沿用DeepSeek架构，美国大模型开始抄中国作业

Thinking Machines发布的首款模型Inkling，混合专家架构主要沿用DeepSeek-V3，后训练冷启动还使用了Kimi K2.5等开放模型生成的数据。然而在多项基准评测中，Inkling落后于Kimi和GLM，调用价格反而更高。 但穆拉蒂可能从一开始就没打算靠Inkling争夺第一。随着美国企业使用中国模型面临越来越多不确定性，一款性能尚可、支持定制、合规风险更低的本土开放模型，已经拥有自己的市场。“贵替”没有那么强，也不愁“市场”。 Inkling采用混合专家架构，总参数量达到9750亿，每处理一个Token会激活410亿参数；预训练使用了45万亿个Token，数据涵盖文本、图像、音频和视频，最长支持100万个Token的上下文。它可以理解文字、图片和音频，再以文字形式输出结果，还支持通过调节“思考强度”，在性能、速度和成本之间进行取舍。 Thinking Machines在介绍模型架构时直接写道，Inkling的混合专家设计“主要沿用了DeepSeek-V3”。它同样设置了大量专家模块，每个Token只调用其中一小部分，并采用了DeepSeek-V3的无辅助损失负载均衡等设计。 整条技术路线已经足够清楚：一家由OpenAI前首席技术官创办的美国实验室，首款模型沿用了DeepSeek的架构，又借助Kimi生成的数据完成后训练起步。 借鉴开放模型本身没有问题。DeepSeek和Kimi公开权重并允许开发者使用，科学研究和工程开发原本就建立在公开成果的积累之上。更尴尬的地方在于，Inkling吸收了中国模型的技术之后，性能依然没有压过这些“老师”。 在Tinker平台上，64K版本Inkling每100万Prefill Token收费1.87美元，每100万Sample Token收费4.68美元。前者可以粗略理解为输入成本，后者接近生成成本，而且这已经是“限时五折价”。256K版本的价格更高，分别达到3.74美元和9.36美元。 Tinker同时提供训练和采样服务，与普通模型API并非完全相同的计费口径。但按照上述价格粗略比较，Inkling的预填充价格接近Kimi K2.6的两倍，生成价格也高于Kimi K2.6和GLM5.2，暂时没有体现出价格优势。 于是，Thinking Machines的首款模型呈现出一种有些微妙的局面：架构参考DeepSeek，后训练借力Kimi，综合性能没有超过中国头部开放模型，调用价格反而更贵。 这些人分别参与过OpenAI的强化学习、后训练、预训练、安全和推理研究。路透社当时甚至直接形容，穆拉蒂从前东家挖走了至少20名研究人员。 2023年11月，OpenAI董事会突然罢免Sam Altman后，穆拉蒂还曾短暂担任临时首席执行官。她的角色更接近技术和产品的总负责人，对OpenAI的模型研发流程和产品化路径有着完整了解。 穆拉蒂和她的团队知道一家顶级闭源实验室如何开发模型，也亲历了ChatGPT从研究成果变成全球产品的全过程。当这群人离开OpenAI，从零搭建自己的技术体系时，外界自然会期待他们拿出一条带有OpenAI印记的路线。 结果，Inkling最明确的技术来源却指向了中国。这很容易被理解成一个戏剧性的信号——最了解OpenAI的一群人离开OpenAI后，最终选择了中国模型的技术蓝图。 OpenAI近年来的前沿模型全部采用闭源路线，外界拿不到模型权重，也不了解完整的架构、训练数据和后训练方案。穆拉蒂即使熟悉OpenAI内部技术，也不能把前东家的商业机密直接搬进新公司。DeepSeek和Kimi则公开了权重或技术报告，架构、训练方法和工具链都可以合法研究和复用。 Inkling本身也是一款开放权重模型。对于一家想要建设开放模型生态的公司来说，从DeepSeek、Kimi等开放模型中吸收成熟方案，属于顺理成章的工程选择。 所以，借鉴中国模型并不难解释。真正需要回答的问题是：Thinking Machines吸收了现成的架构和训练经验，为什么最终做出的Inkling性能更弱、价格更高？ 2025年7月，公司尚未推出任何产品，就完成了20亿美元种子轮融资，估值达到120亿美元，投资方包括安德森·霍洛维茨、英伟达、AMD和简街等。四个月后，Thinking Machines又传出新一轮融资谈判，目标估值高达500亿美元，尽管交易最终没有官宣完成，外界已经将它视为OpenAI和Anthropic的潜在对手。 Thinking Machines公司强调的是开放权重、多模态能力和可定制性，希望企业通过Tinker对它进行微调，把Inkling改造成客服、编程助手、行业智能体等专用模型。穆拉蒂押注的市场，对基准评测第一名没有那么执着。企业更在意模型能否私有部署、能否掌握数据、能否按照自己的业务继续训练。 美国的OpenAI和Anthropic长期坚持闭源，Meta的Llama 4表现不及预期后，也逐渐收缩开放路线。与此同时，DeepSeek、Kimi、Qwen和GLM持续开放权重，性能越来越接近美国闭源模型，价格却低得多。 根据OpenRouter向CNBC提供的数据，2026年2月以来，中国模型在美国企业经由该平台调用的Token中，每周占比都超过30%，最高一度达到46%。2025年上半年的平均占比还只有4.5%。 Cursor开发Composer 2时测试了多款基础模型，最终选择Kimi K2.5，理由也很直接——它在评测中表现最强。桥水基金则通过Tinker微调阿里的Qwen，得到的定制模型以更低成本超过了部分顶级闭源模型。 与此同时，美国对中国AI模型的监管氛围正在收紧。相关部门已经围绕数据安全、模型来源和供应链风险发出警告，部分使用中国模型的企业也受到调查。即便尚未形成统一限制，政策上的不确定性已经足以影响企业选择，尤其是涉及政府业务和敏感数据的公司。 它是一款美国公司开发、采用Apache 2.0许可证、支持私有部署和定制的开放权重模型。美国企业选择它，不必担心使用中国模型引发的政治争议，也更容易通过政府客户和大型公司的合规审查。 Thinking Machines吸收DeepSeek和Kimi的公开成果，再把它们转化成一款由美国公司提供的模型。Inkling不需要在所有基准评测中击败中国模型，只需要成为那些不敢继续使用中国模型的美国企业可以接受的选择。 这也解释了它为什么敢于更贵。政策替Inkling缩小了竞争范围，性能和价格上的差距便没那么致命。对于一些美国企业来说，一款稍弱、稍贵但风险较低的模型，已经足够。 美国之外的公司仍然可以自由选择GLM、Kimi和DeepSeek，在更强、更便宜的基础模型上开发产品；美国企业却可能被迫采用性能稍弱、价格更高的本土替代品。基础模型的能力差距会继续传递到微调后的产品中，最终形成结构性的竞争劣势。 华盛顿原本希望用限制保护美国AI公司，结果可能先替Inkling这样的“贵替”创造了市场。对穆拉蒂来说，“一般般”已经够了。对美国AI产业来说，这份“够用”则意味着成本的升高和竞争力的下降。