大语言模型

594B 的模型先关门再开门：Thinking Machines 把「开放权重」变成了一道可以分阶段打开的闸门

2026年11月8日1 次阅读
594B 的模型先关门再开门：Thinking Machines 把「开放权重」变成了一道可以分阶段打开的闸门

3 分钟看懂

先讲结论：11 月 5 日，Mira Murati 创办的 Thinking Machines 发布了第二代模型 Inkling 2 Small——5940 亿总参数、每 token 只激活 170 亿的混合专家（MoE）模型，能读图，能自己调推理强度。

但真正反常的不是参数，是顺序：它发布时是闭源的。只能用官方平台 Tinker 调用，下载不到权重。官方说，等下周外部安全测试和红队做完，再把全量权重以 Apache 2.0 放出来。

上一代 Inkling-Small 是发布当天就开源。这一代反过来了——先关门，验完再开门。

本文基于官方发布页、官方模型卡与安全说明，以及多家媒体和第三方评测的转述整理。

这是什么

Inkling 2 Small 是 Thinking Machines 的第二代模型。上一代 Inkling 系列是 975B 参数，今年 7 月发布时直接放权重；这次的「2 Small」走的是另一条路。

关键规格：

  • 594B 总参数 / 17B 激活：MoE 结构，每个 token 只路由到 384 个专家里的 8 个。所以总参数很大，但每次真正干活的算力只相当于一个 17B 模型。
  • 48 层 decoder-only，注意力层混合了局部层和全局层。
  • 文本 + 图像输入，文本输出。视觉走的是 2.92 亿参数的编码器，基于 Perception Encoder，20×20 像素切块、2×2 空间池化，官方建议图片每边在 40 到 4096 像素之间效果最好。
  • 可变推理强度：同一个模型可以在「快答」和「慢慢想」之间切，官方所有公布的分数都是在最高档（标为 xhigh，强度 0.99、温度 1.0）下跑的。
  • 模型本体支持 1M 上下文，但 Tinker 平台目前只挂了 64K 和 256K 两档——也就是说，模型能力上的百万上下文，你现在还用不满。
  • 定价：每百万 token 输入 0.30 美元、输出 1.00 美元、命中缓存输入 0.03 美元。

为什么这次值得看：顺序反了

大多数模型发布的故事是「闭源厂商终于想通了，放权重」。这次是反的：一个本来就以开放权重立身的实验室，新一代先关起来。

官方在 7 月那篇《A Safe Path to Open Weights》里把逻辑写清楚了：权重一旦公开就收不回来，所以应该分阶段放开——先做托管 API、托管微调、给防守方提前访问，等证据支持了再往下走一步。每一步只在「证据允许」时扩大开放程度。

这次就是这套方法论的第一次实操：先闭，测完再开。

这件事的意义不在于「又多了一个开源模型」，而在于它提出了一个会越来越常见的问题：一个模型的权重，凭什么、什么时候、按什么顺序给你。以后看到「即将开源」四个字，可能要习惯先问一句：闸门开到第几档了。

它到底强在哪，不强在哪

第三方评测机构 Artificial Analysis 给出的智能指数是 31 分，比上一代 Inkling Small 高 18 分。几个最能说明问题的变化：

  • 长程 agent 任务：AutomationBench-AA 从 5% 跳到 46%，这是这代最大的跃升。
  • 前端代码：FrontierCode 2.0 从 5% 到 25%。作为对照，Claude Sonnet 5.5（medium）在同一项上是 11%。
  • 研究级物理：CritPt v2 从 34% 到 56%，但 Gemini 3.8 Flash（high）是 65%。
  • 办公长流程：AA-Briefcase（要处理表格、PPT、备忘录的长任务）1527 Elo，上一代是 912。

不强的地方也很明确：

  • SWE-bench Verified 只有 82.2%，而官方自己表格里的最高分是 95.4%。
  • Terminal-Bench 4.0 只有 13%，Claude Sonnet 5.5 是 30%。也就是说，它在「一次性写对一段前端」和「在终端里连续排错」这两种能力上是偏科的。
  • 幻觉率从 61% 降到 27%，但作答率也从 77% 降到 53%。这个降法要读清楚：它更多是「不确定就不答」，而不是「知道得更多」。准确率只从 32% 微升到 34%。
  • 每题输出 token 约 15 万，是上一代 3.7 万的 4 倍多。想得更久，账单也跟着涨。

训练配方里几个不太常见的数字

这类模型发布通常只给一张 benchmark 表，这次官方把训练过程也摊开了，有几个数字挺有意思：

  • 预训练第一阶段 8.4 万亿 token，只跑了 68 小时，用的是 NVIDIA GB300 NVL72 机架，而且全程原生 NVFP4（4 位浮点）。68 小时这个数字，说明硬件和低精度训练栈已经跑得很顺了。
  • 第二阶段 3.8 万亿 token，用更新、更高质量的数据，上下文 512K。
  • 第三阶段约 3200 亿 token 的推理和 agent 轨迹，上下文 1M；第四阶段约 340 亿 token 的纯 agent 轨迹，只留质量最高的。
  • 后训练是一次联合强化学习：1075 步、1700 万次以上 rollout、9 天、2048 张 GPU、算力超过 4×10²³ FLOPs、处理超过 3 万亿 token。

「一次联合 RL」这个做法值得记一下：上一代是把推理和 agent 两套 RL 分开训，再用多教师蒸馏合并；这次合并成一个 run。官方称这是性能提升的主要来源之一——省掉了合并时的能力损耗。

成本怎么算

按 Tinker 的价目表，Inkling 2 Small 是输入 0.30、输出 1.00、缓存命中 0.03（每百万 token）。MoE 模型按激活参数计价，所以一个 594B 的模型，价格能压到比一些更小的密集模型还低。

但「单价便宜」不等于「账单便宜」。Artificial Analysis 测下来，跑完一道智能指数题平均花 1.18 美元，是上一代 0.20 美元的近 6 倍——因为它平均要吐 15 万 token。同口径下 Gemini 3.8 Flash（high）是 7.77 美元，Claude Sonnet 5.5（medium）是 10.02 美元。

所以它现在的位置是：比上代贵很多，但仍比同分段的头部闭源模型便宜。微调侧，2000 万 token 的训练任务在 64K 上下文下是 30 美元，256K 下是 60 美元；checkpoint 存储 0.10 美元/GB/月。

怎么用

现在能做的只有一条路：去 Tinker 平台。

  1. 打开 Tinker Playground，直接试推理，不用部署。
  2. 要微调的话，用 Tinker 的采样与训练接口，注意上下文档位只有 64K 和 256K 可选。
  3. 想本地部署、想拿权重自己跑——现在不行，得等下周权重放出。官方说权重会带 checkpoint 一起给，届时可以下载。

适用场景

  • 要跑长程 agent：几百步、几小时的自主任务，这代的提升主要在这儿。
  • 要图像理解 + 界面操作：ScreenSpot Pro 是它表格里的最高分，说明屏幕理解和点选这类任务它擅长。
  • 要边看设计稿边改前端：DesignArena 网站分数 1340，是开放权重里最高的那一档。
  • 已经在用 Tinker 做微调：换模型不用换工具链，官方给的一个例子是金融文档摘要任务，75 步就追上了上一代最终分数（注意这只是单个任务的数据点）。

不适用场景

  • 现在就要自己部署的人：权重还没放，等下周。
  • 纯聊天/写作场景：官方自己在「局限」里写了，这代对 chat 体验优化不足——组织排版差、斜杠用得多、对心理健康类提问容易过度反应。
  • 终端里连续排错的活：Terminal-Bench 只有 13%，明显弱于同代竞品。
  • 要音频输入的人：支持图像，不支持音频。
  • 需要严格省 token 的场景：它的回答风格不简洁，输出 token 是上一代的 4 倍。

要注意的三件事

  1. 「下周开源」目前只是官方表态，日期未获第三方确认。Artificial Analysis 的措辞是「计划放出，日期未确认」。别把承诺当成已发生。
  2. 官方公布的分数没有独立复现。所有 benchmark 都来自官方发布页与模型卡，竞品数字也是官方自己选的。datastudios 明确指出「写作时没有任何独立评测」。
  3. 1M 上下文和平台能力不是一回事。模型本体支持 1M，但 Tinker 现在卖的是 64K / 256K 两档。

一句话收尾

这一代 Inkling 2 Small 的能力提升是真的，但更值得记住的是它演示了一件新事：开放权重正在从「发布即是」变成「分阶段解锁」。以后判断一个模型是否真的开放，看的不是发布会的措辞，而是权重文件到底在不在。

参考来源

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...