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。在多项基准评测中，Inkling的表现落后于Kimi和GLM，调用价格却更高。

对于一家融资20亿美元、估值120亿美元，团队中汇集了大量OpenAI前员工的明星公司而言，这个结果称得上不尽如人意。

但穆拉蒂或许从没指望Inkling能杀进第一梯队。如今美国企业使用中国模型面临越来越多不确定性，一款性能尚可、支持定制、合规风险更低的本土开放模型，早已拥有自己的市场。“贵替”不必最强，也不缺市场。

穆拉蒂的首款模型，就这？

当地时间7月15日，Thinking Machines Lab发布了成立以来的首款模型Inkling。

单看配置，这款模型确实符合一家明星AI实验室应有的排场。

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，数据涵盖文本、图像、音频和视频，最长支持100万个Token的上下文。它能理解文字、图片和音频，输出结果以文字形式呈现，还支持通过调节“思考强度”，在性能、速度和成本之间灵活权衡。

Inkling同时开放了模型权重，采用相当宽松的Apache 2.0许可证。开发者可下载权重自行部署，也可通过Thinking Machines旗下的Tinker平台对模型进行微调。

公司对它的定位十分明确：不直接与ChatGPT争夺普通用户，Inkling更适合充当企业开发AI应用的底座。

不过，Inkling最引人注目的部分，藏在技术报告的后半段。

Thinking Machines在介绍模型架构时直言，Inkling的混合专家设计“主要沿用了DeepSeek-V3”。它同样设置了大量专家模块，每个Token仅调用其中一小部分，并采用了DeepSeek-V3的无辅助损失负载均衡等设计。

中国模型对Inkling的影响，也延伸到了训练阶段。

Thinking Machines表示，为启动后训练，公司先用开放权重模型生成的合成数据做了一轮监督微调，其中明确提到了月之暗面的Kimi K2.5。

整条技术路径已相当清晰：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，又借助Kimi生成的数据完成冷启动。

借鉴开放模型本身并无不妥。DeepSeek和Kimi均公开权重，允许开发者使用，科学研究与工程实践本就建立在公开成果的积累之上。更尴尬的是，Inkling吸收了中国模型的技术后，性能仍未能超越这些“老师”。

Thinking Machines对此并未掩饰。公司在发布文章中直接承认：“Inkling并非目前表现最强的模型，无论开放模型还是闭源模型。”

从公开的评测结果看：

- 在“人类最后的考试”纯文本评测中，Inkling得分29.7%，Kimi K2.6和GLM 5.2分别达到35.9%和40.1%；

- 加入工具后，Inkling升至46%，仍低于Kimi K2.6的54%和GLM 5.2的54.7%；

- 在考察真实软件工程能力的SWE-Bench Pro中，Inkling得分54.3%，Kimi K2.6为58.6%，GLM 5.2达到62.1%；

- Terminal Bench 2.1上的差距更为明显，Inkling仅得63.8%，Kimi K2.6和GLM 5.2分别达到71.3%和82.7%。

当然，Inkling也有自己的优势。它在网页应用设计、音频理解和安全性评测中表现尚可，在部分数学任务上甚至超过Kimi和DeepSeek。

但从综合推理、编程和智能体能力来看，它目前难以进入开放模型的第一梯队。

性能未达顶尖，价格也未带来惊喜。

在Tinker平台上，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。前者可粗略理解为输入成本，后者接近生成成本，而这已经是“限时五折价”。256K版本价格更高，分别达到3.74美元和9.36美元。

相比之下，Kimi K2.6官方API每100万输入和输出Token分别收费0.95美元和4美元，GLM5.2分别为1.4美元和4.4美元。

Tinker同时提供训练和采样服务，与普通模型API并非完全相同的计费口径。但粗略对比，Inkling的预填充价格接近Kimi K2.6的两倍，生成价格也高于Kimi K2.6和GLM5.2，暂时看不出价格优势。

于是，Thinking Machines的首款模型呈现出一种微妙局面：架构参考DeepSeek，后训练借力Kimi，综合性能未压过中国头部开放模型，调用价格反而更贵。

穆拉蒂的选择

考虑到穆拉蒂和Thinking Machines的背景，这一选择更显耐人寻味。

若Inkling来自一家普通AI创业公司，借鉴DeepSeek、借助Kimi训练，或许还不算惊人。偏偏它出自Thinking Machines——一家几乎可称为“OpenAI校友会”的公司。

2025年2月，Thinking Machines正式亮相时，团队约30人，其中约三分之二来自OpenAI，其余成员主要来自Meta和Mistral。

创始团队曾包括OpenAI联合创始人John Schulman、OpenAI前研究副总裁Barret Zoph，以及Lilian Weng、Andrew Tulloch和Luke Metz等研究人员。

这些人曾参与OpenAI的强化学习、后训练、预训练、安全和推理研究。路透社当时甚至直接形容，穆拉蒂从前东家挖走了至少20名研究人员。

在这群OpenAI校友中间，穆拉蒂最具特殊性。

她于2018年加入OpenAI，先后参与DALL-E、Codex、ChatGPT和Sora等产品，2022年升任首席技术官，负责协调研究、模型训练、安全和产品落地。

2023年11月，OpenAI董事会突然罢免Sam Altman后，穆拉蒂曾短暂担任临时首席执行官。她的角色更接近技术和产品的总负责人，对OpenAI的模型研发流程和产品化路径有完整掌握。

换句话说，Thinking Machines从成立之初就不缺OpenAI经验。

穆拉蒂与她的团队清楚一家顶级闭源实验室如何开发模型，也亲历了ChatGPT从研究成果演变为全球产品的全过程。当这群人离开OpenAI，从零搭建技术体系时，外界自然期待他们拿出一条带有OpenAI印记的路线。

结果，Inkling最明确的技术来源却指向了中国。这极易被解读为一个戏剧性信号——最了解OpenAI的一群人离开后，最终选择了中国模型的技术蓝图。

但这一结论还需拆解。

OpenAI近年来的前沿模型全部采用闭源路线，外界无法获取模型权重，也无从了解完整架构、训练数据和后训练方案。穆拉蒂即便熟悉内部技术，也无法将前东家的商业机密直接搬入新公司。而DeepSeek和Kimi则公开了权重或技术报告，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。对一家希望构建开放模型生态的公司而言，从DeepSeek、Kimi等开放模型中吸收成熟方案，是顺理成章的工程选择。

今天开发一款开放模型，若完全避开中国团队已公开的成果，反而需要付出更高试错成本。

因此，Inkling借鉴中国模型，并不能说明穆拉蒂认为DeepSeek的技术全面领先OpenAI。双方公开程度不同，可供借鉴的条件也截然不同。

但这件事释放了一个清晰信号：至少在开放权重领域，中国模型已成美国AI团队的重要参考系。

所以，借鉴中国模型并不难理解。真正需回答的问题是：Thinking Machines吸收了现成的架构与训练经验，为何最终做出的Inkling性能较弱、价格更高？

穆拉蒂拥有顶尖团队、充足资金和英伟达最新的训练系统。她不可能看不到Inkling与中国模型之间的性能与价格差距。

既然如此，“贵替”很可能是一次主动选择。

“一般般”，就够了

按Thinking Machines获得的资源，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，已完成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和简街等。四个月后，公司传出新一轮融资谈判，目标估值高达500亿美元，尽管交易未官宣，外界已视其为OpenAI和Anthropic的潜在对手。

因此，当Inkling以一款性能不如中国模型、价格更贵的产品亮相时，难免显得低于预期。

但从商业视角看，穆拉蒂或许从一开始就未打算让它争夺基准评测榜首。

Thinking Machines强调开放权重、多模态能力与可定制性，希望企业通过Tinker对模型进行微调，将Inkling改造成客服、编程助手、行业智能体等专用模型。穆拉蒂押注的市场，对评测榜首并无执念。企业更关心模型能否私有部署、能否掌控数据、能否按业务继续训练。

此前，这类需求在很大程度上被中国开放模型承接。

美国的OpenAI和Anthropic长期坚持闭源，Meta的Llama 4表现未达预期后，也逐步收缩开放路线。与此同时，DeepSeek、Kimi、Qwen和GLM持续开放权重，性能日益逼近美国闭源模型，价格却低得多。

美国企业很快用行为投票。

根据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%，最高一度达46%。2025年上半年平均占比仅为4.5%。

Cursor开发Composer 2时测试多款基础模型，最终选择Kimi K2.5，理由直接：评测表现最强。桥水基金则通过Tinker微调阿里的Qwen，得到的定制模型以更低成本超越部分顶级闭源模型。

中国开放模型因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模型的监管氛围日趋收紧。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也遭调查。尽管尚未形成统一限制，政策上的不确定性已足以影响企业决策，尤其涉及政府业务与敏感数据的公司。

这正是Inkling的市场空间。

它是一款美国公司开发、采用Apache 2.0许可证、支持私有部署与定制的开放权重模型。美国企业选用它，不必担心使用中国模型引发的政治争议，也更易通过政府客户与大型公司的合规审查。

Inkling真正的价值，在于这种合规确定性。

穆拉蒂显然捕捉到了这一正在形成的缺口。

Thinking Machines吸收DeepSeek与Kimi的公开成果，再将其转化为一款由美国公司出品的模型。Inkling无需在所有基准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可接受的选择。

这也解释了它为何敢于定价更高。政策替Inkling划定了竞争边界，性能与价格的差距便不再致命。对部分美国企业而言，一款稍弱、稍贵但风险更低的模型，已足够。

从这角度看，Inkling更证明穆拉蒂懂得如何做生意。

但这套逻辑的代价，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、更便宜的基础模型上构建产品；美国企业却可能被迫采用性能稍弱、价格更高的本土替代品。基础模型的能力差距会持续传递至微调后的应用中，最终形成结构性劣势。

华盛顿原想借限制保护美国AI公司，结果可能先为Inkling这类“贵替”创造了市场。对穆拉蒂而言，“一般般”已足够。对美国AI产业而言，这份“够用”意味着成本上升与竞争力下滑。

文章配图-1