Thinking Machines Lab 相关 AI 资讯 · AI 热点

8月22日

02:08

02:08

Gary Marcus@GaryMarcus

78°

Luke Metz，ChatGPT研究预览项目负责人，离开OpenAI后加入Thinking Machines Lab，再回归OpenAI，如今再次离开。

行业 Luke Metz OpenAI Thinking Machines Lab

推荐理由：Luke Metz再次离开OpenAI，关注其AI研究进展和未来动向。

7月31日

15:38

15:38IT之家（博客/媒体）

Thinking Machines Lab发布Inkling-Small，总参数276B、激活参数12B，规模约为Inkling的四分之一。该模型采用MoE架构，支持音频和图像原生推理、最高1M token上下文。在Humanity's Last Exam基准中，Inkling-Small得分31.6%，高于Inkling的29.7%。模型完整权重已开放，并接入Tinker微调服务。

AI模型 Inkling-Small Thinking Machines Lab 开源模型

推荐理由：Inkling-Small四分之一参数就能接近甚至超过原版，权重开源，还能微调，快去玩。

7月28日

11:20

11:20

shao__meng@shao__meng

76°

前 OpenAI 安全系统负责人 Lilian Weng 宣布离开她作为联合创始人加入 20 个月的 Thinking Machines Lab。她在公开信中表示过去 7 个月病得比以往任何时候都多，直接归因于压力和工作量超出身体极限。她曾考虑转做范围更窄的角色，但认为联合创始人意味着无限责任，无法接受降级留任。未来她计划在更可预期的环境中承担边界清晰的角色，但仍在 AI 领域工作。

行业 Lilian Weng Thinking Machines Lab OpenAI

推荐理由：前 OpenAI 安全老大 Lilian Weng 因为健康压力，离开了自己联合创立的初创公司。不是能力问题，是角色太拼了。

7月17日

08:04

08:04

官方账号Together AI@togethercompute

精选

Thinking Machines Lab 联合 Together AI 发布了 Inkling 多模态 MoE 模型。该模型原生支持文本、图像、音频三种输入。它具备可控推理努力机制，允许在推理时动态调整计算量。基于 Together 的 FlashAttention-4 内核优化，显著提升 token 效率。在多个基准上展示了高效推理能力。

AI模型 Inkling Thinking Machines Lab Together AI

推荐理由：Inkling 是 Thinking Machines Lab 的新多模态 MoE 模型，同时支持文本、图像、音频输入，还能控制推理计算量，效率很高。

00:32

00:32官方账号Simon Willison’s Weblog（博客/媒体）

精选77°

Mira Murati 创立的 Thinking Machines Lab 发布了首个开源权重模型 Inkling。Inkling 是一个总参数 975B、激活参数 41B 的 MoE transformer，采用 Apache-2.0 许可，训练于 45 万亿 tokens 的文本、图像、音频和视频数据。该模型并非前沿模型，而是定位为通过 Tinker 训练平台进行微调的基础模型。Inkling-Small（276B 总参数, 12B 活跃）仍处于测试阶段，权重将后续发布。模型卡和训练数据文档信息较为简略，但 Inkling 在开源生态中可与 Nemotron 和 Gemma 4 竞争。

AI模型 Inkling Thinking Machines Lab 开源模型

推荐理由：Mira Murati 的新实验室发布了 Inkling，975B 参数的 Apache-2.0 多模态开源模型，专门为微调设计，想折腾的开发者可以试试。

7月16日

18:18

18:18

官方账号Decoder@Matthias Bastian

73°

由前OpenAI CTO Mira Murati创立的Thinking Machines Lab发布了开放权重多模态模型Inkling，拥有9750亿参数。该模型在Artificial Analysis Intelligence Index上领先所有美国开放权重模型，但中国顶级开源模型（如DeepSeek等）在某些任务上仍表现更优。Inkling定价为每百万输入token 1.87美元，公司将其定位为微调基础模型而非最强通用模型。

AI模型 Inkling Thinking Machines Lab Mira Murati

推荐理由：前OpenAI CTO Mira Murati的初创公司推出了9750亿参数的开放权重模型Inkling，性能领先美国同类但不及中国领先模型，适合做微调基础，价格明确。

14:51

14:51IT之家（博客/媒体）

78°

Thinking Machines Lab发布Inkling多模态AI模型，采用混合专家架构，总参数975B、激活41B，上下文长度1M tokens，预训练数据达45万亿 tokens。与中国开源模型对比：GLM 5.2在SWEBench Pro得分62.1%高于Inkling的54.3%，DeepSeek V4 Pro在SWEBench Verified达80.6%领先Inkling的77.6%，但Inkling在AIME 2026数学测试以97.1%超越DeepSeek的96.7%。与美国对手Nemotron 3 Ultra相比，Inkling在AIME 2026和SWEBench Verified分别领先2.9和6.9个百分点。面对闭源模型Claude Fable 5等，Inkling在编码推理上落后，但多模态视觉（MMMU Pro 73.3%）和音频（MMAU 77.2%）仍具竞争力。

AI模型 Inkling Thinking Machines Lab Mira Murati

推荐理由：前OpenAI CTO创业首秀，开源975B参数多模态模型，多模态有亮点，但推理编程弱于GLM和DeepSeek，看看值不值得用。

07:52

07:52IT之家（博客/媒体）

OpenAI前CTO穆拉蒂创立的Thinking Machines Lab发布首款模型Inkling，参数达9750亿但仅410亿活跃，采用开放权重模式。其架构借鉴中国DeepSeek-V3，后训练使用月之暗面Kimi K2.5生成的数据。Thinking Machines称Inkling非最强模型，但追求成本与性能平衡，通过Tinker微调工具支持定制。安全测试显示表现良好，但开放权重内安全措施仍在完善。

AI模型 Inkling Thinking Machines Lab DeepSeek

推荐理由：穆拉蒂的新模型Inkling接近万亿参数但只激活一小部分，成本低速度快，还用了DeepSeek和Kimi的技术，适合做定制项目的人试试。

07:51

07:51

官方一手marktechpost@Asif Razzaq

74°

2026年7月15日，Thinking Machines Lab 发布其首个从头训练的模型 Inkling。Inkling 拥有 975B 总参数、41B 激活参数，采用 Mixture-of-Experts 架构，原生支持文本、图像和音频输入，上下文窗口达 1M token。模型权重基于 Apache 2.0 许可开源，实验室明确它并非当下最强模型，而是定位为定制基础，其可控思考努力（Controllable Thinking Effort）是主要差异化功能。

AI模型 Inkling Thinking Machines Lab MoE

推荐理由：Inkling 让你能控制模型思考深度，975B 参数但只激活 41B，适合做定制化基础模型。

03:02

03:02

官方账号vLLM@vllm_project

84°

Thinking Machines Lab发布了TML Inkling，一个1T参数的开源权重模型，支持文本、图像和音频多模态输入。其上下文窗口高达100万token，采用相对注意力、短卷积和MoE专家汇聚的新架构，并配备8个MTP头用于推测解码。vLLM已从首日支持该模型，在NVIDIA Blackwell和Hopper上运行，4×GB200 MTP可达380 tok/s/user。

AI模型 TML Inkling Thinking Machines Lab vLLM

推荐理由：1T参数的开源多模态模型，百万token上下文，vLLM直接跑，4×GB200飙到380 tok/s，值得试试。

7月12日

08:52

08:52

官方一手marktechpost@Asif Razzaq

精选

Thinking Machines Lab发布论文《The Future Worth Building Is Human》，将人类参与和模型所有权纳入技术挑战。论文以Tinker的LoRA微调为例，说明团队可训练并保留自己的模型权重。该方法强调去中心化对齐，允许用户控制模型行为。交互模型被重新设计以支持个性化调整。

论文 Thinking Machines Lab Mira Murati LoRA

推荐理由：Mira Murati的新实验室发了篇论文，讲怎么让用户自己掌握模型权重，还拿LoRA举例，挺接地气的。

7月3日

21:54

21:54IT之家（博客/媒体）

桥水基金旗下AIA Labs与Thinking Machines Lab测试了GPT、Claude、Gemini等前沿模型在金融信息筛选任务中的表现。使用基础提示词时平均准确率仅约50%，经专家优化后提升至约70%，仍未达到80%的可信部署门槛。研究团队以阿里开源模型Qwen3-235B为基座进行微调，最终达到84.7%的准确率，优于最佳前沿模型的78.2%，错误率降低29.8%，推理成本仅为前沿模型的约十四分之一。

AI模型桥水基金 Qwen3-235B 金融判断

推荐理由：桥水和Mira Murati团队发现，GPT和Claude在金融判断上准确率才70%，不如微调的Qwen3-235B的84.7%，成本还低14倍。

19:42

19:42

官方账号Decoder@Maximilian Schreiner

桥水基金与Thinking Machines Lab的测试显示，一个经过微调的开源权重模型在金融文档评估任务上超越了GPT-4和Claude 3.5，且成本降低90%。该微调模型基于Llama 3.1 70B，在桥水内部金融问答数据集上训练，准确率达到92%，而GPT-4仅为78%。测试涵盖2000份真实金融文件，正确答案未公开以避免数据污染。

AI模型 Bridgewater Thinking Machines Lab GPT

推荐理由：桥水基金用自家金融数据微调了一个开源模型，结果比GPT和Claude都强，成本还低得多。想搞垂直领域微调的可以看看。

04:01

04:01

The Rundown AI@therundownai

精选

Mira Murati的Thinking Machines Lab与全球最大对冲基金Bridgewater合作，测试AI用于投资新闻筛选。GPT、Claude、Gemini在六项过滤测试中平均准确率约50%。专家投资者编写提示词后准确率升至74-76%，但仍低于80%的信任阈值。通过TML的Tinker API微调开放权重模型，准确率达到84.7%，错误率比最佳前沿模型降低29.8%，且每任务成本仅为前者的1/13.8。

AI模型 Mira Murati Thinking Machines Lab Bridgewater

推荐理由：Mira Murati团队和桥水基金一起搞了个AI筛选新闻的实验，先用GPT、Claude只有50%准确率，专家写提示词到75%还是不够，最后微调模型干到了84.7%，成本还低了13倍多。