前OpenAI CTO穆拉蒂创业公司TML发布AI模型Inkling，借鉴中国技术平衡成本与性能
OpenAI前首席技术官穆拉蒂创办的ThinkingMachinesLab发布首款AI模型Inkling，采用开放权重模式，参数规模9750亿，其中活跃参数仅410亿。模型架构借鉴中国DeepSeek-V3，后训练使用月之暗面KimiK2 5数据，主打成本与性能平衡，并具备定制化能力。
北京时间7月16日，《华尔街日报》曝出一条重磅消息：OpenAI前首席技术官米拉·穆拉蒂（Mira Murati）正押注一条差异化路线——打造更具可定制性的AI模型，试图缩小与前东家OpenAI等前沿实验室之间的技术差距。这一动向值得深入解读。
穆拉蒂创办的Thinking Machines Lab，本周三正式发布了公司的首款AI模型，并且一开始就选择了“开放权重”模式——简单来说，其他开发者获取该模型后，可以结合自身数据对其进行二次修改和定制化调整。
这款模型名为Inkling，参数规模达到9750亿，乍看之下颇为惊人，但相较于外界对OpenAI、Anthropic等最先进闭源模型预估的参数规模，实际上要小不少。
团队透露，Inkling基础模型的架构借鉴了中国DeepSeek-V3的设计思路，而在后训练阶段，则使用了月之暗面公司Kimi K2.5生成的数据来优化性能。这背后，其实体现了一种跨界的整合趋势。
“我们想把Inkling打造成一款覆盖范围广、能力相对均衡的基础模型——在众多领域都有不错的表现，同时保留足够的灵活性去适配不同任务。”Thinking Machines在官方说明中写道，“无论放在开源阵营还是闭源阵营里看，Inkling都不是目前整体性能最强的模型。”这一表述相当务实，不夸大其词。
真正的重心在于“成本与性能之间取得平衡”——这与前沿AI实验室一味追求原始性能上限的做法，形成了鲜明对比。
Inkling拥有近1万亿个参数，但其中活跃参数仅为410亿。这意味着，每次处理用户查询时，只有AI“大脑”的一小部分被激活，从而降低使用成本、提升响应速度。这一设计思路，颇具“够用就好”的实用主义色彩。
模型的定制化能力，依托于Thinking Machines去年先发布的一款产品Tinker。这是一款面向AI开发者和研究人员的云端微调工具，核心目标非常明确：让开发者坐在笔记本电脑前，就能对一些大型工业级AI模型进行定制和训练，完全无需操心底层的超级计算基础设施。
安全方面，Thinking Machines称已对Inkling做了全面测试，包括评估其是否可能被用于协助制造生物武器或帮助黑客发动网络攻击等风险，结果显示表现良好。
不过也得承认，由于Inkling采用开放权重模式，团队仍在研究如何进一步调整和完善模型内置的安全防护措施。这也是许多闭源模型开发商一直对开放权重模式提出的核心安全担忧之一。下一步如何发展，值得持续关注。
你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：前OpenAI CTO穆拉蒂创业公司TML发布AI模型Inkling，借鉴中国技术平衡成本与性能要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关热点提示词过长易被截断，应删除客套话与空泛描述，用函数签名锚定类型行为；以符号替代自然语言缩短字符；分阶段提交任务降低出错率；预校验提示词长度，控制在1800字符以内。
向量空间模型将文本转为高维向量，通过余弦相似度计算文本相似性。TF-IDF算法通过词频与逆文档频率加权，提升特征词区分度。该模型在文本分类、情感分析等任务中广泛应用，但忽略语义关系，常需结合神经网络等方法弥补不足。
AI大模型为智能驾驶提供精准决策支持，提升数据处理与自适应学习能力；智能驾驶的高实时性、安全性与鲁棒性需求倒逼大模型在计算效率、可解释性等方面持续进化。两者深度结合，共同推动自主驾驶升级与城市交通智能化。
摩尔线程在2023算力技术大会上发布全功能GPU算力集群的异地调度方案，实现跨地域集群化处理。该方案支持自动选择最优节点、负载均衡及成本优化，服务于智算、科学计算、数字文旅等场景。会上还成立校企智算联盟，推动西部算网融合。
- 日榜
- 周榜
- 月榜
热点快看