由前OpenAI首席技術官穆拉蒂創辦的Thinking Machines發布了首款模型Inkling，該模型採用混合專家架構，參數量達9750億，主要沿用DeepSeek-V3架構，後訓練借用了Kimi K2.5數據。然而在多項基準評測中，Inkling的性能落後於Kimi和GLM，但調用價格卻更高，每100萬Token收費1.87-4.68美元，約為Kimi的兩倍。Thinking Machines已完成20億美元融資，估值120億美元。穆拉蒂的選擇並非要與最強的中國模型競爭，而是看中了美國企業因監管政策不確定性而出現的合規市場——一款性能尚可、支持定制、合規風險更低的本土開放模型。

文章作者、來源：字母AI

OpenAI 前首席技術官穆拉蒂，推出了一款中國模型的「貴替」。

Thinking Machines 發布的首款模型 Inkling，其混合專家架構主要沿用 DeepSeek-V3，後訓練冷啟動還使用了 Kimi K2.5 等開放模型生成的數據。然而在多項基準評測中，Inkling 落後於 Kimi 和 GLM，調用價格反而更高。

對於一家融資20億美元、估值120億美元，團隊中聚集了大量OpenAI前員工的明星公司來說，這個結果多少有些低於預期。

但穆拉蒂可能從一開始就沒打算靠 Inkling 爭奪第一。隨著美國企業使用中國模型面臨越來越多不確定性，一款性能尚可、支持定制、合規風險更低的本土開放模型，已經擁有自己的市場。「貴替」沒有那麼強，也不愁「市場」。

Murati 的首款模型，就這樣？

當地時間7月15日，Thinking Machines Lab 發布了成立以來的首款模型 Inkling。

Looking at the specifications alone, this model fits the stature expected of a celebrity AI lab.

Inkling 採用混合專家架構，總參數量達 9750 億，每處理一個 Token 會激活 410 億參數；預訓練使用了 45 兆個 Token，資料涵蓋文本、圖像、音頻和視頻，最長支援 100 萬個 Token 的上下文。它能理解文字、圖片和音頻，並以文字形式輸出結果，還支援透過調整「思考強度」在性能、速度和成本之間取得平衡。

Inkling 同時開放了模型權重，採用相當寬鬆的 Apache 2.0 許可證。開發者可以下載權重並自行部署，也可以透過 Thinking Machines 旗下的 Tinker 平台對模型進行微調。

公司對其自身的定位非常明確：與其直接與 ChatGPT 爭奪普通用戶，Inkling 更適合擔當企業開發 AI 應用的底座。

不過，Inkling 最引人注意的部分，藏在技術報告後半段。

Thinking Machines 在介紹模型架構時直接表示，Inkling 的混合專家設計「主要沿用了 DeepSeek-V3」。它同樣設置了大量專家模組，每個 Token 僅調用其中一小部分，並採用了 DeepSeek-V3 的無輔助損失負載均衡等設計。

中國模型對 Inkling 的影響還延伸到了訓練階段。

Thinking Machines 表示，為了啟動後訓練，公司先用開放權重模型生成的合成數據做了一輪監督微調，其中明確提到了月之暗面的 Kimi K2.5。

整個技術路線已經足夠清晰：一家由前OpenAI首席技術官創辦的美國實驗室，其首款模型沿用了DeepSeek的架構，並借助Kimi生成的數據完成初始訓練。

借鑑開放模型本身沒有問題。DeepSeek 和 Kimi 公開權重並允許開發者使用，科學研究和工程開發本來就建立在公開成果的積累之上。更尷尬的是，Inkling 在吸收中國模型的技術後，性能依然未能超越這些「老師」。

Thinking Machines 也沒有粉飾。公司在發布文章中直接承認：「Inkling 並非目前表現最強的模型，無論是開放模型還是閉源模型。」

從 Thinking Machines 公布的結果看，

在「人類最後的考試」純文本評測中，Inkling 得分 29.7%，Kimi K2.6 和 GLM 5.2 分別達到 35.9% 和 40.1%；

加入工具後，Inkling 升至 46%，依然低於 Kimi K2.6 的 54% 和 GLM 5.2 的 54.7%。

在考察真實軟體工程能力的 SWE-Bench Pro 中，Inkling 得分 54.3%，Kimi K2.6 為 58.6%，GLM 5.2 達到 62.1%；

在 Terminal Bench 2.1 上，差距更加明顯，Inkling 僅為 63.8%，Kimi K2.6 和 GLM 5.2 分別達到 71.3% 和 82.7%。

當然，Inkling 也有自己的優勢。它在網頁應用設計、音頻理解和安全性評測中表現出色，在部分數學任務上也能超越 Kimi 和 DeepSeek。

僅從綜合推理、編程和智能體能力來看，它目前很難被歸入開放模型的第一梯隊。

性能未躋身最前，價格也未帶來驚喜。

在 Tinker 平台上，64K 版本的 Inkling 每 100 萬 Prefill Token 收費 1.87 美元，每 100 萬 Sample Token 收費 4.68 美元。前者可粗略理解為輸入成本，後者接近生成成本，且這已是「限時五折價」。256K 版本的價格更高，分別達到 3.74 美元和 9.36 美元。

作為對比，Kimi K2.6 官方 API 每 100 萬輸入和輸出 Token 分別收費 0.95 美元和 4 美元，GLM5.2 分別為 1.4 美元和 4.4 美元。

Tinker 同時提供訓練和採樣服務，計費標準與普通模型 API 並不完全相同。但根據上述價格粗略比較，Inkling 的預填充價格接近 Kimi K2.6 的兩倍，生成價格也高於 Kimi K2.6 和 GLM5.2，暫時未體現出價格優勢。

因此，Thinking Machines 的首款模型呈現出一種略顯微妙的局面：架構參考 DeepSeek，後訓練依賴 Kimi，綜合性能未超越中國頂尖開放模型，但調用價格反而更高。

穆拉蒂的選擇

考慮到穆拉蒂和Thinking Machines的背景，這樣的選擇便更加耐人尋味。

如果 Inkling 來自一家普通的 AI 創業公司，借鑒 DeepSeek、借助 Kimi 訓練，或許還沒有這麼耐人尋味。偏偏它來自 Thinking Machines——一家幾乎可以稱為「OpenAI 校友會」的公司。

2025年2月，Thinking Machines 正式亮相時，團隊僅約 30 人，其中約三分之二來自 OpenAI，其餘成員主要來自 Meta 和 Mistral。

創始團隊曾包括 OpenAI 聯合創始人 John Schulman、OpenAI 前研究副總裁 Barret Zoph，以及 Lilian Weng、Andrew Tulloch 和 Luke Metz 等研究人員。

這些人分別參與過 OpenAI 的強化學習、後訓練、預訓練、安全和推理研究。路透社當時甚至直接形容，穆拉蒂從前東家挖走了至少 20 名研究人員。

站在這群 OpenAI 校友中的穆拉蒂，當然是最特別的一個。

她於2018年加入 OpenAI，先後參與 DALL-E、Codex、ChatGPT 和 Sora 等產品，2022 年升任首席技術官，負責協調研究、模型訓練、安全和產品落地。

在2023年11月，OpenAI董事會突然罷免 Sam Altman 後，Muriati 曾短暫擔任代理首席執行官。她的角色更接近技術與產品的總負責人，對 OpenAI 的模型研發流程和產品化路徑有全面的了解。

換句話說，Thinking Machines 從成立之初就不缺 OpenAI 經驗。

穆拉蒂和她的團隊知道一家頂級閉源實驗室如何開發模型，也親歷了 ChatGPT 從研究成果變成全球產品的全過程。當這群人離開 OpenAI，從零搭建自己的技術體系時，外界自然會期待他們拿出一條帶有 OpenAI 印記的路線。

結果，Inkling 最明確的技術來源卻指向了中國。這很容易被理解為一個戲劇性的信號——最了解 OpenAI 的一群人離開 OpenAI 後，最終選擇了中國模型的技術藍圖。

不過，這個結論還需要拆開來看。

近年來，OpenAI 的前沿模型均採用閉源路線，外界無法取得模型權重，也無法了解完整的架構、訓練資料和後訓練方案。即使穆拉蒂熟悉 OpenAI 內部技術，也不能將前東家的商業機密直接帶入新公司。而 DeepSeek 和 Kimi 則公開了權重或技術報告，其架構、訓練方法和工具鏈均可合法研究與重用。

Inkling 本身也是一款開放權重模型。對於一家希望建設開放模型生態的公司來說，從 DeepSeek、Kimi 等開放模型中吸收成熟方案，屬於順理成章的工程選擇。

今天開發一款開放模型，完全避開中國團隊已經公開的成果，反而要付出更高的試錯成本。

因此，Inkling 借鑒中國模型，並不能直接證明穆拉蒂認為 DeepSeek 的技術全面領先 OpenAI。雙方公開程度不同，可供借鑒的條件也完全不同。

但這件事依然釋放了一個清晰的信號：至少在開放權重領域，中國模型已經成為美國 AI 團隊的重要參考系。

因此，借鑒中國模式並不難解釋。真正需要回答的問題是：Thinking Machines 吸收了現成的架構和訓練經驗，為何最終做出的 Inkling 性能更弱、價格更高？

穆拉蒂擁有頂尖團隊、充足資金和英偉達最新的訓練系統，她沒有理由看不到 Inkling 與中國模型之間的性能和價格差距。

Given this, "expensive replacement" is likely a calculated choice.

“一般般”，就夠了

根據 Thinking Machines 獲得的待遇，Inkling 原本不該只是一款「夠用」的模型。

在2025年7月，公司尚未推出任何產品，便已完成20億美元的種子輪融資，估值達120億美元，投資方包括安德森·霍洛維茨、英偉達、AMD和簡街等。四個月後，Thinking Machines 又傳出正在進行新一轮融資談判，目標估值高達500億美元，儘管交易最終未正式公佈完成，外界已將其視為 OpenAI 和 Anthropic 的潛在對手。

因此，當 Inkling 以一款性能不如中國模型、價格還更貴的產品亮相時，難免顯得低於預期。

From a business perspective, Murati may never have intended to use it to compete for the top spot in benchmark evaluations.

Thinking Machines 強調開放權重、多模態能力和可定製性，希望企業透過 Tinker 對其進行微調，將 Inkling 改造成客服、程式設計助手、行業智能體等專用模型。穆拉蒂押注的市場，對基準評測第一名並非那麼執著。企業更在意模型能否私有部署、能否掌握數據、能否根據自己的業務繼續訓練。

此前，這類需求很大一部分被中國開放模型承接了。

美國的 OpenAI 和 Anthropic 長期堅持閉源，Meta 的 Llama 4 表現不及預期後，也逐漸收縮開放路線。與此同時，DeepSeek、Kimi、Qwen 和 GLM 持續開放權重，性能越來越接近美國閉源模型，價格卻低得多。

美國企業很快用腳投了票。

根據 OpenRouter 向 CNBC 提供的數據，自 2026 年 2 月以來，中國模型在美國企業透過該平台調用的 Token 中，每周佔比均超過 30%，最高一度達到 46%。2025 年上半年的平均佔比僅為 4.5%。

Cursor 在開發 Composer 2 時測試了多款基礎模型，最終選擇 Kimi K2.5，理由也很直接——它在評測中表現最強。橋水基金則透過 Tinker 微調阿里的 Qwen，得到的定製模型以更低的成本超過了部分頂級閉源模型。

中國的開放模型因此成為美國企業降低AI成本的一條捷徑。只不過，這條路正承受壓力。

與此同時，美國對中國AI模型的監管氛圍正在收緊。相關部門已就數據安全、模型來源和供應鏈風險發出警告，部分使用中國模型的企業也受到調查。即便尚未形成統一限制，政策上的不確定性已足以影響企業選擇，尤其是涉及政府業務和敏感數據的公司。

這正是 Inkling 的市場空間。

它是一款由美國公司開發、採用 Apache 2.0 許可證、支援私有部署和定製的開放權重模型。美國企業選擇它，不必擔心使用中國模型引發的政治爭議，也更容易通過政府客戶和大型公司的合規審查。

Inkling 的真正價值，來自這種合規確定性。

穆拉蒂明顯看到了這個正在形成的空缺。

Thinking Machines 吸收 DeepSeek 和 Kimi 的公開成果，再將它們轉化成一款由美國公司提供的模型。Inkling 不需要在所有基準評測中擊敗中國模型，只需要成為那些不敢繼續使用中國模型的美國企業可以接受的選擇。

這也解釋了為何它敢於定價更高。政策為 Inkling 縮小了競爭範圍，使得性能和價格上的差距沒那麼致命。對於一些美國企業來說，一款稍弱、稍貴但風險較低的模型，已經足夠。

From this perspective, Inkling better demonstrates that Murati understands business.

然而，這套商業模式的代價，可能由美國企業承擔。

美國以外的公司仍可自由選擇 GLM、Kimi 和 DeepSeek，在更強大、更便宜的基礎模型上開發產品；美國企業卻可能被迫採用性能稍弱、價格更高的本土替代品。基礎模型的能力差距將持續傳遞至微調後的產品中，最終形成結構性的競爭劣勢。

華盛頓原本希望以限制來保護美國的AI公司，結果卻可能先為Inkling這類「貴替」創造了市場。對穆拉蒂來說，「一般般」就已經夠了；但對美國AI產業而言，這份「夠用」意味著成本上升與競爭力下降。