OpenAI前首席技术官穆拉蒂，做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，后训练冷启动还使用了Kimi K2.5等开放模型生成的数据。然而在多项基准评测中，Inkling落后于Kimi和GLM，调用价格反而更高。

对于一家融资20亿美元、估值120亿美元，团队中聚集了大量OpenAI前员工的明星公司来说，这个结果多少有些低于预期。

但穆拉蒂可能从一开始就没打算靠Inkling争夺第一。随着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，已经拥有自己的市场。“贵替”没有那么强，也不愁“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，这款模型很符合一家明星AI实验室应有的排场。

Inkling采用混合专家架构，总参数量达到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。它可以理解文字、图片和音频，再以文字形式输出结果，还支持通过调节“思考强度”，在性能、速度和成本之间进行取舍。

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

公司给它的定位很明确：与其直接和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最引人注意的部分，藏在技术报告后半段。

Thinking Machines在介绍模型架构时直接写道，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只调用其中一小部分，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的影响还延伸到了训练阶段。

Thinking Machines表示，为了启动后训练，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。

整条技术路线已经足够清楚：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生成的数据完成后训练起步。

借鉴开放模型本身没有问题。DeepSeek和Kimi公开权重并允许开发者使用，科学研究和工程开发原本就建立在公开成果的积累之上。更尴尬的地方在于，Inkling吸收了中国模型的技术之后，性能依然没有压过这些“老师”。

Thinking Machines对此也没有粉饰。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Thinking Machines公布的结果看，

.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%，依然低于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上的差距更加明显，Inkling只有63.8%，Kimi K2.6和GLM 5.2分别达到71.3%和82.7%。

当然，Inkling也有自己的长项。它在网页应用设计、音频理解和安全性评测中表现不错，在部分数学任务上也能超过Kimi和DeepSeek。

只是从综合推理、编程和智能体能力来看，它目前很难被归入开放模型的第一梯队。

性能没有冲到最前面，价格同样没给出惊喜。

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。前者可以粗略理解为输入成本，后者接近生成成本，而且这已经是“限时五折价”。256K版本的价格更高，分别达到3.74美元和9.36美元。

作为对比，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。但按照上述价格粗略比较，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，暂时没有体现出价格优势。

于是，Thinking Machines的首款模型呈现出一种有些微妙的局面：架构参考DeepSeek，后训练借力Kimi，综合性能没有超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，这样的选择便更加耐人寻味。

如果Inkling来自一家普通的AI创业公司，借鉴DeepSeek、借助Kimi训练，或许还没有这么耐人寻味。偏偏它来自Thinking Machines——一家几乎可以称为“OpenAI校友会”的公司。

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

创始团队一度包括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。

这些人分别参与过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。

站在这群OpenAI校友中间的穆拉蒂，当然是最特殊的一个。

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，穆拉蒂还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着完整了解。

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

穆拉蒂和她的团队知道一家顶级闭源实验室如何开发模型，也亲历了ChatGPT从研究成果变成全球产品的全过程。当这群人离开OpenAI，从零搭建自己的技术体系时，外界自然会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。这很容易被理解成一个戏剧性的信号——最了解OpenAI的一群人离开OpenAI后，最终选择了中国模型的技术蓝图。

不过，这个结论还需要拆开来看。

OpenAI近年来的前沿模型全部采用闭源路线，外界拿不到模型权重，也不了解完整的架构、训练数据和后训练方案。穆拉蒂即使熟悉OpenAI内部技术，也不能把前东家的商业机密直接搬进新公司。DeepSeek和Kimi则公开了权重或技术报告，架构、训练方法和工具链都可以合法研究和复用。

Inkling本身也是一款开放权重模型。对于一家想要建设开放模型生态的公司来说，从DeepSeek、Kimi等开放模型中吸收成熟方案，属于顺理成章的工程选择。

今天开发一款开放模型，完全避开中国团队已经公开的成果，反而要付出更高的试错成本。

因此，Inkling借鉴中国模型，并不能直接证明穆拉蒂认为DeepSeek的技术全面领先OpenAI。双方公开程度不同，可供借鉴的条件也完全不同。

但这件事依然释放了一个清晰的信号：至少在开放权重领域，中国模型已经成了美国AI团队的重要参考系。

所以，借鉴中国模型并不难解释。真正需要回答的问题是：Thinking Machines吸收了现成的架构和训练经验，为什么最终做出的Inkling性能更弱、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。她没有理由看不到Inkling与中国模型之间的性能和价格差距。

既然如此，“贵替”很可能就是一个经过计算的选择。

“一般般”，就够了

按照Thinking Machines获得的待遇，Inkling原本不该只是一款“够用”的模型。

2025年7月，公司尚未推出任何产品，就完成了20亿美元种子轮融资，估值达到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，Thinking Machines又传出新一轮融资谈判，目标估值高达500亿美元，尽管交易最终没有官宣完成，外界已经将它视为OpenAI和Anthropic的潜在对手。

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

可从商业角度看，穆拉蒂可能从一开始就没打算用它争夺基准评测第一名。

Thinking Machines公司强调的是开放权重、多模态能力和可定制性，希望企业通过Tinker对它进行微调，把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，对基准评测第一名没有那么执着。企业更在意模型能否私有部署、能否掌握数据、能否按照自己的业务继续训练。

此前，这类需求很大一部分被中国开放模型接住了。

美国的OpenAI和Anthropic长期坚持闭源，Meta的Llama 4表现不及预期后，也逐渐收&缩开放路线。与此同时，DeepSeek、Kimi、Qwen和GLM持续开放权重，性能越来越接近美国闭源模型，价格却低得多。

美国企业很快用脚投了票。

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，每周占比都超过30%，最高一度达到46%。2025年上半年的平均占比还只有4.5%。

Cursor开发Composer 2时测试了多款基础模型，最终选择Kimi K2.5，理由也很直接——它在评测中表现最强。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过了部分顶级闭源模型。

中国开放模型由此成了美国企业降低AI成本的一条捷径。只不过，这条路正在承压。

与此同时，美国对中国AI模型的监管氛围正在收紧。相关部门已经围绕数据安全、模型来源和供应链风险发出警告，部分使用中国模型的企业也受到调查。即便尚未形成统一限制，政策上的不确定性已经足以影响企业选择，尤其是涉及政府业务和敏感数据的公司。

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、支持私有部署和定制的开放权重模型。美国企业选择它，不必担心使用中国模型引发的政&治争议，也更容易通过政府客户和大型公司的合规审查。

Inkling真正的价值，来自这种合规确定性。

穆拉蒂显然看到了这个正在形成的空缺。

Thinking Machines吸收DeepSeek和Kimi的公开成果，再把它们转化成一款由美国公司提供的模型。Inkling不需要在所有基准评测中击败中国模型，只需要成为那些不敢继续使用中国模型的美国企业可以接受的选择。

这也解释了它为什么敢于更贵。政策替Inkling缩小了竞争范围，性能和价格上的差距便没那么致命。对于一些美国企业来说，一款稍弱、稍贵但风险较低的模型，已经足够。

从这个角度看，Inkling更能证明穆拉蒂懂得做生意。

不过，这套生意成立的代价，可能由美国企业承担。

美国之外的公司仍然可以自由选择GLM、Kimi和DeepSeek，在更强、更便宜的基础模型上开发产品；美国企业却可能被迫采用性能稍弱、价格更高的本土替代品。基础模型的能力差距会继续传递到微调后的产品中，最终形成结构性的竞争劣势。

华盛顿原本希望用限制保护美国AI公司，结果可能先替Inkling这样的“贵替”创造了市场。对穆拉蒂来说，“一般般”已经够了。对美国AI产业来说，这份“够用”则意味着成本的升高和竞争力的下降。