前言¶

大模型研發鏈條很長：預訓練、強化學習、針對內核與下游任務的後訓練，往往要堆人力和專用腳本。Thinking Machines Labs Inc.（由前 OpenAI 首席技術官 Mira Murati 於去年創立）在 2026 年 11 月 6 日前後發佈了新大模型 Inkling 2 Small，定位之一是讓模型參與「做模型研發」——例如長程編程、自研式後訓練任務，以及 LLM 組件（含 kernel）上的優化類工作。首發通過公司 Tinker 雲服務提供，並計劃在一週內以開源許可發佈權重。同日，SiliconANGLE 引述 Business Insider 報道稱其正推進由 Accel 領投、規模約 50 億美元、估值約 400 億美元的融資；該部分均爲媒體報道，非公司正式公告。

Inkling 2 Small 是什麼¶

Inkling 2 Small 是 Thinking Machines 面向「自動化 AI 訓練相關任務」發佈的大語言模型。據 SiliconANGLE 2026-11-06 報道，公司用 GB300 NVL72 機架集羣訓練：每個系統含 72 張 Blackwell Ultra 顯卡及相應數量的 CPU。預訓練階段約 68 小時完成，隨後又經歷約九天的強化學習流程，其間還有若干中間訓練步驟。

參數規模方面，報道給出總量約 5940 億（文中寫作 594 billion），單次推理激活約 170 億（17 billion）；視覺編碼器佔約 2.92 億參數。模型可按任務調節算力投入，便於在輸出質量與成本之間取捨。

訓練數據與能力側重¶

Thinking Machines 通過大量長程編程挑戰強化 Inkling 2 Small 的編程能力，任務集中包含難度較高的「autoresearch」類練習：要求模型對神經網絡做後訓練、優化被稱爲 kernel 的 LLM 組件，以及執行其他 AI 研究工作。

公司用一項實操測試說明其機器學習側能力：讓模型在 4.5 小時內微調開源模型 Qwen3.5-4B，以提升天氣預報等預測能力；按公司說法，該次實驗將相關預測得分提升約一倍。此外，報道稱其在 Spark Open、Kimi K3 等開源模型參與的三項知識工作基準上表現更好，並在若干金融任務數據集上得分更高。

模型集成視覺編碼器，可分析圖像；並支持對模型自身生成的圖形做視覺質檢。舉例而言，若用戶要求搭建電商站點，模型除檢查代碼外，還可對產品頁渲染情況做視覺覈對。

熟悉後訓練流程的開發者可用自有數據對 Inkling 2 Small 做定製；公司稱相較早期版本，該模型學習更快，有利於降低後訓練 run 的成本。

獲取方式與開源計劃¶

發佈當日，Inkling 2 Small 通過 Thinking Machines 的 Tinker 雲服務提供訪問。公司計劃在一週後以開源許可發佈模型權重。具體許可條款與倉庫地址以屆時官方發佈爲準。

融資傳聞與行業關注點¶

與產品發佈時間接近，SiliconANGLE 引述 Business Insider 稱 Thinking Machines 正在籌集約 50 億美元，由 Accel 領投，公司估值預期約 400 億美元。上述金額與估值均未在抓取到的公司正式披露中核實，寫作與引用時宜標明「據報道」。

從產品線看，Inkling 2 Small 把「agentic 訓練棧」從研究敘事落到可調用模型與即將開放的權重：長程代碼、後訓練與 kernel 優化被寫進訓練目標與公開案例（如 Qwen3.5-4B 微調實驗）。若開源權重如期放出，社區可直接復現或對比其在 autoresearch 類任務上的表現；雲側 Tinker 則承擔早期試用與商業接入。融資傳聞若屬實，反映資本對 Murati 團隊押注「模型輔助模型研發」路線的興趣，但最終仍以公司公告與產品迭代爲準。