随着AI绘画、语音合成等生成式AI技术走向工业化落地，企业对模型的可控性、成本效率和数据隐私提出了更高要求。近日，由前OpenAI CTO Mira Murati创立的美国AI独角兽Thinking Machines，正式开源了其首个多模态语言模型Inkling。这款采用Apache 2.0协议的9750亿参数混合专家（MoE）模型，不仅以“抗审查”和“可控思考”机制直击企业痛点，更在编程、语音理解等基准测试中展现出极具竞争力的性能，为AI绘画等创意工作流提供了全新的底层引擎选择。
前OpenAI CTO领衔，AI独角兽Thinking Machines亮相
在AI投资热潮持续升温的当下，Mira Murati离开OpenAI后创立的Thinking Machines迅速成长为备受瞩目的AI独角兽。公司核心理念是打破黑箱模型对企业的束缚，提供可定制、可本地化部署的开源权重模型。Inkling的发布标志着这家AI独角兽从概念走向产品化的重要一步。
与许多追求极致基准分数的同行不同，Thinking Machines更强调实际场景中的适配性。其联合创始人曾在内部沟通中表示：“企业不需要一个只会刷榜的‘神级模型’，他们需要的是一个能融入现有IT架构、可调整、可信任的工具。”这种务实态度吸引了大量对企业数字化转型有需求的客户，尤其是在金融、医疗和政府领域，数据合规性与模型透明度至关重要。
值得注意的是，Inkling的Apache 2.0协议意味着企业可以自由修改、分发模型权重，无需担心许可证限制。这直接降低了AI投资的门槛——中小企业也能基于Inkling构建自己的AI应用，而不必依赖昂贵且不透明的闭源API。
Inkling开源：多模态MoE架构的“抗审查”设计
Inkling拥有9750亿总参数、410亿活跃参数的MoE架构，原生支持文本、图像、音频的多模态推理。这意味着它不仅能理解代码和文字，还能直接处理视觉和语音输入——这正是AI绘画应用中不可或缺的基础能力。例如，用户可以用自然语言描述一张“星空下的赛博朋克城市”，模型即可结合视觉编码和语言理解生成对应的图像特征向量，供下游扩散模型调用。
更引人注目的是其“抗审查”设计。官方明确表示，Inkling被训练为“直接回答可能被审查的话题”，这在当前AI行业普遍存在内容过滤限制的环境下独树一帜。对于需要处理敏感议题的媒体、法律、研究机构而言，这一特性提供了更高的信任度。当然，这并非鼓励生成有害内容，而是确保模型不会因过度过滤而丢失事实准确性。企业可以在部署时自行设定安全护栏，实现了从平台约束到用户自主的范式转移。
这种设计也引发了AI投资界的讨论：抗审查能力是否会带来新的风险？但Thinking Machines认为，透明且可定制的模型反而更容易构建负责任的AI系统。目前，模型权重已在Hugging Face及公司自有API平台Tinker上开放，开发者可立即开始测试。
性能实测：开源模型中的全能型选手，AI绘画能力初显
在基准测试中，Inkling展现了开源模型中的“全面均衡”特性。在软件工程基准SWE-bench Verified上，它达到77.6%，超过美国对手Nvidia Nemotron 3的70.7%，但在编程和推理领域仍落后于中国的GLM 5.2和DeepSeek V4 Pro。不过，Inkling在多模态任务上显出了独特优势：
- 语音理解：VoiceBench得分91.4%，逼近闭源模型Gemini 3.1 Pro的94.4%。 - 视觉推理：MMMU Pro（标准10）得分73.3%，虽不及Claude Fable 5的84.2%，但已超越多数开源模型。 - 数学推理：AIME 2026得分97.1%，微弱领先DeepSeek V4 Pro的96.7%。
这种全能型特质使其特别适合需要跨模态协作的场景，比如用户上传一张产品设计草图（图像），同时语音描述修改要求，模型就能理解并输出代码或设计建议。在AI绘画工作流中，Inkling可以作为“理解层”与AI画图工具结合，提升用户意图解析的准确性。例如，设计师可以用自然语言对生成结果进行迭代修改：“把左边的蓝色调换成暖橙色，同时保持背景的星空质感”——Inkling的多模态理解能力让这类交互成为可能。
当然，如果企业需要极致的单任务性能——比如纯代码生成或高难度推理——GLM 5.2或Claude Fable 5仍是更优选择。但Inkling凭借开源性、多模态原生整合以及成本可控，在众多文生图应用中找到了自己的生态位。
可控思考机制：颠覆黑箱缩放，企业级AI部署新范式
Inkling最令人兴奋的创新并非基准分数，而是其独特的“可控思考”机制。开发者可以通过设置一个0.2到0.99之间的“思考努力系数”，编程地控制模型在生成输出前投入的推理计算量。简单说，就是让AI“想多久就多久”——但由你来决定它“想多深”。
这对于企业用户的吸引力是巨大的。例如，在处理低风险任务（如简单问答）时，可将系数设为0.2以加速响应并降低成本；而在处理复杂合同分析或医学诊断时，则可提升至0.9以上以确保准确性。这种按需调整的能力，使得Inkling成为首个将“推理预算”交给开发者的主流开源模型。
“这就像给每个API调用加上了一个智能油门，”一位早期测试者评论道，“我们不再需要为每个应用部署一个独立的模型，一个Inkling就能覆盖从快速聊天到深度分析的整个范围。” 这种灵活性对于AI图片生成业务同样适用——当需要高精度的图像分析时，提升思考努力；当仅作简单分类时，降低即可。结合AI工具导航平台上的各种辅助工具，企业可以快速搭建性价比最优的AI管线。
中美开源模型混战：Inkling的差异化生存之道
2026年的开源模型战场已进入白热化：中国团队GLM和DeepSeek在推理和编码上占优，美国方面有Nvidia Nemotron、Meta Llama等。Inkling作为后来者，选择了一条“宽而深”的均衡路线，并找到了三个关键差异点：
1. 抗审查与开放性：在多数模型强化内容过滤时，Inkling反其道而行，吸引了对信息完整性要求高的用户。 2. 可控思考：独一无二的推理预算调节能力，直接满足了企业降本增效的刚性需求。 3. 原生三模态：同时支持文本、图像、音频的开源模型极少，Inkling填补了这一空白，尤其利好那些希望在同一模型内完成多模态理解的应用，如AI绘画后期的风格迁移、语音配图等。
不过，Inkling在与闭源巨头（如Claude、GPT、Gemini）的直接对标中仍处下风，特别是在复杂代码自主能力和纯文本推理方面。但Thinking Machines似乎并不追求全面超越，而是深耕“企业级开放权重模型”这一细分市场。其创始人Mirutai在采访中表示：“我们不会试图成为所有人的答案，但我们希望成为那些需要自由和透明的人的最佳选择。”
企业AI应用的未来：从单一模型到可定制生态
Inkling的发布折射出更大的行业趋势：企业AI正从“购买通用模型”转向“定制开放模型”。随着AI独角兽和开源社区不断推出可本地化部署的权重，企业得以摆脱对单一云API的依赖，构建自己的AI能力堆栈。
这一转变对AI投资流向产生了深远影响。过去投资者追捧“大一统”的封闭模型，如今开始关注像Thinking Machines这样能够提供差异化工具链的AI工具箱公司。Inkling的成功与否，将验证“开放+可控”模式是否具有商业可持续性。
对于普通用户而言，这意味着未来我们可以在艺术签名设计、古诗词生成等工具中体验到更精准、更个性化的AI服务——因为底层模型可以被定制为专门优化特定领域的版本。而AI绘画爱好者将受益于Inkling在图像理解上的进步，例如用自然语言精确控制构图、阴影和色彩风格，甚至结合音频指令进行实时调整。
总之，Inkling不是一个完美的模型，但它代表了一种更开放、更灵活、更尊重用户自主权的AI发展路径。在这个路径上，AGI的未来或许始于企业的每一个可定制的小模型。