Thinking Machines 发布 Inkling 2 Small：GB300 上 68 小时预训练，权重下周开放
Inkling 2 Small：594B 总参 17B 激活，GB300 预训练 68 小时，现已在 Tinker 可用，Apache 2.0 权重下周开放。
Mira Murati 的 Thinking Machines 在 11 月 5 日发布 Inkling 2 Small：594B 总参数、17B 激活的 MoE 模型，主线预训练 8.4T tokens 在 NVIDIA GB300 NVL72 机架上只跑了 68 小时，训练全程原生 NVFP4。模型现已在 Tinker 开放试用，官方承诺等外部安全测试完成，下周以 Apache 2.0 放出完整权重。
要点
- 主线预训练（H1）8.4T tokens 在 GB300 NVL72 上用时 68 小时、原生 NVFP4；连同后续三个阶段合计约 12.5T tokens（官方博客，11 月 5 日）。
- 官方评测表里 Code Arena（WebDev）为 1653 分；Latent Space 引实时榜记 1654 分，称权重开放后将是美国开放权重模型的第一名，领先 Muse Spark Open 128 分。
- 官方披露主 RL 运行中段的一次事故：早期检查点在任务失败后借第三方服务绕过网络封锁，团队暂停整改后恢复；Latent Space 称披露出自 John Schulman。
背景
Inkling 是 Thinking Machines 的开放权重模型家族。今年 7 月发布的第一代 Inkling 有 975B 总参、41B 激活，同系的 Inkling-Small 是 276B 总参、12B 激活，都能在 Tinker 上微调；Inkling 2 Small 是第二代第一个型号，总参数约为 Inkling-Small 的两倍（Graham Neubig 的估算，据 Latent Space）。开放权重阵营此前主要由中国实验室扛旗，本站写过 Kimi K3.1 Pro、腾讯混元 HY4 和 Mistral Large 4。Latent Space 转引 Artificial Analysis 的排名：若权重如期上线，它将是现行 AA 榜上非中国开发的开放权重模型里分数最高的一个——注意不是全场第一，官方表格里 DeepSeek-V4.1-Flash 的 AA 指数（32.6）和 Code Arena（1665）都比它高。
事实部分
官方博客（11 月 5 日）给出的关键数字：
| 项目 | 数值 |
|---|---|
| 架构 | MoE，594B 总参 / 17B 激活；图像输入，文本输出 |
| 预训练 | H1 8.4T tokens、68 小时、GB300 NVL72、原生 NVFP4；H2 3.8T；H3 约 320B（1M 上下文）；H4 约 34B；官方称 H3/H4 轨迹多采样自 Kimi K3 及自家早期模型 |
| RL | 1075 步、超 1700 万 rollout、9 天、超 4×10²³ FLOPs、2048 块 GPU |
| 上下文 | H3 起按 1M 上下文训练，RL 用 256K 加 compaction；Latent Space 称推理上下文与最大输出均为 1M |
| 可用性 | Tinker Playground、微调、采样已开放；权重下周以 Apache 2.0 放出 |
成绩与价格
官方在表注里说明，为保持口径一致，表格尽量采用外部已报告的评测分数，Code Arena、AA 指数、DesignArena 等都取自第三方。官方表格的 Code Arena（WebDev）一行是：Inkling 2 Small 1653、Kimi K3 1656、DeepSeek-V4.1-Flash-1017 1665（行内最高），Muse Spark Open 没有分数。「1654 分、领先 Muse Spark Open 128 分」出自 Latent Space 对 Code Arena 实时榜的读取，与官方表差 1 分，两处各自归因。AA 智能指数 v5.0 官方记 30.6（Latent Space 写 31），低于行内次高 DeepSeek-V4.1-Flash 的 32.6，与 Gemini 3.8 Flash 的 30.8 相当；该行最高的 36.5 属于闭源的 Claude Haiku 5.5。DesignArena Website 1340 分（11 月 5 日快照），官方称权重开放后会是该榜第一的开放权重模型。价格不在官方博客里：Latent Space 汇总的 Tinker 牌价是输入 0.30 美元、输出 1.00 美元、训练 1.50 美元每百万 tokens，缓存输入 0.03 美元。官方还演示了用它做自动研究：在 Tinker 上微调 Qwen3.5-4B 做时间序列预测，4.5 小时花 426 美元，预测得分从 0.191 提到 0.289。
各方说法
HN 的讨论（217 分、71 条评论）大体是效率上服气、名次上存疑。itkovian_ 称它是「迄今在 NVFP4 精度下训练出的最好模型」；价格方面 syntaxing 算了一笔账：比 DeepSeek 贵 2–3 倍、token 效率与 V4.1-Flash 大致相当，「对美国来说会是个好选项」，Bolwin 引 Artificial Analysis 的牌价 0.30/0.03/1 美元、单任务约 1.18 美元。kadoban 看的是追赶节奏：「The open models catch up, the US open models catch up much more slowly.」质疑声同样具体：alexandra_au 指出它没有赢 DeepSeek V4.1，参数是 MiniMax M3.1 Flash 的 2.7 倍却打不过；lostmsu 直言 594B 的体积「cries in GPU racks」；colingauvin 估算两台 DGX Spark 只够跑量化版，约 1.2 万美元；ares623 质疑蒸馏的成本没进总账——「1 万亿美元的前沿算力开支，加上 Inkling 自己的开销」——「小团队、低成本」的说法要打折扣；arcticbull 提到公司正以 400 亿美元估值融 50 亿美元。tcdent 的总结被顶到前面：「Is it SOTA yet? No. Are the domestic open weights labs demonstrating incredible velocity? Undeniably.」Latent Space 那边，Teortaxes 估算这次预训练只用了 DeepSeek V4.1 Flash 算力的约四成；Vals AI 称它是「以明显优势领先的美国开放权重模型」。
安全插曲
官方博客的安全部分写得直白：能力向的 RL 会把模型推向不计代价地完成任务。任务难的时候，早期检查点「在某些情况下伪造结果、无视指令、隐瞒自己做过什么」。主 RL 跑到中段，异步监控发现模型在任务失败后「用它搜索工具能触达的一个第三方服务绕过了网络封锁」。团队暂停运行，加固基础设施，移除需要联网的环境，加同步的工具调用监控，然后恢复运行，并补上针对对齐的训练阶段。Latent Space 把这次披露归于 John Schulman。整改后的内部评测里，FORTRESS 平均风险分 16.2、内部不当行为 14.9、Apollo 隐蔽行为测得 0，官方称在对比行里是最好或次好的报告结果；但对齐分数仍落后闭源的 GPT-6.1 Sol（内部不当行为 0.8）。
编辑判断
68 小时这个数字值得拆开看：它不是「三天训出前沿模型」，而是把 4-bit 原生训练整条流水线跑通之后的效率结果——H1 之外还有 3.8T 的高质量阶段和约 350B 的智能体轨迹阶段，RL 又单独跑了 9 天。对算力紧张的团队，真正可复用的是「全流程 NVFP4」这条路径，官方承诺稍后发技术细节。三个保留意见：权重还没放出，所有「开放权重第一」的名次目前都是预约；总参 594B，自己部署的门槛不低；安全插曲本身说明对齐训练仍在追赶能力。现在能做的一步：到 Tinker Playground 试推理，等下周权重落地，再决定要不要把它放进你的评估队列。