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，采用混合专家架构，核心设计沿袭DeepSeek-V3，后训练阶段则借助Kimi K2.5等开放模型生成的合成数据完成冷启动。尽管参数量达9750亿，上下文长度支持100万Token，支持多模态输入与可调节“思考强度”，但多项基准测试结果表明，其综合表现仍落后于Kimi K2.6与GLM 5.2。更关键的是，调用成本反而高于对手。
这家由前OpenAI核心成员创办、融资20亿美元、估值120亿美元的明星公司，交出的首份答卷并未达到外界预期。但穆拉蒂或许从未打算让Inkling争第一。当美国企业使用中国模型面临日益增加的合规风险，一款性能尚可、支持定制、确属本土出品的开放模型，正悄然建立起自己的生存空间。“贵替”不必最强，只要足够“安心”。
文章配图-1
02、
当地时间7月15日，Thinking Machines Lab正式发布其首款模型Inkling。
从硬件配置看，这确实是典型头部实验室的出场方式。9750亿总参数量，每Token激活410亿参数，预训练数据覆盖45万亿Token，包含文本、图像、音频与视频。支持100万Token上下文，能够理解多模态输入，以纯文本形式输出结果。用户还能通过调节“思考强度”在响应速度、推理深度与成本之间取舍。
Inkling开放模型权重，采用Apache 2.0许可证，开发者既可本地部署，也可通过Tinker平台进行微调。公司定位清晰：不与ChatGPT抢普通用户，而是作为企业构建AI应用的底层支撑。
真正引人注目的，藏在技术说明的后半部分。Thinking Machines在报告中直言，Inkling的混合专家架构“主要沿用了DeepSeek-V3”。它保留了大量专家模块，每个Token仅激活其中一部分，负载均衡机制也复制了DeepSeek-V3的无辅助损失设计。
训练路径同样显现出中国模型的痕迹。为启动后训练，公司先用公开模型生成的合成数据做监督微调，其中明确列出Kimi K2.5。技术脉络已很清晰——由OpenAI前高管创立的美国实验室，首版模型架构取自DeepSeek，训练数据依赖Kimi，最终呈现出一种“拿来即用”的工程路径。
借鉴开放成果本身并无不当。DeepSeek与Kimi公开权重，允许研究与再利用，这是技术发展的常态。真正令人侧目的是，即便吸收了这些成熟方案，Inkling的性能依旧未能超越其“原型”们。
Thinking Machines并未回避这一事实。在官方发布文中坦承：“Inkling并非目前表现最强的模型，无论开放模型还是闭源模型。”
具体指标显示，差距不容忽视。
- 在“人类最后的考试”纯文本评测中，Inkling得分为29.7%，Kimi K2.6为35.9%，GLM 5.2达40.1%；
- 加入工具调用后，Inkling提升至46%，仍低于Kimi K2.6的54%与GLM 5.2的54.7%；
- 在SWE-Bench Pro中，Inkling得54.3%，Kimi K2.6为58.6%，GLM 5.2为62.1%；
- Terminal Bench 2.1上，Inkling仅63.8%，Kimi K2.6与GLM 5.2分别达到71.3%和82.7%。
虽在网页设计、音频理解与安全性评测中表现稳定，某些数学任务上甚至优于Kimi与DeepSeek，但综合推理、编程与智能体能力，仍难跻身第一梯队。
价格方面，同样无明显优势。Tinker平台64K版本，每100万Prefill Token收费1.87美元，Sample Token为4.68美元——前者可视为输入成本，后者接近生成费用。此为限时五折价。256K版本则分别升至3.74美元与9.36美元。
相较之下，Kimi K2.6官方API每100万输入和输出Token分别收费0.95美元与4美元；GLM 5.2为1.4美元与4.4美元。
Tinker的计费体系与标准API略有差异，但粗略比较后仍可看出：Inkling的预填充成本接近Kimi K2.6的两倍，生成成本也高于两者。整体没有价格竞争力。
于是，Inkling的初亮相呈现出一种现实感十足的悖论：技术路径源自中国模型，性能未达领先水平，价格反而更高。
文章配图-2
03、
若这模型出自普通创业公司，技术参考与定价策略或许只是常规操作。但Inkling的背书者，是Thinking Machines——一个近乎“OpenAI校友会”的团队。
2025年2月，公司首次公开亮相时，团队约30人，三分之二成员来自OpenAI，其余来自Meta与Mistral。创始团队阵容包括OpenAI联合创始人John Schulman、前研究副总裁Barret Zoph，以及Lilian Weng、Andrew Tulloch、Luke Metz等资深研究人员。他们曾分别主导强化学习、后训练、预训练、安全与推理研究。路透社当时即指出，穆拉蒂从OpenAI挖走至少20名研究人员。
在这群前OpenAI核心内部，穆拉蒂位置特殊。她2018年加入，参与DALL-E、Codex、ChatGPT、Sora等关键项目，2022年升任首席技术官，统筹研究、训练、安全与产品落地。2023年11月，Sam Altman被罢免后，她短暂代理首席执行官。她对OpenAI研发流程与产品化路径有完整掌握。
换言之，Thinking Machines从成立起，就拥有顶级的开放经验。
穆拉蒂与团队清楚顶级闭源实验室如何构建模型，也亲历ChatGPT从论文到全球现象的全过程。当他们从零搭建技术体系，外界自然期待一条带有OpenAI基因的路径。
结果，Inkling最清晰的技术源头，却是中国模型。这难免被解读为一个微妙信号——最懂OpenAI的人，最终选择了中国模型的技术路线。
但这并非全貌。
OpenAI近年所有前沿模型均闭源，模型权重、训练数据、后训练策略均不对外。穆拉蒂即便熟悉内部机制，也无法将商业机密直接移植。而DeepSeek、Kimi等已公开权重，架构与工具链可合法复用。
Inkling本身也是开放权重模型。从成熟公开方案中汲取经验，是构建开放生态的自然选择。今天若完全回避中国团队的公开成果，反而要承担更高的试错成本。
因此，借鉴中国模型，并不能说明穆拉蒂认为其技术全面超越OpenAI。双方公开程度不同，可供参考的资源也截然不同。
真正值得关注的，是另一层信号：至少在开放权重领域，中国模型已成为美国AI团队的重要参照系。
所以，借鉴本身可以理解。真正值得审视的是：为何吸收了现成架构与训练方案，最终产出的Inkling性能更弱、价格更高？
穆拉蒂拥有顶尖团队、充足资金、英伟达最新训练系统。她不可能忽视这些差距。
答案或许简单：她根本没打算赢。
文章配图-3
04、
按理说，Inkling本不应止步于“够用”。
2025年7月，公司尚未发布任何产品，便完成20亿美元种子轮融资，估值120亿美元。投资方包括安德森·霍洛维茨、英伟达、AMD与简街资本。四个月后，新一轮融资传闻传出，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的潜在竞争者。
在这种背景下，推出一款性能弱于中国模型、价格更高的产品，确实显得不符预期。
但从企业级市场视角看，穆拉蒂可能从不打算争夺评测榜首。
Thinking Machines强调开放权重、多模态处理与可定制性，希望企业通过Tinker进行微调，打造专属客服、编程助手或行业智能体。她锁定的市场，不看重榜单名次，更关注能否私有部署、能否掌控数据、能否持续迭代训练。
这一需求，此前已被中国开放模型大量承接。
美国的OpenAI与Anthropic坚持闭源，Meta的Llama 4表现未达预期后，也逐步收缩开放策略。与此同时，DeepSeek、Kimi、Qwen、GLM持续开放权重，性能不断逼近闭源模型，价格却始终更低。
美国企业已用实际调用行为投票。
据OpenRouter向CNBC提供的数据，2026年2月以来，中国模型在美国企业通过该平台调用的Token中，周占比始终超过30%，峰值达46%。而2025年上半年平均占比仅4.5%。
Cursor在开发Composer 2时测试多款基础模型，最终选用Kimi K2.5，理由很直接：“评测表现最强。”桥水基金则通过Tinker微调阿里Qwen，定制模型以更低代价超越部分顶级闭源系统。
中国开放模型，正成为美国企业降低AI成本的实际路径。但这条路，正面临压力。
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预警，部分使用中国模型的企业遭到调查。虽尚未形成统一禁令，但政策不确定性已影响企业决策，尤其在政府项目与敏感数据场景。
这正是Inkling的切入窗口。
它由美国公司打造，采用Apache 2.0许可证，支持私有部署与定制训练。企业选用它，无需承担使用中国模型引发的政治风险，也更容易通过政府与大型企业的合规审查。
Inkling真正的价值，在于这种合规上的确定性。
穆拉蒂显然看准了这个正在形成的真空。
她将DeepSeek与Kimi的公开成果，转化为由美国实体提供的模型。Inkling不必在所有评测中胜出，只要成为那些不敢再用中国模型企业的“安全选项”即可。
这也解释了为何它敢定价更高。政策壁垒缩小了竞争面，性能与价格差距的敏感性被弱化。对某些美国企业而言，一款稍弱、稍贵但无政治风险的模型，已足够。
从这个角度看，Inkling更像是一场深思熟虑的商业设计。
但代价是谁承担？
美国以外的企业仍可自由选择GLM、Kimi、DeepSeek，在更强、更便宜的底座上构建产品；而美国企业，却可能被迫使用性能稍弱、成本更高的本土替代品。这种基础差距，会持续传导至微调后的应用，最终形成结构性劣势。
华盛顿本想用限制保护美国AI产业，结果可能先为Inkling这样的“贵替”打开了市场。对穆拉蒂而言，“一般般”已足够。对美国AI产业来说，这份“够用”带来的，是成本上升与竞争力下滑。