我们发布了开源权重模型Inkling，这是一个975B总参数、41B活跃参数的混合专家Transformer，支持百万token上下文，在多模态数据上预训练，旨在构建可扩展人类意志的AI。

好的，这是根据您的要求，对原文进行的中文重述，保留了核心细节，并删减了与主题无关或过于技术性的细节。

标题：Inkling：我们的开放权重模型

我们的使命是构建能够延伸人类意志和判断力的人工智能。今天，我们通过发布一个完全开放权重的模型来推进这一使命，让人们可以将其定制为己所用。

这个名为 Inkling 的模型是一个总参数量为 9750 亿的混合专家（MoE）Transformer，其中活跃参数为 410 亿。它支持高达 100 万 token 的上下文窗口，并在 45 万亿 token 的文本、图像、音频和视频数据上进行了预训练。Inkling 是一个多模态模型，能原生处理文本、图像和音频，并通过可控的思考努力来平衡成本与性能。它并非目前最强的模型，但其多模态能力、高效思考以及在 Tinker 平台上可微调的特性，使其成为一个优秀的开放权重基础模型。

为了让定制化更易用，Inkling 现已可在 Tinker 平台上进行微调。同时，我们在 Tinker 控制台中新增了 Inkling Playground，这是一个面向开发者的聊天界面，方便用户与模型互动。

核心能力

• 通用模型：Inkling 被设计为一个广泛、均衡的通用模型，在智能体、推理、编码、多模态和音频等多个任务上表现均衡，而非在单一领域上过度优化。
• 智能体编码与工具使用：Inkling 在智能体编码基准测试中表现优异。它能一次性构建功能性的网页应用，并驱动内嵌的 AI 助手通过自然语言指令操作界面。在 Design Arena 的智能体网页开发排行榜上，它位列最强开放权重模型之一。
• 可控思考努力：Inkling 支持可控的思考努力，允许用户在性能与 token 效率之间取得平衡。例如，在 Terminal Bench 2.1 基准测试中，达到相同性能时，Inkling 消耗的 token 数仅为 Nemotron 3 Ultra 的三分之一。
• 多模态能力：Inkling 的音频和视觉组件均从零开始训练。它能转录语音、遵循语音指令、回答关于录音的问题，并能描述图像内容、回答视觉问题。在多项音频和视觉基准测试中，它都处于开放权重模型中的领先水平。
• 认知能力：我们训练 Inkling 具备良好的校准能力、指令遵循能力和抵抗审查的能力。在预测任务上，其表现与顶尖模型相当。我们通过强化学习，使用两种自动评分器（清单评分器和事实性评分器）来提升其指令遵循能力并减少幻觉。同时，模型被训练在不确定时给出“不知道”或谨慎的猜测，而非强行回答。此外，Inkling 在可能被审查的话题上表现出强烈的非顺从性。
• 安全性：在 FORTRESS 基准测试中，Inkling 展现了最强的内置安全防护，能有效拒绝有害请求，同时不会过度拒绝良性的类似请求。

模型性能

在多项基准测试中，Inkling 的表现与当前顶尖的开放权重模型（如 Kimi K2.5、GLM 5.2 等）处于同一梯队，并在某些领域（如智能体编码、音频处理）展现出优势。例如，它在 SWEBench Verified 上得分为 77.6%，在 AIME 2026 上得分为 97.1%。

Inkling 的构建

• 架构：Inkling 采用混合专家（MoE）架构，每层包含 256 个路由专家和 2 个共享专家，每个 token 激活 6 个路由专家。注意力机制采用滑动窗口和全局层以 5:1 的比例交错，并使用相对位置嵌入。
• 训练：模型在 45 万亿 token 的数据上进行了预训练，并采用了混合优化策略。后训练阶段覆盖了数学、编码、工具使用、音频、图像、对话和安全等多个领域，其中大部分计算资源用于大规模的强化学习。
• 大规模强化学习：通过超过 3000 万次的大规模异步强化学习，模型的推理性能实现了对数线性提升。训练过程中，模型的思维链也自发地变得更加简洁高效。

Inkling-Small

我们还发布了 Inkling-Small 的预览版，这是一个总参数量 2760 亿（活跃参数 120 亿）的模型。它在许多基准测试上表现接近甚至超越其更大的兄弟模型 Inkling，同时拥有更低的成本和延迟，非常适合对成本敏感的编码、评分或生成合成数据等任务。

定制与可用性

Inkling 现已通过 Tinker 平台提供，支持 64K 和 256K token 的上下文长度。用户可以通过 Inkling Playground 免费体验。其完整权重已在 Hugging Face 上发布。此外，我们与多家生态系统合作伙伴（如 Together、Fireworks、Databricks、Hugging Face 等）合作，支持用户部署在 Tinker 上微调后的模型。

根据评论内容，总结如下：

主要观点与论据：

1. 积极评价（开放权重与多模态）

   • 评论2（alansaber）：“best western open weights model- very cool”
   • 评论5（ianbutler）：“It's nice to see a strong long context open weights model that is multi-modal”
   • 评论10（bobkb）：“Happy to see an open weight model! This has all the right ingredients for success.”

2. 性能对比与局限

   • 评论3（verdverm）：“If it's ~30% bigger and not as good as GLM 5.2, why would I tinker with this model?”
   • 评论4（Reubend）：“particularly good at instruction following, but not as strong at coding as others”
   • 评论9（janalsncm）：“better than Nemotron, worse than GLM... best American open weights model”

3. 质疑与批评

   • 评论16（MaxPock）：“Raised 2 billion dollars... debuts at 41 on the Artificial Analysis Intelligence Index... What a joke.”
   • 评论13（bbstats）：“too bad we'll never know how good it is, since they used a radar plot”

4. 技术细节与可用性

   • 评论6（amarble）：“276B A12B version... might actually be able to fit in 128GB when quantized to 2 bits”
   • 评论11（solomatov）：“HuggingFace shows Apache-2.0 but they have AUP. How does it work together?”
   • 评论8（raverbashing）：“Cool, now we just need the GPU that supports it”

5. 战略与前景

   • 评论1（ls_stats）：“America needs its own DeepSeek... root for open chinese models to win”
   • 评论18（mhluongo）：“training a bespoke model for what you need will make economic sense”
   • 评论17（minraws）：“gaining some faith in American Open research labs again”

平衡性总结：
评论整体呈现两极分化：一方面认可其作为美国首个开放权重多模态模型的价值，尤其在指令遵循和长上下文方面；另一方面批评其性能不及中国开源模型（如GLM），且基准测试展示方式不透明。部分评论关注其商业策略（定制化训练）和硬件需求，同时指出许可协议（Apache-2.0与AUP）的潜在矛盾。