7 月 15 日，Thinking Machines 发布第一款开源权重模型 Inkling。Mira Murati 离开 OpenAI 后，这家公司第一次把自训练的大模型完整推到台前。
发布文没有把“榜单第一”放在最前面。Thinking Machines 明确写到，Inkling 不是今天最强的通用模型；它更适合作为一个可定制的 open-weights base model。
底座规格足够重：975B 总参数，41B active，MoE 架构，最高 1M token 上下文，预训练覆盖文本、图像、音频和视频。模型卡写明 Apache 2.0，面向 agent、工具调用、代码助手、聊天机器人和 RAG 等开发场景。
这些参数说明 Inkling 有底座能力，但发布重心落在另一条线上：开源权重、Tinker 微调、可控 thinking effort、多平台部署，组合成一条从基础模型到业务模型的改造链路。
好模型不只回答问题，还要把组织里的经验变成权重。
从 checkpoint 到改造链路
发布文里最有象征性的演示，是让 Inkling 在 Tinker 上微调自己。它生成训练目标和评估逻辑，跑完 fine-tuning，再切换到新的 checkpoint。
这个 demo 不意味着企业都会让模型自我改写，但它把 Thinking Machines 的产品意图暴露得很清楚：Inkling 的发布把权重文件放进一条可以持续 post-train 的路径。
Tinker 负责把这件事产品化。Inkling 今天可在 Tinker 上微调，提供 64K 和 256K context 选项；官方 cookbook 更新了 Inkling 支持，还补了音频能力样例。Hugging Face 侧也给出集群部署脚本，说明这次发布面向的是会动手改模型、跑模型、接模型的开发者。
开源模型开始卖生产路径
开源权重的旧叙事，是把模型文件交给社区。Inkling 这次更像把“权重之后的路”一起摆出来：微调入口、推理服务、示例脚本、部署伙伴、反馈闭环。
这也解释了为什么它没有把“最强”当作唯一卖点。企业真的落地模型时，榜单只是入口；更麻烦的问题在后面：领域数据怎么进模型，低延迟怎么保证，工具调用怎么训练，安全边界怎么保留，微调后的 checkpoint 怎么部署。
Thinking Machines 给出的答案，是把 Inkling 接到 Together AI、Fireworks、Modal、Databricks、Baseten 等推理生态，同时用 Tinker 承接 fine-tuning。开源权重在这里变成一套供应链。
选模型，其实是在选知识沉淀的位置
对开发者来说，Inkling 暂时更适合作为一个选型提醒，而非最强闭源模型的替代品：模型选型不能只看一次性回答质量，还要看组织知识最后沉淀在哪里。
闭源 API 的优势是省心、稳定、迭代快；代价是很多业务经验只能留在 prompt、RAG、工具编排和调用日志里。开源权重路线更重，部署和治理成本更高，但它给企业留下了另一种可能：把高频流程、领域偏好、内部评审标准和多模态数据逐步写进可控模型。
评估这类模型，四个问题比单个 benchmark 更重要。
底座能力决定能不能覆盖真实任务，微调入口决定业务经验能不能进入模型，推理成本决定能不能规模化使用，知识位置决定长期主动权留在哪里。
Inkling 未必会成为所有人的默认选择。它把开源权重、可微调平台和部署生态绑在了一起。
未来的模型发布，榜单只能说明起点；能不能被改造，才决定它能走进多少真实系统。
