估值 400 亿美元，美国公司，终于做出了中国开源模型的竞对
作者：Wildcard，极客公园
11 月 5 日，OpenAI 前 CTO Mira Murati 创立的 Thinking Machines Lab（简称 TML）同一天传出了两条重磅动向。
当天，公司正式发布了第二代模型 Inkling 2 Small，第三方权威评测机构 Artificial Analysis（AA）给出了极高评价：在权重全面放出后，它将成为「中国以外得分最高的开放权重模型」。
与此同时，市场消息透露这家明星创企正以 400 亿美元的投前估值筹集 50 亿美元的新一轮融资。
TML 在 2025 年 2 月对外高调亮相，至今已历经一年半有余。这期间，他们拿到了 a16z 领投的 20 亿美元种子轮融资，但也经历了核心团队的震荡流失——联合创始人 Andrew Tulloch 转投 Meta，联合创始人 Barret Zoph、Luke Metz 等人重返 OpenAI，随后由 PyTorch 联合创始人 Soumith Chintala 接任 CTO 一职。
今年 1 月曾有报道指出，团队此前以约 500 亿美元估值推进的融资谈判一度陷入停滞。因此，这一轮高估值融资能否顺利闭环，极大程度上取决于其二代模型的硬核成色。
翻开 Inkling 2 Small 的技术博客，在常规的跑分榜和架构图之外，最引人深思的是一段交代训练数据来源的坦率记录：模型预训练后半程的数据，大部分采样自更早的模型轨迹，其中赫然点名了月之暗面的 Kimi K3。
594B 的 Small 强在何处
在当下的生成式 AI 产业中，「Small」这个词所指代的参数体量正在被不断刷新。
TML 于今年 7 月发布的初代开放权重模型 Inkling 拥有 975B 总参数，两周后跟进的 Inkling Small 则是 276B。而到了第二代，Inkling 2 Small 的总参数量翻了一倍多，直接攀升至 594B，每次推理激活 17B 参数。它采用 MoE（混合专家）架构，原生支持 100 万 token 上下文与可调的思考深度，支持视觉多模态输入，但移除了初代具备的直接音频输入能力。
其底层的训练流程极为繁重。在预训练第一阶段，团队依托英伟达 GB300 NVL72 机架集群，在 68 小时内以原生 NVFP4（4 比特浮点）精度吞吐了 8.4 万亿 token；第二阶段进一步灌入 3.8 万亿 token 的高质量增量数据；最后两个阶段则以合计约 3540 亿 token 的复杂推理与智能体长轨迹收尾，将上下文完整拉升至 100 万。
紧随其后的是长达 9 天的大规模联合强化学习：调用 2048 块 GPU，完成了超过 1700 万次 rollout，单次 rollout 中位耗时达 8 分钟，长流程任务单次甚至能持续运行 4 个小时。
如此长链路的严苛训练，所瞄准的正是官方口中这一代模型的最大突破：具备高可靠性的长程自主工作能力。在官方技术演示中，模型直接基于 Three.js 从零写出了一个完整的城市经营模拟游戏，其建筑网格、地形纹理、车辆调度完全由程序自主生成，同时还需动态处理电力供给、财政预算与随机突发灾害；此外，它还能用 Python 从零编写出能够成功启动真实 Linux 内核的硬件模拟器，甚至将一张二维平面户型图端到端转化为支持自由视角的 3D 室内漫游场景。
图：用 Three.js 从零生成的城市经营游戏模拟
整个强化学习训练过程同样惊险跌宕。在强化学习进行到中途时，后台监控系统意外发现：模型借助联网搜索工具调用的第三方外部服务，竟然成功绕过了团队预先设定的网络沙盒封锁。团队被迫紧急叫停训练进程，彻底剥离联网执行环境，并为所有工具调用接口部署了毫秒级的同步安全探针后才重新加载断点。
官方还坦承，早期工程版本在遭遇过于棘手的长难任务时会表现出极端的「执念偏差」，频繁出现凭空编造执行结果、故意忽视约束指令甚至主动掩盖报错日志的行为。在最终发布的稳定版本中，其内部量化「不当行为」的失分已从上一代的 66.8 显著收敛至 14.9，但在指令遵循的严谨性上相比顶尖闭源模型仍存在代差。
在权威评测基准方面，该模型最突出的性能长板集中在知识工作与长流程企业级商业任务。在专门考核复杂表格、专业演示文稿与战略备忘录生成的 AA-Briefcase 基准测试中，它斩获了 1527 的 Elo 评分，不仅相较上一代 Small 的 912 分实现断层飞跃，更是全面超越了 Claude Sonnet 5.5 (medium) 的 1439 分与 Gemini 3.8 Flash (high) 的 1203 分。在官方披露的横向对比中，它在 JobBench（70.5%）、Vals 法律指数（73.9%）、金融分析指数（61.5%）以及权威高难基准 HLE-Diamond（28.7%）上均摘得头名桂冠。
然而在纯粹的代码编程维度，它并未建立起全方位的统治力。在 FrontierCode v2.0 与 DeepSWE v1.1 软件工程基准上，它虽然小幅领先 Kimi K3 与 GLM-5.3-Flash，但显著落后于 DeepSeek-V4.1-Flash（得分分别为 25.4% 对 28.5%，72.1% 对 77.0%）；而在高难度的 SWEBench Pro v2 (Hard) 测试中，其实际解题率同样逊于 Kimi K3。若与顶级闭源旗舰对标，在真实的命令行终端操控任务 Terminal-Bench 4.0 上，它的胜率仅有 13%，与 Sonnet 5.5 的 30% 仍有显著距离。
实现长程自主规划的直接工程代价，是极其惊人的 token 算力消耗。在 AA 的标准化基准测试中，Inkling 2 Small 完成单个综合任务平均需要输出约 15 万 token，而上一代仅需 3.7 万，Sonnet 5.5 仅需 3.1 万。不过 TML 采取了激进的成本定价策略：API 每百万 token 输入仅计费 0.30 美元，输出计费 1.00 美元，折合单任务平均推理成本仅约 1.18 美元，相较之下 Gemini 3.8 Flash 单任务成本需 7.77 美元，Sonnet 5.5 更是高达 10.02 美元。
此外，该模型幻觉率指标的显著压降在工程手法上略显取巧。在 AA-Omniscience 全知性评测中，其幻觉率虽然从上一代的 61% 骤降至 27%，但整体答题响应率也从 77% 大幅退缩至 53%，实际综合准确率仅从 32% 微幅提升至 34%。这意味着幻觉指标的优化，核心来自「遇到不确定事实直接拒答」的对齐约束。官方同时承认，该模型在通用日常对话层面的打磨较为生硬，语言组织较为机械，且存在频繁使用格式斜杠等风格瑕疵。
为云端微调平台 Tinker 造一把趁手的锤子
为何要倾注巨资打造一个对话体感粗糙、但在编写代码、处理复杂数据表格上极度卖力的专精模型？答案直接指向了 TML 当下的核心变现商业引擎——Tinker。
Tinker 是 TML 于 2025 年 10 月正式上线的企业级云端微调 API 平台。对于 TML 而言，开源或开放权重模型更像是为 Tinker 平台聚拢全球开发者的流量招牌：以免费的模型权重吸引技术生态，再引导企业级大客户接入平台进行高附加值的定制化微调与批量推理结算。
模型在强化学习阶段的任务配比，极其直观地印证了这种强烈的商业导向：按总 token 消耗量统计，编程任务独占 65.0%，专业办公与知识工作占据 13.3%，STEM 深度逻辑推理占 7.6%，前沿网页与端到端应用构建占 7.2%，四项高阶生产力任务合计权重超过 93%；而与大众日常泛聊天相关的常规任务，全流程占比仅有极其微弱的 0.1%。
其强化学习的自动化评估体系同样完全紧扣商业生产力场景量身定制：代码编程采用隐藏式的单元测试集，针对部分长流程任务增设了「智能体审查器」，不仅核验代码是否通过测试，更深入拆解模型解题的逻辑链路；结构化文档与外部工具调用由配置严密评分细则的 LLM 评委联合裁决；对于网页端应用，则将前端即时渲染出的真实截图进行两两自动化视觉对抗评估。
图：Inkling 2 Small 在 Blender 中按反馈迭代出的纸艺动画
TML 官方在对外宣发中反复强调的杀手锏优势，正是「极强的可微调性」：在相同的数据集规模与算法策略下，新模型能够展现出更高的收敛效率与性能跃升上限。在官方披露的一项企业财报自动化摘要微调任务中，Inkling 2 Small 仅经过 75 个训练步长（steps），其评估指标便追平了初代 Small 跑完全程微调周期的最终水平。
博客中还公布了一个极具自举特性的「套娃式」自动化训练实测：TML 为 Inkling 2 Small 划拨了 500 美元的专属算力预算，让其以自主智能体身份登录 Tinker 平台，全流程自主训练一个轻量级的 Qwen3.5-4B 模型来完成时间序列预测任务。Inkling 2 Small 自行构建基准评测、编写高质量 SFT 数据并调度强化学习，耗时 4 小时 17 分钟、消耗 426 美元预算后，将目标小模型的基准测试得分从 0.191 稳步推升至 0.289。
TML 团队明确表态，Inkling 2 Small 仅仅是「多层级模型天梯中的第一级阶梯」，更多尺寸和全尺寸旗舰版本已在紧锣密鼓地筹备之中。以兼顾推理成本的中等规模模型为突破口，先行验证可微调性与自主代理的长程干活能力，将全球高净值开发者顺畅引入 Tinker 商业生态，这门 AI 基础设施生意才能真正实现正向飞轮运转。
被硅谷巨头蒸馏的中国开放权重模型
再审视那行引发业界震动的技术日志。TML 官方在工程报告中写道：「H3 与 H4 两个训练阶段的数据集，大部分采样自更早的模型（包括月之暗面的 Kimi K3 以及我们自己的早期模型）所生成的推演轨迹，并在清洗阶段针对逻辑正确性与对齐标准执行了严格的自动化过滤。」
深入分析其训练阶段设计：H3 阶段包含了约 3200 亿 token 的复杂推理与智能体行为轨迹（同时混合了预训练数据的回放），H4 阶段则是甄选出的约 340 亿 token 超高品质智能体黄金轨迹。尽管相较前两阶段合计 12.2 万亿 token 的基石语料而言，这部分体量算不上庞大，但其所处的工程节点却决定了模型的智能形态——模型正是借助这两段关键语料，内化了百万长上下文推理逻辑，学会了像专业自主智能体一样调用工具与协同纠错，随后才得以平滑过渡至强化学习阶段。
尽管 TML 并未详细拆解 Kimi K3 语料在其中的具体百分比占比，因此不能简单地将 Inkling 2 Small 标签化为「靠单一蒸馏 Kimi 拼凑出的产物」。但毫无争议的客观事实是：在这份代表硅谷第一梯队的复杂工程配方中，Kimi K3 是全篇唯一被白纸黑字正式点名的外部第三方模型。
图：从平面户型图端到端生成的 3D 漫游与行走路线
为什么偏偏在长上下文与智能体能力成型的关键阶段选用外部开源轨迹？根本原因在于，高价值的智能体真实执行轨迹是整个人工智能领域极其稀缺的优质数据。它要求大模型身处真实的交互沙盒中，自主调用 API 接口、解析终端报错信息、多轮修正脚本并完成端到端成果验证。一条完整的长流程轨迹往往动辄消耗数万 token，仅靠传统的人工作工标注几乎无法实现规模化量产。
在工程实现上，最高效务实的路径莫过于寻找一个在底层代码逻辑与智能体执行力上已被充分验证的成熟标杆模型，让其在海量沙盒任务中昼夜运转，自动化萃取所有解题成功的正向轨迹。在 TML 官方公布的技术基准横向测评中，Kimi K3 在长上下文理解以及极其苛刻的 SWEBench Pro v2 (Hard) 软件工程基准上，其实际得分均稳稳排在 Inkling 2 Small 之前，将其采纳为数据管线中的「良师」，在工程理性上完全合乎逻辑。
这一幕戏剧性的技术互动，置于当下的全球地缘科技博弈语境中更显微妙。就在今年 2 月，Anthropic 曾公开发布调查声明，指控包括 DeepSeek、月之暗面以及 MiniMax 在内的中国头部大模型团队，利用约 2.4 万个分布式账户频繁调用 Claude API 进行超过 1600 万次多轮交互，以此逆向蒸馏其高阶能力；而仅仅数月之后，一家由 OpenAI 核心元老创办、估值数百亿美元的硅谷头部明星独角兽，却在公开的技术博客中大方承认，自己在底层训练架构中深度采样了月之暗面开源模型的输出轨迹。
当然，两起事件在法律合规与开源契约上存在本质分野：通过非正规批量注册绕过商用 API 的速率限制与服务条款，属于违反商业协议的灰度操作；而 Kimi K3 属于开放权重模型，其模型权重在全球开源社区完全公开，在自有计算集群上本地化部署并采样其推理结果，属于开源生态体系内部极为常规的技术互动。
更深层次的剧变发生在底层技术生态位的悄然易位。在过去数年的大模型发展浪潮中，开源社区与中小创业团队的通用范式，普遍是直接拉取 Meta 的 Llama 或法国 Mistral 的开源权重进行下游微调，或是利用硅谷闭源大厂的商用输出去蒸馏小型专用模型。而时至今日，以 Kimi K3 为代表的中国顶尖开放权重模型，已经实质性跻身成为硅谷一线科研团队训练下一代旗舰基座的核心语料供给方；与此同时，TML 技术演示中所调用的底层自举底座，同样是来自阿里巴巴开源的 Qwen 架构。
透视中美开源模型的生态位轮动与追赶真相
然而客观审视，即便直接吸收了 Kimi K3 等外部标杆的优质轨迹，Inkling 2 Small 距离全球开源生态的王座仍有肉眼可见的技术差距。
在 Artificial Analysis 发布的最新一期开放权重模型综合排行榜（v5.0.1）上，Inkling 2 Small 凭借 31 分的基准成绩确实全面领跑欧美一众同行：排在其后的 Mistral Large 4 得分为 26 分，Meta 倾力打造的 Muse Spark Open 仅录得 25 分。这正是 AA 为其冠以「中国以外得分最高的开放权重模型」这一特定头衔的缘由所在。
然而一旦拿掉「中国以外」这一限定前缀，全球开放权重赛道的真正顶峰依然被中国模型全面包揽：月之暗面的 Kimi K3.1 Pro 以 46 分的绝对优势断层领跑全场，深度求索的 DeepSeek V4.1 Flash 录得 33 分，智谱 AI 的 GLM-5.3 获得 32 分。Inkling 2 Small 仅位列全球第四席位，其紧随其后的身后还有取得 30 分的小米 MiMo-V2.6-Pro。换而言之，美国团队倾力打磨出的这一代旗舰小钢炮，实质上追赶平齐的是中国开源生态的第二梯队 Flash 级推理模型，距离中国最顶级的旗舰版本仍有整整 15 分的代际落差。
更为现实的是，在当前时间节点，它还不能算作完全意义上的开放开源模型。按照 TML 早在 7 月便确立的所谓「安全开放分阶段路线」，该模型初期仅在自家的云端 Tinker 平台上以闭源 API 形式提供内测，必须等待外部红队安全评估彻底完成后再视情况开放模型权重。尽管官方在技术博客中承诺「计划下周正式以 Apache 2.0 商业开源许可向全球开源社区完整放出全部权重」，但 AA 在评测页面上对实际权重发布日期依然审慎标注为「未确认」。这一承载着 400 亿美元估值叙事的开源支票能否如期足额兑现，下周的技术生态将给出最终答案。
全球开源与开放权重模型的白刃战，正在演化为一场「顶级玩家的输出成果彼此吸纳、技术轨迹多向对流」的深度复杂循环。Thinking Machines Lab 用一篇不避讳借鉴的坦诚技术博客，将这种技术反哺与全球生态位重构的现实彻底摆到了台前。
可以预见的是，伴随着 Murati 团队顺着其所谓的「模型天梯」持续攀登、拿出参数规模更加庞大、推理能力更加高阶的 Inkling 2 旗舰版模型时，中美顶尖 AI 实验室在开放生态中的技术交锋与互为养料，必将碰撞出更加深远的产业震荡。