# 策展 · X (Twitter) 🔥🔥🔥🔥🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 原作者：Mira Murati (@miramurati) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 日期：2026-07-16

> 原始來源：https://x.com/miramurati/status/2077455974743593100

## 證據與延伸閱讀

- [Inkling模型參數規格](https://thinkingmachines.ai/news/introducing-inkling/)

## 中文摘要

Thinking Machines 發布 Inkling 開放權重模型供微調。

**模型核心規格**
Inkling 是一款基於 Mixture-of-Experts (MoE) 架構的 Transformer 模型，具備以下關鍵技術指標：
- 參數規模：總參數量為 975B，活躍參數為 41B。
- 訓練資料：使用 45 兆 token 的多模態資料進行預訓練，涵蓋文字、影像、音訊與影片。
- 上下文視窗：支援高達 1M token 的長文本處理。
- 架構細節：採用類似 DeepSeek-V3 的 MoE 設計，每層包含 256 個路由專家（routed experts）與 2 個共享專家，每個 token 啟用 6 個路由專家，並使用基於 Sigmoid 的路由機制與無輔助損失（auxiliary-loss-free）的負載平衡偏置。
- 訓練策略：採用混合優化策略，針對大型矩陣權重使用 `Muon` 優化器，其餘參數則使用 `Adam`。

**多模態與效能表現**
Inkling 強調在多模態領域的廣泛適應性，特別是在音訊處理方面表現優異，於 VoiceBench、MMAU 及 AudioMC 等評測中名列開放權重模型前茅。該模型設計重點在於「持續思考」（continuous thinking）能力，讓使用者能根據實際應用場景在成本與效能曲線中進行權衡，以更少的 token 達成相同的任務目標。官方也強調，Inkling 並非當前最強的模型（無論開放或封閉權重），而是以多模態、高效思考與可微調性兼備的均衡特質，作為適合客製化的開放權重基座。此外，Thinking Machines 也同步釋出了輕量級版本 `Inkling-Small`（12B 活躍參數）供開發者預覽。

**開發者生態與應用**
Thinking Machines 致力於推動模型客製化，並透過以下方式支援開發者：
- 平台整合：Inkling 現已於 Tinker 平台開放微調，並提供「Inkling Playground」介面供開發者直接進行互動測試。
- 自我優化：官方展示了 Inkling 透過 Tinker 平台自行編寫、執行並評估微調任務的能力。
- 生態支援：該模型獲得了多個開源社群與基礎設施夥伴的 Day-0 支援，包括 `Together AI`、`FireworksAI`、`Databricks`、`Unsloth`、`Modal`、`Baseten`、`LightSeek`，以及 `vLLM` 與 `SGLang` 等專案。

**安全性與穩健性**
在安全性方面，Inkling 針對「認識論」（epistemics）進行了特別訓練，強調模型在回答問題時的校準能力與信心表達。官方委託外部測試人員針對武器與暴力相關請求進行評估，結果顯示 Inkling 在 `FORTRESS` 基準測試中，於其所比較的開放權重模型中展現最強的內建安全防護機制。

## 標籤

新產品, 開源專案, LLM, Thinking Machines