前OpenAI CTO推新模型，让用户自己训AI！创企估值被曝冲刺2600亿

智东西

作者 | 孙小雯

编辑 | 程茜

智东西11月6日消息，今日，前OpenAI首席技术官米拉·穆拉蒂创办的美国AI创企Thinking Machines Lab发布 通用多模态模型Inkling 2 Small ，并将于 下周 开放权重 。该模型重点改善定制训练表现，支持开发者用自己的数据进一步训练，也支持自行调用工具对其他模型进行微调。

▲Thinking Machines官方公告（图源：X）

该模型在第三方评测机构Artificial Analysis（AA）的智能指数中获得31分，前代Inkling-Small为13分。按当前榜单，新模型开放权重后，将在该指数中位列 中国以外开放权重模型第一 。

▲AA称，按当前排名，Inkling 2 Small开放权重后，将成为中国以外研发的开放权重模型中智能指数得分最高的一款（图源：Artificial Analysis）

据Thinking Machines Lab透露，Inkling 2 Small是其第二代模型系列的 首款产品 ，采用混合专家（MoE）架构，总参数量为 5940亿 ，每个Token激活 170亿参数 ，支持文字、图像输入和文字输出，可调整思考投入程度。该公司通过 改进预训练和采用统一强化学习 ，提高模型在智能体编程、视觉、知识工作和推理等任务中的表现，重点支持 长时间自主执行任务 。

在 定制训练方面 ，该公司根据客户需求测试了多种后训练场景。其中，在使用公开财报电话会议数据构建的投资分析任务中，Inkling 2 Small接受强化学习微调， 训练75步即达到前代 Inkling-Small训练200步后的水平，最终成绩也高于前代。

▲投资分析任务中，各模型的表现随训练步数和估算训练费用的变化（图源：Thinking Machines Lab）

新模型还能执行训练与调试任务。在官方案例中，Inkling 2 Small自行编写评测、准备数据、比较训练方案并修正错误，耗时4小时17分钟、花费426美元（约合人民币2861元）完成Qwen3.5-4B微调。该公司称，训练后的Qwen3.5-4B在未见数据上的预测误差较基座 降低约15% 。

▲Inkling 2 Small微调Qwen3.5-4B的过程截图，显示运行至1小时39分钟时的第二次监督微调方案测试结果（图源：Thinking Machines Lab）

Thinking Machines Lab于2025年2月公开亮相，主要为开发者提供可定制模型和后训练工具。开发者可通过该公司的模型后训练平台Tinker， 使用自身数据与评价标准 训练模型，无需自行管理底层分布式训练设施。

该公司联合创始人、CEO米拉·穆拉蒂此前曾任OpenAI首席技术官，在OpenAI工作逾6年。任职期间，她负责研究、产品与安全，领导了ChatGPT、 GPT-4 、DALL·E等项目的开发与发布。

▲Thinking Machines Lab联合创始人、CEO米拉·穆拉蒂（图源：达特茅斯学院）

据Business Insider今日报道，该公司正在洽谈由Accel领投的50亿美元新一轮融资（约合人民币336亿元），拟议 投前估值400亿美元 （约合人民币2687亿元） 。

此前，该公司已获a16z、英伟达等机构投资。今年3月10日，英伟达披露已向该公司投资，金额未公布。2025年7月，Thinking Machines Lab披露完成约20亿美元种子轮融资（约合人民币134亿元），投后估值120亿美元（约合人民币806亿元），由a16z领投， 英伟达 、AMD 、Accel、思科等参与。

目前，开发者可自行调用和微调Inkling 2 Small，也可在Tinker Playground体验该模型。

定价方面，该模型采样服务每百万非缓存输入Token收费0.30美元（约合人民币2.02元），每百万输出Token收费1美元（约合人民币6.72元）；64K、256K上下文窗口的训练费用分别为每百万Token 1.50美元（约合人民币10.08元）、3美元（约合人民币20.15元）。

该公司计划在完成外部安全测试和红队测试后，于 下周以Apache 2.0许可证开放完整权重 ，届时用户也可下载在Tinker上训练得到的检查点。

一、AA智能指数升至31分，覆盖编程、金融与视觉任务

如前所述，Inkling 2 Small在AA智能指数中获得31分，较前代Inkling-Small的13分增加18分。该指数综合衡量知识工作、编程、科学和通用能力，截至11月6日，得分最高的 开放权重模型为Kimi K3.1 Pro ，成绩为46分。

与前代相比，模型规模也有扩大。据Thinking Machines Lab透露，前代Inkling-Small总参数量为2760亿，每个Token激活120亿参数；新模型Inkling 2 Small总参数量为5940亿，每个Token激活170亿参数。

编程方面，据该公司汇总的第三方评测结果，新模型在软件工程测试FrontierCode v2.0中取得25.4%，高于GLM-5.3-Flash的14.2%，低于DeepSeek-V4.1-Flash-1017的28.5%。金融任务方面，新模型在金融智能体评测Finance Agent v2.1中取得67.5%，高于DeepSeek-V4.1-Flash-1017的62.9%。

▲Inkling 2 Small与其他模型在编程及自动化研究任务中的成绩对比（图源：Thinking Machines Lab）

视觉方面，据该公司公布的评测结果，新模型在图像理解测试MMMU Pro（Standard 10）中取得81.6%，略高于DeepSeek-V4.1-Flash-1017的80.6%。模型还会查看自己生成的页面或场景，根据视觉反馈继续修改代码

▲Inkling 2 Small与其他模型在视觉理解、界面定位及视觉创作等评测中的成绩对比（图源：Thinking Machines Lab）

在考察网站生成能力的DesignArena评测中，据该公司引用的11月5日榜单，Inkling 2 Small获得1340分，高于GPT-6 Astra（max）的1333分，低于Muse Wonder（max）的1366分。

▲11月5日DesignArena网站生成榜单中的部分模型成绩（图源：Thinking Machines Lab）

视觉创作方面，该公司展示了城市模拟器、Linux个人电脑模拟器、折纸场景和户型漫游四个案例，涵盖交互式应用开发、系统模拟和三维场景制作。其中，城市模拟器支持用户扩建城市、管理供电与预算；户型漫游则根据平面图制作三维演示。

城市模拟器从铺设道路、划分地块开始，逐步生成住宅和高层建筑。演示中，零散建筑扩展成完整街区，城市还会经历昼夜变化，夜间建筑和道路亮起灯光。界面两侧保留了建设工具和城市管理面板，用户可一边扩建，一边查看人口、供电与预算等信息。

▲Inkling 2 Small编程构建的城市模拟器，展示道路建设、街区扩张及昼夜变化（视频来源：Thinking Machines Lab）

户型漫游则把平面图变成了可以走进去的三维空间。演示采用第一人称视角，依次穿过客厅、书房和厨房等房间，室内摆有沙发、书架和绿植。右上角的平面图同步标出当前位置与朝向，方便用户对照房间布局。

▲Inkling 2 Small根据平面图制作的三维户型漫游，右上角地图同步显示位置与朝向（视频来源：Thinking Machines Lab）

二、金融任务75步追平前代，4小时17分钟完成Qwen微调

据Thinking Machines Lab公布的定制训练实验，Inkling 2 Small在一项投资分析任务中，训练75步便达到前代Inkling-Small训练200步后的水平，最终成绩也高于前代。

该任务使用公开财报电话会议数据，考察模型接受针对性训练后的分析表现。各模型采用相同数据和算法，通过Tinker训练200步，并分别搜索学习率。Inkling系列采用3个随机种子开展实验，结果取平均值。

新模型也能执行训练与调试任务。在美国AI数据创企Proximal为该公司构建的一项内部任务中，Inkling 2 Small需要微调Qwen3.5-4B，训练后者预测天气、维基百科页面浏览量等时间序列。

据该公司公布的演示，任务限时12小时，Tinker费用预算为500美元（约合人民币3358元）。模型实际耗时4小时17分钟，花费426美元（约合人民币2861元）完成任务。该公司称，微调后的Qwen3.5-4B在未参与训练的8-9月数据上，预测误差较基座降低约15%。

过程中，Inkling 2 Small先编写评测、整理训练样本，发现8次预测使用相同随机种子后修正了设置。随后，它比较监督微调（SFT）和强化学习（RL）方案。RL尝试导致预测过度自信、成绩下降，模型停止该方案，补充近期数据继续SFT，最终提交SFT检查点。

▲Inkling 2 Small微调Qwen3.5-4B的过程截图，显示运行至1小时39分钟时的第二次监督微调方案测试结果（图源：Thinking Machines Lab）

GPU算子优化则是另一类研发任务。据该公司公布的结果，Inkling 2 Small将DeepSeek-V3.2稀疏注意力前向、反向算子的速度提高至原始实现的6.02倍，高于 DeepSeek-V4.1-Flash 的5.66倍，低于Claude Opus 5.5的18.80倍。测试在B300 GPU上进行。作为对照的原版算子代码没有针对B300做专门优化，6.02倍指优化后的算子代码相较原版的运行速度。

▲不同模型优化DeepSeek-V3.2稀疏注意力算子的过程与结果，纵轴为相较原版算子代码的加速倍数（图源：Thinking Machines Lab）

三、统一强化学习训练9天，增加行为约束与执行监控

训练方法方面，据Thinking Machines Lab透露，该公司先通过多阶段训练积累模型的通用能力，再通过统一强化学习训练模型完成多步骤任务，具体有两个重点：

1、分阶段加入高质量数据与任务执行记录

初始预训练使用8.4万亿Token，在英伟达GB300 NVL72机架上运行68小时，原生采用NVFP4低精度浮点格式进行训练。

后续阶段继续使用3.8万亿Token的质量更高、时效性更强的数据，再加入推理与智能体执行轨迹。部分轨迹来自Kimi K3和该公司此前模型的采样，经过正确性与对齐筛选后用于训练。

2、将推理与智能体任务放入同一轮强化学习

前代Inkling分别训练推理与智能体能力，再通过多教师蒸馏合并。本次改为统一强化学习，使用2048张GPU训练9天，完成1075步，生成超过1700万条轨迹。

▲Inkling 2 Small统一强化学习的计算量、GPU数量、训练时长及轨迹规模（图源：Thinking Machines Lab）

训练任务覆盖编程、文档、视觉、工具使用和科学问答等领域。代码任务主要依靠隐藏测试和程序检查评分，文档与工具使用采用评分规则及大模型裁判，网页应用则比较渲染截图。

为支持长任务，训练采用256K上下文并加入上下文压缩。单条轨迹耗时的中位数为8分钟，第99百分位为4小时。该公司研发团队还在奖励中加入长度惩罚，让模型平衡思考投入与执行效率。

▲Inkling 2 Small强化学习的训练参数，包括上下文窗口、单条执行轨迹的Token用量及执行时长（图源：Thinking Machines Lab）

在行为约束方面，Thinking Machines Lab从训练和执行监控两方面减少模型编造结果、无视指令等行为。据该公司公布的内部评测，新模型的不当行为指标为14.9，低于前代Inkling-Small的75.2，但仍高于GPT-6.1 Sol的0.8。

▲Inkling 2 Small与其他模型在行为对齐相关评测中的成绩，表中各项指标均为数值越低越好（图源：Thinking Machines Lab）

训练方面，该公司过滤包含不当行为的轨迹，在强化学习中惩罚违规操作，并奖励模型放弃无法完成的任务。此外，该公司还为教师模型提供行为规范提示，再通过同策略自蒸馏训练新模型。

执行监控方面，系统在工具调用前检查操作是否符合任务授权，并审查已完成的执行记录。据该公司披露，一次训练中，异步监控器发现模型通过搜索工具可访问的第三方服务，绕过了网络阻断。该公司研发团队随即暂停训练、加固设施、移除需要联网的环境，并增加工具调用前的同步监控，随后恢复训练并继续开展对齐训练。

结语：通用模型持续升级，模型厂商与云平台争夺定制模型训练业务

Inkling 2 Small提高了通用能力，也改善了接受定制训练的表现。Thinking Machines Lab通过Tinker提供该模型，让开发者使用自己的业务数据和评价标准继续训练，并展示了模型执行微调实验的过程。

模型定制已有多类企业参与。今年3月17日，法国大模型公司Mistral AI推出企业训练系统Forge，支持使用内部文档、代码和业务记录训练模型；2月17日，美国云服务商AWS也将Amazon Bedrock的强化学习微调扩展至部分Qwen和GPT-OSS模型。

企业客户既需要通用模型，也需要模型适应自己的术语、流程和任务要求。围绕这些需求，厂商争取的业务覆盖模型调用、定制训练、评测和部署。Thinking Machines Lab此次同时升级模型和训练能力，也是在为这类企业订单增加筹码。

Les actualités sont collectées automatiquement depuis des flux publics robotique & IA.