TML发布Inkling 2：采样Kimi的AI大模型新变局

type

status

date

slug

summary

594B参数的“Small”：Inkling 2的核心架构与长程能力

大模型行业中的“Small”定义正在被迅速改写。初代Inkling Small参数量为276B，而Inkling 2 Small直接跃升至594B总参数，采用混合专家（MoE）设计，每次推理仅激活17B。该模型支持高达100万token的上下文窗口，具备原生视觉多模态能力与可调的思考深度。

在训练架构上，TML团队展示了顶级的工程实力。预训练第一阶段，团队利用英伟达GB300机架，在NVFP4（4比特浮点）精度下吞吐了8.4万亿token；第二阶段追加了3.8万亿高质量数据；收尾阶段则引入了合计约3540亿token的推理与智能体轨迹。在随后的强化学习（RL）阶段，TML动用了2048块GPU进行了超过1700万次rollout训练，单次rollout耗时甚至长达数小时。

如此高强度的长链路训练，核心目标是赋予模型“长程自主工作”（Long-horizon Agentic Work）能力。在演示案例中，Inkling 2 Small展现出了惊人的复杂任务执行力：不仅能利用Three.js从零生成包含电力网络与突发事件调度的城市经营模拟游戏，还能基于Python编写出可引导真实Linux内核的虚拟机，甚至能直接将二维平面户型图重构为可实时交互的3D漫游场景。在AA-Briefcase等衡量复杂办公与商业任务的基准测试中，Inkling 2 Small的Elo得分高达1527，超越了多款主流闭源模型。

坦率的技术配方：为何硅谷团队会选择“蒸馏”Kimi K3？

在Inkling 2 Small的技术日志中，最引人注目的莫过于预训练最后两个关键阶段（H3与H4）的数据来源。官方明确指出，这些用于长上下文推理与智能体行为的数据，大部分采样自包括月之暗面Kimi K3在内的更早模型轨迹，并经过了严格的正确性校验与对齐过滤。

智能体轨迹（Agent Trajectories）是当前大模型训练中最难规模化获取的稀缺资产。与普通的自然语言文本不同，合格的智能体轨迹需要模型在真实环境中连续完成“调用工具-阅读反馈-纠正代码-验证结果”的闭环，一条高质量轨迹往往长达数万token，依靠纯人工标注在成本和速度上均难以实现。最务实的工程方案，即是借助在推理和编程领域表现顶尖的开源基座进行行为仿真。

在TML公布的基准测试中，Kimi K3在SWEBench Pro等高难度编程与长上下文任务中表现亮眼，成为了TML构建高质量合成数据的理想“导师”。这一现象与早前西方科技公司针对API蒸馏的争议截然不同：Kimi K3本身是开放权重的开源模型，开发者在其公开许可框架内进行离线部署与采样，本就是开源LLM社区的标准演进范式。TML的坦率公开，不仅体现了严谨的技术工程态度，更印证了中国大模型在长文本与智能体推理领域的扎实硬实力。

以开源为引流杠杆：底层产品Tinker与商业变现闭环

尽管Inkling 2 Small在知识处理和编程生成上表现出众，但它并非一款面向大众用户的全能聊天机器人。官方坦言其日常对话体验相对粗糙，文本组织风格偏向极客。这种取舍背后，映射出TML清晰的商业化诉求——为核心云端微调平台Tinker打造一块兼具实效与号召力的“超级招牌”。

作为OpenAI前CTO创立的企业，TML深知单纯提供聊天API在变现路径上的局限。因此，Tinker定位于企业级微调平台。Inkling 2 Small的强化学习任务中，超过93%的token配比集中在代码编写、办公任务、STEM推理与应用构建，与闲聊相关的安全认知仅占0.2%。整个模型就是按照工业生产力标准打造的高效底座。

官方重点强调了该模型的“高可微调性”（Fine-tunability）。在特定财务分析任务的适配中，新模型仅需极少训练步数便能超越上一代模型的全量微调效果。TML更展示了让Inkling 2 Small自主作为智能体、以有限算力预算在Tinker上对轻量模型（如Qwen）进行SFT与RL自迭代的案例。先用免费放出的开放权重模型树立开发者口碑，再将企业客户引导至云端平台进行私有化训练与高并发推理，构成了TML当下的核心AI变现逻辑。

全球大模型生态重塑：从单向输入到反向赋能

Inkling 2 Small的问世，将开源大模型的竞争格局清晰地呈现在行业面前。根据Artificial Analysis最新的开放权重评估，Inkling 2 Small虽然位列欧美开放权重阵营前列，领先于部分老牌开源机构的模型，但放眼全球总榜，排名前列的依然包括Kimi K3.1 Pro、DeepSeek V4.1以及GLM系列。

这一生态位的转变具有深远意义。在生成式人工智能爆发初期，全球大模型训练普遍遵循着“以海外顶尖闭源模型为标杆、以Llama等开源体系为基础”的单向路径。如今，无论是Kimi的长程推理与智能体表现，还是阿里Qwen系列在全球开源开发者中的高渗透率，都表明中国顶尖大模型已经跨越了单纯的追赶阶段，正在演进为推动全球AGI工程演进的底层数据源与核心基底。

对于广大AI从业者而言，理解提示词工程（Prompt Engineering）、模型蒸馏与微调工程的融合路径，已经成为把握技术红利的关键。紧随这一波技术浪潮，获取全面、前沿的AI新闻与大模型动态，欢迎持续访问AI门户，探索从提示词设计到产业级AI变现的全面解决方案。

结语

Inkling 2 Small的推出不仅证明了Mira Murati团队在算法工程与训练效率上的顶尖实力，更用一份透明的技术报告向整个开源社区揭示了一个客观现实：在大模型智能体与长文本推理的赛道上，优质中国开放权重模型已经跻身全球基础设施层。开源与开放权重的良性循环正在打破地域与机构的壁垒，全球开发者正站在彼此的肩膀上，共同加速通往通用人工智能（AGI）的进程。