穆拉蒂的 Thinking Machines 放出 Inkling：9750 亿参数、百万上下文

前 OpenAI 首席科学家 Mira Murati 创办的 Thinking Machines Lab，7 月 16 日揭开新模型 Inkling。最抓眼球的是总参数 9750 亿、激活参数 410 亿——典型稀疏混合专家（MoE）架构，用较少激活量换接近旗舰稠密模型的表达力。

真正的技术亮点在上下文。Inkling 支持 百万 token 级窗口，能一口气吞下整本书或整套代码库再作答，对长文档分析和复杂 Agent 任务关键。这种能力正成头部模型标配，但做到稳定不掉链子并不容易。

有意思的是它的血缘。Inkling 明显借鉴 DeepSeek-V3 的 MoE 设计，又在后训练阶段用 Kimi K2.5 相关数据打磨。它站在开源与闭源两派最新进展肩膀上，把别人长处拼进自己管线。

但参数和架构从不是终点，后训练数据才是胜负手。Thinking Machines 选高质量、多来源后训练语料喂模型，而非简单堆规模。这反映行业共识转变：预训练红利见顶后，谁的数据更干净、更像真实场景，谁就赢。

另一个容易被忽略的点是开源协作。Inkling 借鉴 DeepSeek-V3、用 Kimi K2.5 数据，本身就是「站在开源肩膀上」的范例。它反过来也说明，闭源巨头的人才出走，正在把前沿方法论扩散到更多团队，行业整体的创新速度因此被拉快。速度被拉快的另一个后果，是模型迭代周期缩短，用户感知到的「版本跳跃」会更频繁。

资本层面，Thinking Machines 自创立起就顶着超高估值光环，Inkling 是它交给市场的第一份硬货。如果实测口碑跟得上参数叙事，穆拉蒂大概率能复刻她在 OpenAI 时期的影响力；若翻车，外界也会毫不客气地把「离职者光环」打回原形。模型发布只是上半场。

把视线拉远，穆拉蒂带一票 OpenAI 旧部单飞，本身就是大模型人才外溢信号。Inkling 能不能从「参数漂亮」走到「真的好用」，还得看真实场景口碑。这场由离职者发起的追击，才刚开场。