OpenAI前CTO穆拉蒂发布Inkling模型：借鉴DeepSeek和Kimi技术，主打成本与性能平衡

核心看点

OpenAI前CTO米拉·穆拉蒂创立的Thinking Machines Lab发布首款AI模型Inkling。采用MoE架构，总参数9750亿但仅激活410亿，借鉴中国DeepSeek-V3架构和Kimi K2.5训练数据，主打成本与性能平衡。

豪华团队阵容

Thinking Machines Lab由OpenAI前首席技术官Mira Murati牵头创立，团队阵容极为豪华，约三分之二的核心成员均来自OpenAI，曾在该机构领导过前沿的研究、产品与安全工作。

Inkling模型技术规格

• 架构：混合专家（MoE）架构
• 总参数：9750亿
• 激活参数：410亿（处理每次查询时仅激活部分参数）
• 上下文长度：100万tokens
• 训练数据：45万亿tokens，覆盖文本、图像、音频和视频
• 开源：已在Hugging Face开放权重

借鉴中国技术

值得注意的是，Inkling基础模型的架构借鉴了中国的DeepSeek-V3模型，并在后训练阶段使用了由月之暗面公司Kimi K2.5生成的数据进行了优化。

穆拉蒂表示，Inkling的设计重点是在成本与性能之间取得平衡，而非追求极致的原始性能。这种务实的定位，可能正是其差异化竞争的关键。

性能表现：美国最强开源，但仍有差距

在与其他模型的对比中，Inkling展现出以下特点：

vs 中国开源模型

• GLM 5.2在编码和推理上优于Inkling（SWEBench Pro：62.1% vs 54.3%）
• DeepSeek V4 Pro在编码和事实性测试上保持优势
• Kimi K2.6在多项技术基准上优于Inkling
• 但在数学方面，Inkling在AIME 2026测试中取得97.1%，超越DeepSeek V4 Pro的96.7%

vs 美国本土开源模型

• 在推理和编码方面，Inkling优于Nemotron 3 Ultra
• 在智能体工作流程方面遥遥领先（MCP Atlas：74.1% vs 44.7%）

vs 闭源巨头

• Claude Fable 5在编码和推理上保持绝对优势（SWEBench Verified：95.0% vs 77.6%）
• GPT-5.6 Sol在Terminal Bench 2.1上遥遥领先（89.5 vs 63.8）
• 但在多模态方面，Inkling仍具竞争力

开放权重模式的安全考量

Inkling采用开放权重模式，这意味着其他开发者可以结合自己的数据对模型进行修改。虽然这增加了灵活性，但也带来了安全隐患。

Thinking Machines表示已对Inkling进行了安全测试，包括评估其是否可能被用于协助制造生物武器或帮助黑客发动网络攻击等风险，测试结果显示模型表现良好。但公司也承认，由于采用开放权重模式，仍在研究如何进一步完善模型内置的安全防护措施。

总结

Inkling的发布标志着穆拉蒂的Thinking Machines Lab正式加入AI大模型竞争。虽然其整体性能并非最强，但在成本效率和可定制性方面的定位，可能为开发者提供一个新的选择。特别是其借鉴中国技术的做法，也反映出中国AI模型在全球范围内的影响力正在提升。