前言¶

大模型研发链条很长：预训练、强化学习、针对内核与下游任务的后训练，往往要堆人力和专用脚本。Thinking Machines Labs Inc.（由前 OpenAI 首席技术官 Mira Murati 于去年创立）在 2026 年 11 月 6 日前后发布了新大模型 Inkling 2 Small，定位之一是让模型参与「做模型研发」——例如长程编程、自研式后训练任务，以及 LLM 组件（含 kernel）上的优化类工作。首发通过公司 Tinker 云服务提供，并计划在一周内以开源许可发布权重。同日，SiliconANGLE 引述 Business Insider 报道称其正推进由 Accel 领投、规模约 50 亿美元、估值约 400 亿美元的融资；该部分均为媒体报道，非公司正式公告。

Inkling 2 Small 是什么¶

Inkling 2 Small 是 Thinking Machines 面向「自动化 AI 训练相关任务」发布的大语言模型。据 SiliconANGLE 2026-11-06 报道，公司用 GB300 NVL72 机架集群训练：每个系统含 72 张 Blackwell Ultra 显卡及相应数量的 CPU。预训练阶段约 68 小时完成，随后又经历约九天的强化学习流程，其间还有若干中间训练步骤。

参数规模方面，报道给出总量约 5940 亿（文中写作 594 billion），单次推理激活约 170 亿（17 billion）；视觉编码器占约 2.92 亿参数。模型可按任务调节算力投入，便于在输出质量与成本之间取舍。

训练数据与能力侧重¶

Thinking Machines 通过大量长程编程挑战强化 Inkling 2 Small 的编程能力，任务集中包含难度较高的「autoresearch」类练习：要求模型对神经网络做后训练、优化被称为 kernel 的 LLM 组件，以及执行其他 AI 研究工作。

公司用一项实操测试说明其机器学习侧能力：让模型在 4.5 小时内微调开源模型 Qwen3.5-4B，以提升天气预报等预测能力；按公司说法，该次实验将相关预测得分提升约一倍。此外，报道称其在 Spark Open、Kimi K3 等开源模型参与的三项知识工作基准上表现更好，并在若干金融任务数据集上得分更高。

模型集成视觉编码器，可分析图像；并支持对模型自身生成的图形做视觉质检。举例而言，若用户要求搭建电商站点，模型除检查代码外，还可对产品页渲染情况做视觉核对。

熟悉后训练流程的开发者可用自有数据对 Inkling 2 Small 做定制；公司称相较早期版本，该模型学习更快，有利于降低后训练 run 的成本。

获取方式与开源计划¶

发布当日，Inkling 2 Small 通过 Thinking Machines 的 Tinker 云服务提供访问。公司计划在一周后以开源许可发布模型权重。具体许可条款与仓库地址以届时官方发布为准。

融资传闻与行业关注点¶

与产品发布时间接近，SiliconANGLE 引述 Business Insider 称 Thinking Machines 正在筹集约 50 亿美元，由 Accel 领投，公司估值预期约 400 亿美元。上述金额与估值均未在抓取到的公司正式披露中核实，写作与引用时宜标明「据报道」。

从产品线看，Inkling 2 Small 把「agentic 训练栈」从研究叙事落到可调用模型与即将开放的权重：长程代码、后训练与 kernel 优化被写进训练目标与公开案例（如 Qwen3.5-4B 微调实验）。若开源权重如期放出，社区可直接复现或对比其在 autoresearch 类任务上的表现；云侧 Tinker 则承担早期试用与商业接入。融资传闻若属实，反映资本对 Murati 团队押注「模型辅助模型研发」路线的兴趣，但最终仍以公司公告与产品迭代为准。