首个模型Inkling亮相之后，全新AI又刷屏了！
今天，Thinking Machines正式发布第二款重磅模型——Inkling-Small。
276B总参数、12B激活参数，原生多模态，100万token上下文
半个月前，首个开源975B Inkling登场，曾在AI圈掀起了巨浪。
Inkling-Small仅用四分之一体量，直接实现了对「万亿大哥」的性能反超。
在ARC-AGI-2上，Inkling-Small刷新开源SOTA
回看Thinking Machines这几天，剧情堪称跌宕起伏。
联创翁荔官宣离职仅两天，OpenAI便证实了她的回归——带队攻坚「递归自我提升」（RSI）。
结果就在第三天，这家刚少了一位核心大将的公司，直接把新模型的「全量权重」甩了出来。
全新Inkling-Small登场，276B击败万亿
官博介绍中，Inkling-Small是一个MoE架构的模型，总参数2760亿，单次推理激活120亿。
相较于初代Inkling，体量直接浓缩成四分之一。
正如Pytorch大神Horace He所言，「Inkling-Small根本不用举全村之力，直接沿用前代技术就成了」。
最硬核的是，体量虽缩小了，综合实力显著提升。
在数学、推理、智能体编码、多模态基准中，Inkling-Small堪比，甚至超越了Inkling、DeepSeek V4 Flash。
在HLE、Terminal-Bench、IFBench这三个核心指标上——Inkling-Small每一FLOP换来的性能都高于Inkling。
可以看到，Inkling-Small的曲线，全程压在Inkling上面。
多模态那边也几乎没掉队没，图表理解、视觉推理、语音理解、长音频推理，Inkling-Small在评测中「接近」原版，代价却低得多。
其他基准测试成绩如下：
一个体积只有四分之一的模型，在推理和智能体任务上把它的老大哥按在了地上。
后训练细节，全公开了
至于如何做到，官方把方法写得很细，关键是两步。
Inkling-Small 的训练开始时间晚于 Inkling，于是把前一轮踩过的坑全部吃进去了——
预训练数据配比改了，机器学习配方重新精炼过。
更关键的，是两步操作。
第一步，用 Inkling 当老师做 on-policy 蒸馏，先出一个 preview 检查点。
第二步，从这个检查点接着跑了整整两周的智能体编码强化学习。于是就有了「学生超过老师」的结果。
仅用两周的时间，就把差距拉了回来，还反超了。
这意味着，Thinking Machines直接跑通了一条能反复出模型的产线。第一个模型是作品，第二个模型是产能证明。
120亿激活，才是真正的分水岭
对绝大多开发者来说，真正关心的是，自己能不能用起来？
原版Inkling门槛非常高，BF16检查点最低要求是2TB聚合显存——
示例配置是，8张B300或16张H200；就算换成NVFP4量化版，也还要600GB起步。
Inkling-Small把这道门槛，整个往下拽了一大截。
LMSYS的说法很直接：276B总参数配12B激活，是强化学习的甜点位，LoRA和全参数训练都变得「够得着」。
以前只有大厂能玩的模型定制，现在一个中等规模的团队，也有机会真的把它训成自己的东西。
实测显示，8张B200、TP8、NVFP4、batch size 1的同一套环境下，用SGLang跑Inkling-Small，开DSpark能到648 tok/s解码，不开也有288 tok/s。
六个联创走了四个，模型越发越快
去年2月，Thinking Machines带着一份「OpenAI梦之队」的六人名单惊艳开局：
Mira Murati、John Schulman、Barret Zoph、翁荔、Andrew Tulloch、Luke Metz。
当时，他们拿的是20亿美元种子轮、120亿美元估值的逆天剧本。
谁能想到，今年1月那轮500亿美元估值的融资最终流产，成为了转折的开始。
如今，六人团只剩下了Murati和Schulman。
更有意思的是，离开的四个人里，Zoph和Metz先后回了OpenAI，如今翁荔成为了第三个。
一家由OpenAI「叛逆者」组建的公司，核心骨干最终还是没能逃脱OpenAI的引力场。
但真正充满戏剧性的，是团队在面临动荡时的反应。
7月15日，沉默了整整17个月的Thinking Machines终于交出了首个大模型Inkling。
不到两周，翁荔宣布离职；仅仅三天后，第二个带着全量权重的开源模型又紧跟着上线。
人才在加速流失，模型在加速狂飙。
这两条背道而驰的曲线，成了AI行业中最具代表性的一幕。
也许这就是通向ASI的必经之路：不管留下的人有多么少，机器向前的车轮，只会越转越快。