穆拉蒂的 Thinking Machines 放出 Inkling：9750 億引數、百萬上下文

前 OpenAI 首席科學家 Mira Murati 創辦的 Thinking Machines Lab，7 月 16 日揭開新模型 Inkling。最抓眼球的是總引數 9750 億、啟用引數 410 億——典型稀疏混合專家（MoE）架構，用較少啟用量換接近旗艦稠密模型的表達力。

真正的技術亮點在上下文。Inkling 支援 百萬 token 級視窗，能一口氣吞下整本書或整套程式碼庫再作答，對長文件分析和複雜 Agent 任務關鍵。這種能力正成頭部模型標配，但做到穩定不掉鏈子並不容易。

有意思的是它的血緣。Inkling 明顯借鑑 DeepSeek-V3 的 MoE 設計，又在後訓練階段用 Kimi K2.5 相關資料打磨。它站在開源與閉源兩派最新進展肩膀上，把別人長處拼進自己管線。

但引數和架構從不是終點，後訓練資料才是勝負手。Thinking Machines 選高質量、多來源後訓練語料喂模型，而非簡單堆規模。這反映行業共識轉變：預訓練紅利見頂後，誰的資料更乾淨、更像真實場景，誰就贏。

另一個容易被忽略的點是開源協作。Inkling 借鑑 DeepSeek-V3、用 Kimi K2.5 資料，本身就是「站在開源肩膀上」的範例。它反過來也說明，閉源巨頭的人才出走，正在把前沿方法論擴散到更多團隊，行業整體的創新速度因此被拉快。速度被拉快的另一個後果，是模型迭代週期縮短，使用者感知到的「版本跳躍」會更頻繁。

資本層面，Thinking Machines 自創立起就頂著超高估值光環，Inkling 是它交給市場的第一份硬貨。如果實測口碑跟得上引數敘事，穆拉蒂大機率能復刻她在 OpenAI 時期的影響力；若翻車，外界也會毫不客氣地把「離職者光環」打回原形。模型釋出只是上半場。

把視線拉遠，穆拉蒂帶一票 OpenAI 舊部單飛，本身就是大模型人才外溢訊號。Inkling 能不能從「引數漂亮」走到「真的好用」，還得看真實場景口碑。這場由離職者發起的追擊，才剛開場。