7月16日，由OpenAI前首席技术官Mira Murati创立的Thinking Machines Lab发布其首款AI模型Inkling。据凤凰网报道，Inkling总参数达9750亿、活跃参数410亿，采用开放权重（open-weight）模式，并借鉴了DeepSeek-V3的架构思路，设计重点明确指向「成本与性能的平衡」，同时配套推出Tinker云端微调工具，让使用者可以基于开放权重做定制化训练。
一、首秀定位：不走「最大」，走「最平衡」
Inkling最鲜明的姿态，是拒绝参与「参数越大越好」的军备竞赛。9750亿总参、410亿激活的MoE配置，先把单次推理的成本压在可控区间，再把能力维持在可用甚至好用的水位。其借鉴DeepSeek-V3架构的思路，本质上也延续了「用架构效率换参数效率」的路线——不靠堆绝对规模取胜，而靠在单位算力下拿到更高性价比。对一个新锐实验室而言，这既是对前沿模型高成本的绕行，也是一种差异化的市场站位。
二、开放权重：把「可定制」做成产品力
比参数更关键的是发布方式。Inkling选择开放权重，意味着研究者和企业可以在自有环境内部署、微调乃至审计模型，而不必永远依赖黑盒API。配套上线的Tinker云端微调工具，进一步把「定制」门槛降下来——用户无需自建完整训练栈，就能在云端对模型做适配。开放权重+云端微调的组合，恰好击中了企业最在意的两条诉求：数据不出域的可控性，与贴合自身业务的专用性。
三、为什么是现在：成本与性能的平衡成为新卖点
Inkling的出场，折射出模型市场的一个转向。过去一年，frontier模型的竞争长期被「更强、更大」主导，但对企业与开发者来说，「够用、可负担、可定制」往往比「登顶榜单」更影响采购。当开源与开放权重模型在多项任务上逼近闭源前沿，差距被价格与灵活性对冲，「成本与性能平衡」就从一个妥协性表述，变成了有号召力的产品主张。Thinking Machines Lab用首款模型就押注这条路线，相当于在拥挤的模型市场里，主动选择了一块尚未被巨头垄断的地带。
四、客观看：路线清晰，但「平衡」仍需实绩验证
理性评估，Inkling的打法有清晰逻辑：开放权重建立信任，成本性能平衡建立差异化，Tinker降低定制门槛。对一个由明星技术人物领衔的新实验室，首款模型选择「务实路线」而非「炫技路线」，是稳健的开局。但也要保持清醒——「成本与性能平衡」是一个需要被benchmark和真实负载反复验证的承诺，而非自证命题；在开放权重模式下，社区生态能否起来、微调范例是否充足，将决定它的实际影响力。此外，关于Inkling在特定权威评测中的具体名次与多语言表现，行业暂未披露完整数据，其真实水位仍有待更多第三方实测。可以确定的是，模型竞争的叙事，正在从「谁最强」悄悄裂出一条「谁最划算、最可控」的支线。