在首个模型Inkling亮相引发轰动后，Thinking Machines今日正式发布了第二款重磅力作——Inkling-Small。该模型拥有2760亿总参数和120亿激活参数，支持原生多模态及100万token上下文。半个月前，975B参数的开源Inkling曾搅动AI圈，而Inkling-Small仅用四分之一的体量，便实现了对这一“万亿大哥”的性能反超。回顾Thinking Machines近期的动态，剧情可谓跌宕起伏：联创翁荔宣布离职仅两天，OpenAI便证实她将带队攻坚“递归自我提升”项目；而就在第三天，这家刚刚失去核心骨干的公司，便迅速甩出了新模型的“全量权重”。
**01 全新Inkling-Small登场，276B参数击败万亿级模型**
官博介绍显示，Inkling-Small采用MoE架构，总参数2760亿，单次推理激活120亿。相较于初代Inkling，其体量浓缩至四分之一。正如PyTorch大神Horace He所言，“Inkling-Small无需举全村之力，直接沿用前代技术即可”。最核心的是，体量虽缩，实力却升。在数学、推理、智能体编码及多模态基准测试中，Inkling-Small的表现堪比甚至超越了Inkling和DeepSeek V4 Flash。特别是在HLE、Terminal-Bench和IFBench三个核心指标上，Inkling-Small每一FLOP带来的性能提升均高于Inkling。可以看到，Inkling-Small的性能曲线全程压制着Inkling。多模态方面也毫不逊色，图表理解、视觉推理、语音及长音频理解，Inkling-Small在评测中“接近”原版，但代价却低得多。
**02 后训练细节全公开**
官方详细披露了训练方法，关键在于两步。由于Inkling-Small训练晚于初代，它吸收了前一轮踩过的坑，优化了预训练数据配比和机器学习配方。训练过程分为两步：首先用初代Inkling作为老师进行on-policy蒸馏，生成preview检查点；随后基于该检查点进行了整整两周的智能体编码强化学习。正是这两周的努力，让“学生”成功反超“老师”，仅用两周时间便将性能差距拉回并反超。这意味着Thinking Machines成功打通了一条可反复产出模型的工业化流水线：第一个模型是作品，第二个模型则是产能证明。
**03 120亿激活参数，才是真正的分水岭**
对于开发者而言，能否用起来是核心关切。原版Inkling门槛极高，BF16检查点最低要求2TB聚合显存（如8张B300或16张H200）；即便是NVFP4量化版，也需600GB起步。Inkling-Small则将这道门槛大幅降低。LMSYS指出，276B总参数配12B激活参数是强化学习的“甜点位”，使得LoRA和全参数训练变得触手可及。以前只有大厂能玩的模型定制，现在中等规模团队也有机会将其训成自己的东西。实测数据显示，在8张B200、TP8、NVFP4、batch size 1的环境下，使用SGLang运行Inkling-Small，开启DSpark可达648 tok/s解码速度，不开启也有288 tok/s。
**04 六位联创离去四位，模型却越发越快**
去年2月，Thinking Machines带着一份“OpenAI梦之队”的六人名单惊艳开局：Mira Murati、John Schulman、Barret Zoph、翁荔、Andrew Tulloch、Luke Metz。当时他们手握20亿美元种子轮和120亿美元估值的剧本。谁能想到，今年1月那轮500亿美元估值的融资最终流产，成为了转折点。如今，六人团仅剩Murati和Schulman。更有趣的是，离去的四人中，Zoph和Metz先后回归OpenAI，翁荔也成为第三个回归者。一家由OpenAI“叛逆者”组建的公司，核心骨干终究没能逃脱OpenAI的引力场。但最充满戏剧性的是团队在动荡中的反应：7月15日，沉默了17个月后公司交出了首个大模型Inkling；不到两周，翁荔离职；仅三天后，第二个带全量权重的开源模型便上线。人才在加速流失，模型在加速狂飙。这两条背道而驰的曲线，成了AI行业最具代表性的一幕。或许这就是通往ASI（人工超级智能）的必经之路：无论留下的人多么稀少，机器向前的车轮只会越转越快。