# Tinker 稱 Inkling 以 25 至 100 小時音訊微調即可登上語音任務頂尖排名，但結果待驗證

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

> 原作者：Tinker (@tinkerapi) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 熱度：🔥 · 日期：2026-09-01

> 原始來源：https://x.com/tinkerapi/status/2094514114676879840

## 證據與延伸閱讀

- [Tinker 稱 Inkling 以 25 至 100 小時音訊微調即可登上語音任務頂尖排名，但結果待驗證。](https://tinker-docs.thinkingmachines.ai/cookbook/inkling) — 官方文件 · 最後核對：2026-09-01 · 支持主張：The attached Tinker documentation describes Inkling as a general-purpose Tinker model for coding, reasoning, tool calls, and image or audio inputs; the root post adds a domain-specific fine-tuning report and references Voice Code Bench.
- [Inkling以25至100小時音訊微調登上頂尖](https://x.com/tinkerapi/status/2094514114676879840)

## 中文摘要

Tinker 稱 Inkling 以 25 至 100 小時音訊微調即可登上語音任務頂尖排名，但結果待驗證。

**核心事件** 2026 年 8 月 31 日，Tinker 表示 Inkling「就是為 fine-tuning 打造」，並稱 `@besimple_ai` 的專門化調整成果相當突出：只使用 25 至 100 小時的專業音訊，Inkling 就在還原語音細微細節的任務上達到頂尖排名。這項說法來自 Tinker 對該成果的轉述，並非來源提供的獨立評測結論。

**模型定位** Tinker 官方文件將 Inkling 定位為 Thinking Machines Lab 為 Tinker 打造的通用模型，適用範圍包括：

- 程式開發與推理
- 呼叫工具
- 圖像與音訊輸入
- 以浮點值控制 `thinking effort`，調整模型投入的推理程度

官方文件也說明，這些輸入與互動格式由 `tml-renderers` 建立，訊息可以使用 OpenAI 相容的 Cookbook 字典，或使用具型別的 `tml_renderers.chat` 物件；實際格式應依應用程式需求選擇。

**微調方向** 引述這項成果的 Yi Zhong 表示，Inkling 的主要價值在於模型規模較小且具穩健性，因此適合作為領域專用 fine-tuning 的基礎模型。這次工作先觀察 Inkling 在 Voice Code Bench 的表現，再進一步測試「如果對 Inkling 進行 fine-tuning，能否改善特定語音任務」。Tinker 的貼文則將結果聚焦在專業音訊資料量與語音細節還原排名之間的關聯。

**實作方式** 官方文件提供的入門流程，重點是把 Inkling 放進既有的 Tinker Cookbook 工作流程：

1. 安裝包含 `tml_renderers` 的 `tinker-cookbook` 套件：`uv pip install tinker-cookbook`
2. 在既有 Cookbook workflow 中設定模型名稱：`model_name = "thinkingmachines/Inkling"`
3. 針對目標使用情境掃描 learning rate 與 `thinking effort`
4. 使用 `sample_reasoning.py` 比較標準 effort 值，並以 Voice Code Bench 或同等級語音 benchmark 評估微調後的模型

官方文件另提供 Audio、Images、Thinking effort 與 rendering 等指南，但沒有在本次來源中列出完整資料集準備、訓練參數或可直接重現的端到端流程。

**證據限制** 目前不能把「25 至 100 小時音訊即可登上第一名」解讀成普遍規律。來源沒有提供 Voice Code Bench 的評測協定、分數、基準模型、資料集細節或使用的 checkpoint，也未交代專業音訊的組成、fine-tuning 的確切步驟與重現條件。因此，這項結果適合作為值得驗證的領域適應案例，而不是已完成的模型比較結論。Tinker 的定價、模型存取方式、renderer 版本與支援的音訊格式，同樣未在來源中說明。

## 標籤

功能更新, Inkling, Tinker, thinkingmachines/Inkling, Voice Code Bench, tml-renderers, tml_renderers.chat, tinker-cookbook, sample_reasoning.py, Thinking Machines Lab