Thinking Machines，这家由前 OpenAI CTO Mira Murati 创立的 AI 实验室，于 2026 年 7 月 31 日发布了其第二款模型 Inkling Small。据 Artificial Analysis 的测试，这款开放权重推理模型在智能指数上得分为 40，仅比其前代 Inkling 的 41 分低 1 分，但参数量却不足 Inkling 的三分之一（总参数 2760 亿，活跃参数 120 亿）。Artificial Analysis 表示，没有同等或更小尺寸的开放模型得分更高。

Inkling Small 在多项编码和推理基准上超越了其更大的兄弟模型。在 Humanity's Last Exam 上，Inkling Small 得分 32%，而 Inkling 为 30%；在 GPQA Diamond 上，Inkling Small 得分 89%，Inkling 为 87%。然而，它在基于代理的任务和事实知识方面表现落后，但 token 效率显著更高，平均每个任务输出 24K token，相比之下 Deepseek V4 Flash 为 45K，GPT-5.4 mini 为 78K。

该模型支持文本、图像和语音输入，上下文窗口为 256K token，并以 Apache 2.0 许可证发布。权重已上传至 Hugging Face，用户还可以通过 Tinker Playground 在浏览器中进行微调。Thinking Machines 将其模型定位为用户自有数据微调的基础，一些人认为这可能是 AI 的下一个前沿。

这一发布反映了 AI 领域对模型效率的关注日益增加。随着模型规模不断膨胀，计算成本成为重要考量，Inkling Small 展示了通过优化架构和训练方法，在较小规模下实现接近甚至超越大模型性能的可能性。对于投资者而言，这可能意味着 AI 产业的竞争焦点正从单纯的规模竞赛转向效率与成本效益的平衡。

Thinking Machines 由 Mira Murati 于 2025 年创立，此前她曾担任 OpenAI 的首席技术官。该公司的首款模型 Inkling 于 2026 年初发布，定位为开放权重推理模型。Inkling Small 的推出进一步丰富了其产品线，并可能吸引更多希望以较低成本获得高性能模型的开发者与企业用户。

尽管 Inkling Small 在部分基准上表现优于 Inkling，但在代理任务和事实知识方面仍有差距，这表明不同模型各有侧重，用户需根据具体应用场景选择。此外，其高效的 token 使用可能降低推理成本，这对于大规模部署尤其重要。

总体而言，Inkling Small 的发布展示了小模型在特定任务上的竞争力，可能推动行业对模型效率的进一步重视。随着 AI 应用场景的多样化，兼顾性能与效率的模型或将获得更多市场青睐。