OpenAI前首席技術官穆拉蒂離開老東家後交出的第一份答卷，意外地把中美大模型的角色關係顛倒了過來。 7 月 15 日，她創辦的Thinking Machines Lab發佈首款模型Inkling，混合專家架構主要沿用DeepSeek-V3，後訓練冷啓動還借了月之暗面Kimi K2. 5 等開放模型生成的合成數據。結果頗顯微妙：在多項基準評測裏，Inkling落後於Kimi和GLM，調用價格反而更高。一家融資 20 億美元、估值 120 億美元的明星公司，首秀多少低於預期，但穆拉蒂可能從一開始就沒打算靠它爭奪第一。

單看硬件配置，Inkling確實撐得起明星實驗室的排面。它採用混合專家架構，總參數量 9750 億，每處理一個Token激活 410 億參數；預訓練用了 45 萬億Token，數據涵蓋文本、圖像、音頻與視頻，最長支持 100 萬Token上下文；能理解文字、圖片和音頻，以文字形式輸出，還支持通過調節思考強度在性能、速度與成本之間取捨。模型同時開放權重，採用相當寬鬆的Apache 2. 0 許可證，開發者既能下載權重自行部署，也能通過Thinking Machines旗下的Tinker平臺微調。公司的定位很明確：與其直接和ChatGPT爭奪普通用戶，Inkling更適合充當企業開發AI應用的底座。

真正引人注意的，藏在技術報告的後半段。Thinking Machines在介紹架構時直接寫道，Inkling的混合專家設計主要沿用了DeepSeek-V3，同樣設置了大量專家模塊、每個Token只調用其中一小部分，並採用了DeepSeek-V3 的無輔助損失負載均衡設計。中國模型的影響還延伸到了訓練階段：爲了啓動後訓練，公司先用開放權重模型生成的合成數據做了一輪監督微調，其中明確提到了Kimi K2.5。

一條完整的路線浮出水面——一家由OpenAI前CTO創辦的美國實驗室，首款模型沿用DeepSeek架構，又藉助Kimi的數據完成後訓練起步。借鑑開放模型本身無可厚非，DeepSeek和Kimi公開權重、允許使用，本就是建立在公開成果之上，更尷尬的是Inkling吸收了中國模型的技術之後，性能依舊沒壓過這些老師。Thinking Machines也坦然承認：Inkling並非目前表現最強的模型，無論開放模型還是閉源模型。

把數字擺出來就更清楚了。在人類最後的考試純文本評測中，Inkling得29.7%，Kimi K2. 6 和GLM 5. 2 分別達到35.9%與40.1%；加上工具後Inkling升至46%，仍低於Kimi K2. 6 的54%和GLM 5. 2 的54.7%；考察真實軟件工程能力的SWE-Bench Pro裏，Inkling爲54.3%，Kimi K2. 6 是58.6%，GLM 5. 2 達到62.1%；差距在Terminal Bench 2. 1 上最刺眼，Inkling僅63.8%，Kimi K2. 6 和GLM 5. 2 分別有71.3%和82.7%。

當然Inkling也有長項，在網頁應用設計、音頻理解和安全性評測中表現不錯，部分數學任務還能超過Kimi和DeepSeek，但綜合推理、編程與智能體能力，它暫時擠不進開放模型的第一梯隊。價格同樣沒給驚喜：Tinker平臺上64K版本每 100 萬Prefill Token收費1. 87 美元、每 100 萬Sample Token收費4. 68 美元，且這已是限時五折價，256K版本更分別漲到3. 74 和9. 36 美元；對比Kimi K2. 6 官方API輸入0.95、輸出 4 美元，GLM 5. 2 爲1. 4 和4. 4 美元，Inkling的預填充價格接近Kimi K2. 6 的兩倍，生成價格也更高，暫時看不出價格優勢。於是局面變得有點微妙：架構參考DeepSeek，後訓練借力Kimi，綜合性能沒超過中國頭部開放模型，調用價格反而更貴。

之所以耐人尋味，在於Thinking Machines的特殊身世。這家公司幾乎是OpenAI校友會—— 2025 年 2 月亮相時團隊約 30 人，三分之二來自OpenAI，其餘主要來自Meta和Mistral，創始陣容一度包括John Schulman、Barret Zoph、Lilian Weng、Andrew Tulloch和Luke Metz，路透社稱穆拉蒂從前東家挖走了至少 20 名研究人員。

穆拉蒂本人 2018 年加入OpenAI，參與過DALL-E、Codex、ChatGPT和Sora， 2022 年升任CTO， 2023 年 11 月董事會罷免Altman後還短暫出任臨時CEO，對OpenAI的模型研發與產品化路徑有着完整認知。這樣一羣最懂OpenAI的人離開後，從零搭建技術體系，外界本期待一條帶着OpenAI印記的路線，結果最明確的技術來源卻指向中國模型，這很容易被解讀成一個戲劇性信號：最瞭解OpenAI的一羣人，最終選了中國模型的技術藍圖。

但這個結論需要拆開看。OpenAI近年前沿模型全部閉源，外界拿不到權重，也不瞭解完整架構與訓練方案，穆拉蒂即便熟悉內部技術，也不能把前東家的商業機密搬進新公司；DeepSeek和Kimi則公開了權重或技術報告，架構、訓練方法和工具鏈都可以合法研究複用。

Inkling本身也是開放權重模型，對想建設開放生態的公司來說，從DeepSeek、Kimi等開放模型吸收成熟方案，是順理成章的工程選擇。今天開發一款開放模型卻完全避開中國團隊已公開的成果，反而要付出更高試錯成本。因此借鑑中國模型並不能證明穆拉蒂認爲DeepSeek全面領先OpenAI，雙方公開程度不同、可借鑑條件也完全不同，但它釋放了一個清晰信號：至少在開放權重領域，中國模型已經成了美國AI團隊的重要參考系。

真正要回答的，是爲什麼Thinking Machines吸收了現成架構和訓練經驗，做出的Inkling卻性能更弱、價格更高。穆拉蒂擁有頂尖團隊、充足資金和英偉達最新訓練系統，沒有理由看不到這些差距，所以貴替很可能是一個經過計算的選擇。

按Thinking Machines拿到的待遇，Inkling本不該只是一款夠用的模型。 2025 年 7 月公司尚未推出任何產品，就完成 20 億美元種子輪、估值 120 億美元，投資方包括a16z、英偉達、AMD和簡街；四個月後新一輪談判目標估值一度高達 500 億美元，雖未官宣，外界已把它視作OpenAI和Anthropic的潛在對手。當它以性能不如中國模型、價格還更貴的產品亮相，難免低於預期，但從商業角度看，穆拉蒂可能從一開始就沒打算用它爭基準第一。

公司強調的是開放權重、多模態與可定製性，希望企業經Tinker微調，把Inkling改造成客服、編程助手、行業智能體等專用模型。穆拉蒂押注的市場，對基準第一並不執着，企業更在意模型能否私有部署、能否掌握數據、能否按自己的業務繼續訓練。此前這類需求很大一部分被中國開放模型接住了：OpenAI和Anthropic長期閉源，Meta的Llama4 不及預期後也逐漸收縮開放路線，而DeepSeek、Kimi、Qwen和GLM持續開放權重，性能越來越接近美國閉源模型、價格卻低得多。

美國企業很快用腳投票——OpenRouter向CNBC提供的數據顯示， 2026 年 2 月以來，中國模型在美國企業經該平臺調用的Token中每週佔比都超過30%，最高一度達46%，而 2025 年上半年的平均佔比還只有4.5%；Cursor開發Composer2 時測試多款基礎模型，最終選了評測最強的Kimi K2.5，橋水基金則通過Tinker微調阿里的Qwen，以更低成本超過了部分頂級閉源模型。中國開放模型由此成了美國企業降成本的捷徑，但這條路正在承壓。

與此同時，美國對中國AI模型的監管氛圍在收緊。相關部門已圍繞數據安全、模型來源和供應鏈風險發出警告，部分使用中國模型的企業受到調查。即便尚未形成統一限制，政策不確定性已足以影響企業選擇，尤其是涉及政府業務和敏感數據的公司。

這正是Inkling的市場空間：它是一款美國公司開發、採用Apache 2.0、支持私有部署和定製的開放權重模型，美國企業選它，不必擔心使用中國模型引發的政治爭議，也更容易通過政府客戶和大型公司的合規審查。Inkling真正的價值，來自這種合規確定性——穆拉蒂把DeepSeek和Kimi的公開成果，轉化成一款由美國公司提供的模型，它不需要在基準裏擊敗中國模型，只需成爲那些不敢繼續用中國模型的美國企業可以接受的選擇，這也解釋了它爲何敢定更高的價：政策替它縮小了競爭範圍，性能與價格的差距便沒那麼致命，對一些美國企業來說，一款稍弱、稍貴但風險低的模型，已經足夠。

從這個角度看，Inkling反而證明了穆拉蒂懂做生意。但這套生意成立的代價，可能由美國企業承擔。美國之外的公司仍可自由選擇GLM、Kimi和DeepSeek，在更強更便宜的基礎模型上開發產品；美國企業卻可能被迫採用性能稍弱、價格更高的本土替代品，基礎模型的能力差距會繼續傳遞到微調後的產品，最終形成結構性競爭劣勢。華盛頓原本想用限制保護美國AI公司，結果可能先替Inkling這樣的貴替創造了市場。對穆拉蒂來說，一般般已經夠了，對美國AI產業來說，這份夠用意味着成本升高與競爭力下降。