01、
OpenAI前首席技术官穆拉蒂，推出了一款中国模型的“贵替”。
Thinking Machines发布的首款模型Inkling，混合专家架构主要沿用DeepSeek-V3，后训练冷启动阶段还使用了月之暗面Kimi K2.5等开放模型生成的数据。但在多项基准评测中，Inkling的表现仍落后于Kimi和GLM，调用价格却更高。
对一家融资20亿美元、估值120亿美元，团队汇聚大量前OpenAI成员的明星公司而言，这个结果不算亮眼。
但穆拉蒂或许从没指望Inkling能冲到榜首。随着美国企业使用中国模型面临日益不确定的环境，一款性能尚可、支持定制、合规风险更低的本土开放模型，已有其生存空间。“贵替”不必最强，也不愁没有市场。
穆拉蒂的首款模型，就这？
当地时间7月15日，Thinking Machines Lab发布了成立后的首秀——模型Inkling。
光看配置，它确实配得上一家明星AI实验室的排面。
Inkling采用混合专家架构，总参数量达9750亿，每处理一个Token会激活410亿参数；预训练使用了45万亿个Token，数据覆盖文本、图像、音频与视频，最长支持100万个Token的上下文。它能理解文字、图片与音频，最终以文字形式输出结果，还支持调节“思考强度”，灵活切换性能、速度与成本之间的平衡。
Inkling同时开放模型权重，采用Apache 2.0许可证，相当宽松。开发者可自由下载权重、自行部署，也可通过Thinking Machines旗下的Tinker平台对模型进行微调。
公司对它的定位非常明确：不直接和ChatGPT抢普通用户，而是作为企业开发AI应用的底层支撑。
但最让人留意的，藏在技术报告的后半部分。
Thinking Machines在描述模型架构时直言，Inkling的混合专家设计“主要沿用了DeepSeek-V3”。它同样设有大量专家模块，每个Token仅调用其中一小部分，且采用了DeepSeek-V3的无辅助损失负载均衡等机制。
中国模型的影响，不止于架构。
公司在介绍后训练启动方式时指出，为完成初步微调，先用开放权重模型生成的合成数据进行一轮监督学习，明确提到了Kimi K2.5。
这条技术路径已足够清晰：一家由OpenAI前首席技术官创办的美国实验室，首款模型沿用了DeepSeek的架构，并借助Kimi生成数据完成训练起步。
借鉴开放模型本身无可厚非。DeepSeek与Kimi均公开权重，允许开发者使用，科研与工程本就建立在成果共享之上。真正尴尬的是，Inkling吸收了中国模型的技术后，性能仍未能超越其“老师”。
Thinking Machines对此并未回避。发布文章中直接写道：“Inkling并非目前表现最强的模型，无论开放模型还是闭源模型。”
从公布的评测结果看：
. 在“人类最后的考试”纯文本评测中，Inkling得分为29.7%，Kimi K2.6与GLM 5.2分别为35.9%与40.1%；
. 加入工具后，Inkling提升至46%，仍低于Kimi K2.6的54%与GLM 5.2的54.7%；
. 在衡量真实软件工程能力的SWE-Bench Pro中，Inkling得分为54.3%，Kimi K2.6为58.6%，GLM 5.2达62.1%；
. Terminal Bench 2.1上的差距更明显，Inkling仅63.8%，Kimi K2.6与GLM 5.2分别为71.3%与82.7%。
当然，Inkling也有亮点。在网页应用设计、音频理解与安全性评测中表现稳健，部分数学任务甚至超过Kimi与DeepSeek。
但从综合推理、编程能力与智能体表现来看，它尚难跻身开放模型的第一梯队。
性能未达领先，价格也未出彩。
Tinker平台显示，64K版本Inkling每100万Prefill Token收费1.87美元，每100万Sample Token收费4.68美元。前者大致对应输入成本，后者接近生成成本，且这已是“限时五折价”。256K版本价格更高，分别为3.74美元与9.36美元。
相较之下，Kimi K2.6官方API每100万输入与输出Token收费分别为0.95美元与4美元，GLM5.2为1.4美元与4.4美元。
Tinker提供训练与采样服务，与通用API计费逻辑略有不同。但粗略对比，Inkling的预填充价格接近Kimi K2.6的两倍，生成价格亦高于Kimi K2.6与GLM5.2，未见明显成本优势。
于是，Thinking Machines的首款模型呈现出一种鲜明的矛盾：架构参考DeepSeek，训练依赖Kimi，综合性能未超中国头部开放模型，调用价格反而更高。
穆拉蒂的选择
考虑到穆拉蒂与Thinking Machines的背景，这一选择更显意味深长。
若Inkling出自一家普通AI创业公司，借鉴DeepSeek、借助Kimi训练，尚可理解。可它来自Thinking Machines——一家几乎可称为“OpenAI校友会”的机构。
2025年2月，公司正式亮相时，团队约30人，其中三分之二来自OpenAI，其余成员主要来自Meta与Mistral。
创始团队曾包括OpenAI联合创始人John Schulman、前研究副总裁Barret Zoph，以及Lilian Weng、Andrew Tulloch、Luke Metz等核心研究人员。
这些人曾深度参与OpenAI的强化学习、后训练、预训练、安全与推理研究。路透社当时直言，穆拉蒂从原东家挖走了至少20名研究人员。
在这群OpenAI前员工之中，穆拉蒂是唯一一个兼具全局视野与落地经验的角色。
她于2018年加入OpenAI，先后参与DALL-E、Codex、ChatGPT与Sora等产品的研发，2022年升任首席技术官，统筹研究、训练、安全与产品化全流程。
2023年11月OpenAI董事会罢免Sam Altman后，她曾短暂代行首席执行官职责。她的身份是技术与产品的总负责人，对OpenAI的模型研发路径与商业化节奏完全掌握。
换句话说，Thinking Machines从一开始就拥有OpenAI的完整经验库。
穆拉蒂与她的团队清楚顶级闭源实验室如何构建模型，也亲历过ChatGPT如何从论文变成全球产品。当这群人从零自建技术体系，外界自然期待一条带有OpenAI烙印的路径。
结果，Inkling最清晰的技术源头却指向中国。
这很容易被解读为一个戏剧性信号——最熟悉OpenAI的一群人离开后，最终选择了中国模型的技术蓝图。
但需要拆开看。
OpenAI近年所有前沿模型皆为闭源，外部无法获取模型权重，也无从了解完整架构、训练数据与后训练方案。穆拉蒂纵然熟悉内部技术，也无法将前东家的商业机密直接移植到新公司。而DeepSeek与Kimi均公开权重或技术报告，架构、训练方法与工具链均可合法研究与复用。
Inkling本身也是一款开放权重模型。对一个志在建设开放生态的公司而言，从DeepSeek、Kimi等公开成果中汲取方案，属于合乎常理的工程实践。
今天若想开发一款开放模型，完全避开中国团队已公开的成果，反而意味着更高的试错成本。
因此，Inkling借鉴中国模型，不能等同于穆拉蒂认为DeepSeek技术全面领先OpenAI。两者公开程度不同，可供参考的基础也完全不同。
但这件事确实释放了一个明确信号：至少在开放权重领域，中国模型已成为美国AI团队的重要参考。
所以，借鉴中国模型并不难解释。真正值得追问的是：为何吸收了现成架构与训练经验后，Inkling性能更弱、价格更高？
穆拉蒂坐拥顶尖团队、充足资金与英伟达最新训练系统，不可能看不到性能与价格的差距。
既然如此，“贵替”更可能是审慎权衡后的主动选择。
“一般般”，就够了
按Thinking Machines的资本待遇，Inkling本不该只是一款“够用”的模型。
2025年7月，公司尚未推出任何产品，便完成20亿美元种子轮融资，估值达120亿美元，投资方包括安德森·霍洛维茨、英伟达、AMD与简街。四个月后，新一轮融资谈判传出，目标估值高达500亿美元，尽管最终未官宣，外界已视其为OpenAI与Anthropic的潜在对手。
因此，当Inkling以性能落后、价格更高的姿态亮相，难免令人失望。
但从商业逻辑看，穆拉蒂或许从一开始就没想抢评测榜首。
公司强调开放权重、多模态能力与可定制性，希望企业通过Tinker平台对模型进行微调，将其改造为客服系统、编程助手、行业智能体等专用工具。她所押注的市场，对排名第一并无执念。企业真正在意的，是能否私有部署、能否掌控数据、能否持续训练。
此前，这类需求大多由中国开放模型承接。
美国的OpenAI与Anthropic长期坚持闭源，Meta的Llama 4表现未达预期后，也逐渐收缩开放策略。与此同时，DeepSeek、Kimi、Qwen与GLM不断开放权重，性能稳步逼近美国闭源模型，价格却远低于对手。
美国企业早已用行动投票。
据OpenRouter向CNBC提供的数据，2026年2月以来，中国模型在美国企业经由该平台调用的Token中，每周占比均超30%，最高达46%。2025年上半年平均占比仅4.5%。
Cursor开发Composer 2时测试了多款基础模型，最终选用Kimi K2.5，理由直白——评测表现最强。桥水基金则通过Tinker微调阿里的Qwen，定制模型以更低成本超越部分顶级闭源模型。
中国开放模型，就此成为美国企业降低AI成本的一条捷径。只是这条路正面临压力。
与此同时，美国对中国AI模型的监管氛围持续收紧。相关部门已就数据安全、模型来源与供应链风险发出警告。部分使用中国模型的企业遭调查。虽未形成统一禁令，但政策不确定性已足以影响选择，尤其涉及政府项目与敏感信息的机构。
这正是Inkling的破局点。
它由美国公司开发，采用Apache 2.0许可证，支持私有部署与定制，美国企业选用它，无需担心中国模型带来的政治争议，也更易通过政府客户与大型企业的合规审查。
Inkling真正的价值，在于这份合规确定性。
穆拉蒂显然洞察了这一空缺。
Thinking Machines吸收DeepSeek与Kimi的公开成果，将其转化为一款由美国公司出品的模型。Inkling不必在所有评测中击败中国模型，只需成为那些不敢再用中国模型的美国企业能接受的替代选项。
这也解释了为何它敢定价更高。政策正在压缩竞争范围，性能与价格差距便不再致命。对某些企业而言，一款稍弱、稍贵但风险更低的模型，已足够。
从这角度看，Inkling更像是一张精算过的商业牌。
但这套模式成立的代价，可能由美国企业承担。
美国之外的公司仍可自由选择GLM、Kimi与DeepSeek，在更强、更便宜的基座上开发产品；美国企业却可能被迫采用性能稍弱、价格更高的本土替代。基础模型的差距，会逐级传导至微调后的应用中，最终形成结构性劣势。
华盛顿原本想借限制保护本土AI产业，结果反而为Inkling这样的“贵替”创造了市场。对穆拉蒂而言，“一般般”已足够。对美国AI产业来说，这份“够用”意味着成本上升与竞争力下滑。
文章配图-1
