进行训练。
后续阶段继续使用 3.8 万亿 Token 的质量更高、时效性更强的数据，再加入推理与智能体执行轨迹。部分轨迹来自 Kimi K3 和该公司此前模型的采样，经过正确性与对齐筛选后用于训练。
2、将推理与智能体任务放入同一轮强化学习
前代 Inkling 分别训练推理与智能体能力，再通过多教师蒸馏合并。本次改为统一强化学习，使用 2048 张 GPU 训练 9 天，完成 1075 步，生成超过 1700 万条轨迹。
Inkling 2 Small 统一强化学习的计算量、GPU 数量、训练时长及轨迹规模（图源：Thinking Machines Lab）
训练任务覆盖编程、文档、视觉、工具使用和科学问答等领域。代码任务主要依靠隐藏测试和程序检查评分，文档与工具使用采用评分规则及大模型裁判，网页应用则比较渲染截图。
为支持长任务，训练采用 256K 上下文并加入上下文压缩。单条轨迹耗时的中位数为 8 分钟，第 99 百分位为 4 小时。该公司研发团队还在奖励中加入长度惩罚，让模型平衡思考投入与执行效率。
Inkling 2 Small 强化学习的训练参数，包括上下文窗口、单条执行轨迹的 Token 用量及执行时长（图源：Thinking Machines Lab）
在行为约束方面，Thinking Machines Lab 从训练和执行监控两方面减少模型编造结果、无视指令等行为。据该公司公布的内部评测，新模型的不当行为指标为 14.9，低于前代 Inkling-Small 的 75.2，但仍高于 GPT-6.1 Sol 的 0.8。
Inkling 2 Small 与其他模型在行为对齐相关评测中的成绩，表中各项指标均为数值越低越好（图源：Thinking Machines Lab）
训练方面，该公司过滤包含不当行为的轨迹，在强化学习中惩罚违规操作，并奖励模型放弃无法完成的任务。此外，该公司还为教师模型提供行为规范提示，再通过同策略自蒸馏训练新模型。
执行监控方面，系统在工具调用前检查操作是否符合任务授权，并审查已完成的执行记录。据该公司披露，一次训练中，异步监控器发现模型通过搜索工具可访问的第三方服务，绕过了网络阻断。该公司研发团队随即暂停训练、加固设施、移除需要联网的环境，并增加工具调用前的同步监控，随后恢复训练并继续开展对齐训练。
结语：通用模型持续升级，模型厂商与云平台争夺定制模型训练业务
Inkling 2 Small 提高了通用能力，也改善了接受定制训练的表现。Thinking Machines Lab 通过 Tinker 提供该模型，让开发者使用自己的业务数据和评价标准继续训练，并展示了模型执行微调实验的过程。
模型定制已有多类企业参与。今年 3 月 17 日，法国大模型公司 Mistral AI 推出企业训练系统 Forge，支持使用内部文档、代码和业务记录训练模型；2 月 17 日，美国云服务商 AWS 也将 Amazon Bedrock 的强化学习微调扩展至部分 Qwen 和 GPT-OSS 模型。
企业客户既需要通用模型，也需要模型适应自己的术语、流程和任务要求。围绕这些需求，厂商争取的业务覆盖模型调用、定制训练、评测和部署。Thinking Machines Lab 此次同时升级模型和训练能力，也是在为这类企业订单增加筹码。