前OpenAI CTO创业公司推出开源大模型Inkling 挑战闭源AI模式

AI创作导航管理员 LV4 资深连续登录30天萌新

2 个月前

风向

1637

前OpenAI首席技术官Mira Murati创立的AI初创公司Thinking Machines Lab于2026年7月15日正式发布首个自研开源大模型Inkling。该模型采用混合专家（MoE）架构，总参数量达9750亿，单次任务仅激活约410亿参数，兼顾性能与运行效率，主打高度定制化能力，旨在挑战主流科技巨头主导的闭源AI商业模式。

7月15日的发布会上，Mira Murati公开演示了Inkling的定制化流程：一家电商企业仅用不到2小时，就基于Inkling微调出适配自身商品库的智能客服模型，推理成本比使用通用闭源模型降低了68%，这一数据让现场不少企业技术负责人表现出浓厚兴趣。

当前主流的闭源通用大模型为了覆盖尽可能多的用户场景，往往采取“最大公约数”的训练策略，也就是外界调侃的“一刀切”模式——企业如果需要适配特定业务场景，要么额外支付高额的定制训练费用，要么需要承担数据上传到第三方服务器的隐私风险，对于预算有限的中小企业来说，这几乎是一道无法跨越的门槛。

Mira Murati此前在OpenAI任职期间就多次公开表示，AI的下一个增长极在垂直场景的定制化，而闭源模式的灵活性不足会成为最大的阻碍，这也是她2024年底离职创业的核心原因。此次Inkling的发布，也是Thinking Machines Lab经历一年半基础设施研发后的首次公开亮相。

Inkling没有走目前通用大模型追求“全知全能”的路线，而是选择了混合专家（MoE）架构作为核心底座，9750亿的总参数量让它具备了对标头部闭源模型的性能上限，而单次任务仅激活410亿参数的设计，又大幅降低了推理和微调的成本。

该模型的预训练数据覆盖45万亿个文本、图像、音频和视频Token，原生支持多模态理解，目前已经开放文本、代码和结构化数据的输出能力。和其他开源模型不同的是，Inkling向用户开放了“思考强度”调节接口：对响应速度要求高的场景可以降低激活参数比例，对精度要求高的科研、代码生成场景可以提高参数激活率，不用重新训练就能快速适配不同需求。

在官方公布的基准测试数据中，Inkling在代码生成、结构化数据处理两项核心企业级指标上，已经追平了当前主流的闭源大模型，能效比更是高出同量级模型30%以上。

对于Thinking Machines Lab来说，Inkling的发布只是第一步。Mira Murati透露，今年年底之前团队会开放全模态输出能力，同时上线配套的低代码微调工具，让没有算法团队的小微企业也能快速定制专属模型。

不少业内分析师认为，Inkling的出现会进一步压缩中小闭源大模型的生存空间，也会倒逼头部闭源厂商降低定制服务的门槛。过去一年，开源大模型的市场占比已经从18%提升到32%，随着定制化能力更强的产品入场，这一增速可能会进一步加快。

开源大模型人工智能混合专家架构 Thinking Machines Inkling

本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。