人工智能领域迎来新突破，Thinking Machines公司正式推出第二代多模态大模型Inkling-Small。这款参数规模达2760亿的模型，凭借120亿激活参数和百万级上下文窗口，在性能测试中展现出超越前代万亿参数模型的实力，引发业界广泛关注。
技术架构方面，新模型采用混合专家（MoE）设计，通过优化预训练数据配比和强化学习流程实现突破。研发团队创新性地将前代模型作为"教师"，通过策略蒸馏生成初始检查点，随后进行为期两周的智能体编码强化训练。这种"学生超越老师"的技术路径，使模型在数学推理、代码生成等核心指标上实现显著提升。
性能测试数据显示，Inkling-Small在ARC-AGI-2等基准测试中刷新开源模型纪录，单位算力性能较前代提高37%。在多模态任务中，该模型在图表解析、视觉推理等场景的表现接近原版，但推理成本降低80%。特别值得注意的是，新模型在智能体编码任务中展现出超越前代的能力，验证了小规模参数模型实现高效推理的可行性。
开发门槛的降低成为最大亮点。相较于前代需要8张B300或16张H200显卡的配置要求，新模型通过120亿激活参数设计，使中等规模团队也能进行模型微调。实测显示，在8张B200显卡环境下，模型解码速度可达648token/秒，满足实时交互需求。这种"甜点位"设计使LoRA训练和全参数微调变得可行，为定制化开发打开大门。
公司发展轨迹充满戏剧性。这家由OpenAI前核心成员组建的初创企业，自去年以120亿美元估值启动后经历多次人事震荡。创始团队六人中已有四人重返OpenAI，包括最近回归的翁荔博士。尽管核心成员持续流失，但研发进度反而加速推进——首代模型发布仅两周后，第二代全量权重模型就紧随上线，形成鲜明对比。
技术突破与团队动荡的并行发展，折射出AI竞赛的激烈态势。新模型通过优化训练流程和架构设计，证明参数规模并非决定性能的唯一因素。其开源策略和低门槛设计，或将改变大模型开发格局，使更多研究机构和企业能够参与前沿技术探索。这种"小而强"的技术路线，可能为AI发展提供新的方向参考。
