前OpenAI CTO新品炸场,9750亿参数开源却不做“最强”?企业级AI底座新思路
前OpenAI CTO Mira Murati创立的Thinking Machines Lab,今天正式发布了旗下首个开源权重模型Inkling。9750亿参数、MoE架构、完整权重开放——参数看起来相当唬人。但官方自己泼了盆冷水:"Inkling并非当前最强模型"。那它的定位到底是什么?跟国内那几款明星开源模型相比,差多少?适合哪些场景入手?先搞清楚它的核心技术路数和实际表现。1
9750亿参数是什么概念?
跟国内那几款模型比,差多少?
官方公布的基准测试数据最有说服力。编程领域,Inkling在SWE-bench Verified测试中拿到77.6%,低于DeepSeek V4 Pro的80.6%和GLM 5.2的80.0%,略低于Kimi K2.6的80.2%。Terminal Bench 2.1测试里,GLM 5.2得分82.7%,Inkling只有63.8%,差距明显。但在AIME 2026数学竞赛测试中,Inkling拿到了97.1%,比DeepSeek V4 Pro的96.7%稍高。在智能体工具调用测试MCP Atlas中,Inkling得分74.1%,领先Kimi K2.6的44.7%。整体来看,Inkling在推理和编程方面确实落后于国内头部模型,但多模态和智能体场景有来有回。45
跟美国本土开源模型对比,Inkling表现更有优势。AIME 2026测试中,Inkling得分97.1%,英伟达Nemotron 3 Ultra为94.2%;SWE-bench Verified得分77.6%对70.7%。官方还提到一个关键数据:在Terminal Bench 2.1达到相同成绩时,Inkling消耗的token数量约为Nemotron 3 Ultra的三分之一——这意味着推理效率明显更高。跟Claude Opus 4.6在Design Arena智能体网页开发盲测中,Inkling得分1257,与Claude Opus 4.6持平,接近GPT-5.6 Sol的1260分。67
真正的卖点不是跑分
开源权重不等于免费用
有一点需要明确:开放权重(open-weight)和完全开源不能简单画等号。Inkling的训练数据未公开,训练方法也无法完全复现,许可证虽宽松但仍有条件限制。把云端API换成本地模型,不是简单省掉接口费——设备采购、运维团队、推理算力这些成本都会转嫁过来。官方主打的Tinker微调服务才是变现路径,企业用户需要评估这套方案相比直接调用API的性价比。10
还有一个值得玩味的点:Inkling的基础架构借鉴了中国的DeepSeek-V3,后训练阶段还用了月之暗面Kimi K2.5生成的数据。官方毫不避讳这点,直接写进了公告里。这意味着中国AI公司的技术输出,正在被硅谷顶级团队参考采用——打破了"技术西向东流动"的固有印象。DeepSeek的混合专家架构以高性价比和成熟的工程表现赢得了全球开发者认可,Kimi在长上下文和高质量合成数据领域也有深厚积累。11
当前文章无评论,是时候发表评论了