Thinking Machines（Thinking Machines AI）正式发布了其首款自研大模型Inkling，参数规模高达9750亿。该模型并未将追求综合跑分第一作为目标，而是立志成为最适合定制的基础模型，因为其核心收入来源正是微调服务。团队在自研平台Tinker上展示了一个令人印象深刻的演示：Inkling不仅能自己编写微调任务、执行训练流程、评估结果，甚至还能被“设定”为禁止输出字母“e”。
在Design Arena竞技场中，Inkling排名开源模型第二，仅次于GLM-5.2，其排版PDF生成能力尤为出色。其小参数版本Inkling-Small（总参数276B，激活12B）表现亮眼，各项指标几乎追平了大参数版本。Inkling大体沿用了DeepSeek-V3的MoE架构设计，包含每层256个路由专家和2个共享专家，激活6个路由专家。注意力机制采用滑动窗口与全局层5:1交错排列，结合8个KV头，并使用了相对位置嵌入而非RoPE，以优化长序列处理。此外，模型在关键路径上加入了短卷积操作，音频输入处理为dMel频谱图，图像处理为40×40像素patch，整个过程不依赖外部编码器。
可控思考深度是Inkling最值得关注的特性。开发者可通过effort参数在0.2至0.99间调节推理投入，在性能与成本间取得平衡。在Terminal Bench 2.1上，Inkling在达到与Nemotron 3 Ultra相同分数时，Token消耗仅为后者的三分之一。在effort=0.99的全力模式下，Inkling在AIME 2026、GPQA Diamond等基准测试中表现优异，AIME得分97.1%，GPQA Diamond 87.2%，SWEBench Verified为77.6%。安全性方面，FORTRESS对抗测试得分78.0%，良性查询通过率95.9%，避免了过度拒绝。
后训练流程覆盖数学、代码、多模态等领域。训练主要依靠大规模强化学习，规模超过3000万次rollout。训练过程中，模型的思维链风格随RL推进自动变得简洁，从早期的完整句子演变为电报式表达。团队采用混合优化策略，大矩阵权重用Muon，其余用Adam，并耦合了权重衰减与学习率以稳定训练。
目前，Inkling已在Tinker平台上线，提供64K和256K上下文选项，限时五折。团队同步更新了cookbook和三个音频微调教程，开源了tml-renderer工具。Tinker控制台内的Inkling Playground已免费开放，支持带智能体网页搜索的对话界面，供开发者体验模型。