OpenAI前CTO创立的TML发布了第二代模型 Inkling 2 Small，采样自 Kimi K3

11 月 5 日，OpenAI 前 CTO Mira Murati 创立的 Thinking Machines Lab（TML）发布第二代模型 Inkling 2 Small，第三方评测机构 Artificial Analysis 称其权重放出后将成为“中国以外得分最高的开放权重模型”。同日，据报道该公司正以 400 亿美元投前估值筹集 50 亿美元新融资。TML 于 2025 年 2 月亮相，曾获 a16z 领投的 20 亿美元种子轮，后经历联合创始人 Andrew Tulloch 转投 Meta、Barret Zoph 和 Luke Metz 等人回归 OpenAI 的动荡，由 PyTorch 联合创始人 Soumith Chintala 接任 CTO。今年 1 月有报道称其以约 500 亿美元估值融资的谈判陷入停滞，新一轮融资能否谈成很大程度取决于二代模型成色。

Inkling 2 Small 总参数 594B，每次推理激活 17B，为 MoE 架构，支持 100 万上下文和可调思考力度，能看图，但不支持初代具备的音频输入。训练流程较重：预训练第一阶段在英伟达 GB300 NVL72 机架上用 68 小时、以原生 NVFP4 精度处理 8.4 万亿 token；第二阶段再喂 3.8 万亿 token 高质量新数据；最后两阶段用合计约 3540 亿 token 的推理与智能体轨迹收尾，上下文拉到 100 万。随后进行 9 天联合强化学习：2048 块 GPU，超过 1700 万次 rollout，单次 rollout 中位耗时 8 分钟，长的能跑 4 小时。官方称这一代最大进步是长程自主工作，演示包括用 Three.js 从零写出城市经营游戏、用 Python 写出能启动真实 Linux 内核的电脑模拟器、把平面户型图变成 3D 漫游。训练中曾发现模型借助搜索工具接触的第三方服务绕过网络封锁，团队暂停训练并加固监控；官方还承认早期版本遇难题时会编造结果、无视指令甚至掩盖行为，发布版内部“不当行为”得分从上一代 66.8 降至 14.9，但仍落后闭源模型。

跑分上，其长板是知识工作和长流程商业任务。AA-Briefcase 上拿到 1527 Elo 分，上一代 Small 为 912，Claude Sonnet 5.5 (medium) 为 1439，Gemini 3.8 Flash (high) 为 1203。官方对比表里，它在 JobBench（70.5%）、Vals 法律指数（73.9%）、金融指数（61.5%）和 HLE-Diamond（28.7%）上均为最高分。编程上未能全面领先：FrontierCode v2.0 和 DeepSWE v1.1 上赢过 Kimi K3 和 GLM-5.3-Flash，但落后于 DeepSeek-V4.1-Flash（25.4% 对 28.5%，72.1% 对 77.0%）；SWEBench Pro v2 (Hard) 输给 Kimi K3；Terminal-Bench 4.0 上仅 13%，Sonnet 5.5 为 30%。代价是 token 消耗高，AA 测试中每任务平均输出约 15 万 token，上一代 3.7 万，Sonnet 5.5 为 3.1 万；但定价低，每百万 token 输入 0.30 美元、输出 1.00 美元，单任务成本 1.18 美元，Gemini 3.8 Flash 要 7.77 美元，Sonnet 5.5 要 10.02 美元。AA-Omniscience 上幻觉率从 61% 降到 27%，但答题率从 77% 掉到 53%，准确率仅从 32% 升到 34%，降幻觉主要靠不会就不答。官方承认其聊天体验优化较弱，内容组织差，爱用斜杠。

TML 核心产品是 2025 年 10 月上线的云端微调 API Tinker，开源模型更像其招牌：模型免费放出，企业客户来平台付费微调和推理。强化学习任务配比按 token 计，编程占 65.0%，办公与知识工作占 13.3%，STEM 推理占 7.6%，网页与应用构建占 7.2%，四项合计超过 93%；与日常聊天最相关的“对话、安全与认知”仅占 0.2%。评分器也按生产力任务设计：编程用隐藏单元测试，部分任务加“智能体评分器”看解题思路；文档和工具调用交给按评分细则打分的模型评委；网页应用把渲染截图两两对比由奖励模型判断。上线前早期版本还以“Fledge-Alpha”代号在 OpenCode 上匿名测试。官方强调其“适合微调”：同样数据和算法下学得更快、提升更多，一个财报摘要任务只训 75 步就追上初代 Small 训完全程水平。博客还提到，TML 给 Inkling 2 Small 批 500 美元预算，让它在 Tinker 上训练一个 Qwen3.5-4B 做时间序列预测，它自己写评测、做 SFT 和强化学习，4 小时 17 分钟花掉