沿用DeepSeek架構，美國大模型開始抄中國作業

OpenAI前首席技術官穆拉蒂，做出了一款中國模型的“貴替”。

Thinking Machines發布的首款模型Inkling，混合專家架構主要沿用DeepSeek-V3，后訓練冷啟動還使用了Kimi K2.5等開放模型生成的數據。然而在多項基準評測中，Inkling落后于Kimi和GLM，調用價格反而更高。

對于一家融資20億美元、估值120億美元，團隊中聚集了大量OpenAI前員工的明星公司來說，這個結果多少有些低于預期。

但穆拉蒂可能從一開始就沒打算靠Inkling爭奪第一。隨著美國企業使用中國模型面臨越來越多不確定性，一款性能尚可、支持定制、合規風險更低的本土開放模型，已經擁有自己的市場。“貴替”沒有那么強，也不愁“市場”。

01

穆拉蒂的首款模型，就這？

當地時間7月15日，Thinking Machines Lab發布了成立以來的首款模型Inkling。

單看配置，這款模型很符合一家明星AI實驗室應有的排場。

Inkling采用混合專家架構，總參數量達到9750億，每處理一個Token會激活410億參數；預訓練使用了45萬億個Token，數據涵蓋文本、圖像、音頻和視頻，最長支持100萬個Token的上下文。它可以理解文字、圖片和音頻，再以文字形式輸出結果，還支持通過調節“思考強度”，在性能、速度和成本之間進行取舍。

Inkling同時開放了模型權重，采用相當寬松的Apache 2.0許可證。開發者可以下載權重、自行部署，也可以通過Thinking Machines旗下的Tinker平臺對模型進行微調。

公司給它的定位很明確：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。

不過，Inkling最引人注意的部分，藏在技術報告后半段。

Thinking Machines在介紹模型架構時直接寫道，Inkling的混合專家設計“主要沿用了DeepSeek-V3”。它同樣設置了大量專家模塊，每個Token只調用其中一小部分，并采用了DeepSeek-V3的無輔助損失負載均衡等設計。

中國模型對Inkling的影響還延伸到了訓練階段。

Thinking Machines表示，為了啟動后訓練，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，其中明確提到了月之暗面的Kimi K2.5。

整條技術路線已經足夠清楚：一家由OpenAI前首席技術官創辦的美國實驗室，首款模型沿用了DeepSeek的架構，又借助Kimi生成的數據完成后訓練起步。

借鑒開放模型本身沒有問題。DeepSeek和Kimi公開權重并允許開發者使用，科學研究和工程開發原本就建立在公開成果的積累之上。更尷尬的地方在于，Inkling吸收了中國模型的技術之后，性能依然沒有壓過這些“老師”。

Thinking Machines對此也沒有粉飾。公司在發布文章中直接承認：“Inkling并非目前表現最強的模型，無論開放模型還是閉源模型。”

從Thinking Machines公布的結果看，

.在“人類最后的考試”純文本評測中，Inkling得分29.7%，Kimi K2.6和GLM 5.2分別達到35.9%和40.1%；

.加入工具后，Inkling升至46%，依然低于Kimi K2.6的54%和GLM 5.2的54.7%。

.在考察真實軟件工程能力的SWE-Bench Pro中，Inkling得分54.3%，Kimi K2.6為58.6%，GLM 5.2達到62.1%；

.Terminal Bench 2.1上的差距更加明顯，Inkling只有63.8%，Kimi K2.6和GLM 5.2分別達到71.3%和82.7%。

當然，Inkling也有自己的長項。它在網頁應用設計、音頻理解和安全性評測中表現不錯，在部分數學任務上也能超過Kimi和DeepSeek。

只是從綜合推理、編程和智能體能力來看，它目前很難被歸入開放模型的第一梯隊。

性能沒有沖到最前面，價格同樣沒給出驚喜。

在Tinker平臺上，64K版本Inkling每100萬Prefill Token收費1.87美元，每100萬Sample Token收費4.68美元。前者可以粗略理解為輸入成本，后者接近生成成本，而且這已經是“限時五折價”。256K版本的價格更高，分別達到3.74美元和9.36美元。

作為對比，Kimi K2.6官方API每100萬輸入和輸出Token分別收費0.95美元和4美元，GLM5.2分別為1.4美元和4.4美元。

Tinker同時提供訓練和采樣服務，與普通模型API并非完全相同的計費口徑。但按照上述價格粗略比較，Inkling的預填充價格接近Kimi K2.6的兩倍，生成價格也高于Kimi K2.6和GLM5.2，暫時沒有體現出價格優勢。

于是，Thinking Machines的首款模型呈現出一種有些微妙的局面：架構參考DeepSeek，后訓練借力Kimi，綜合性能沒有超過中國頭部開放模型，調用價格反而更貴。

02

穆拉蒂的選擇

考慮到穆拉蒂和Thinking Machines的背景，這樣的選擇便更加耐人尋味。

如果Inkling來自一家普通的AI創業公司，借鑒DeepSeek、借助Kimi訓練，或許還沒有這么耐人尋味。偏偏它來自Thinking Machines——一家幾乎可以稱為“OpenAI校友會”的公司。

2025年2月，Thinking Machines正式亮相時，團隊只有約30人，其中大約三分之二來自OpenAI，其余成員主要來自Meta和Mistral。

創始團隊一度包括OpenAI聯合創始人John Schulman、OpenAI前研究副總裁Barret Zoph，以及Lilian Weng、Andrew Tulloch和Luke Metz等研究人員。

這些人分別參與過OpenAI的強化學習、后訓練、預訓練、安全和推理研究。路透社當時甚至直接形容，穆拉蒂從前東家挖走了至少20名研究人員。

站在這群OpenAI校友中間的穆拉蒂，當然是最特殊的一個。

她于2018年加入OpenAI，先后參與DALL-E、Codex、ChatGPT和Sora等產品，2022年升任首席技術官，負責協調研究、模型訓練、安全和產品落地。

2023年11月，OpenAI董事會突然罷免Sam Altman后，穆拉蒂還曾短暫擔任臨時首席執行官。她的角色更接近技術和產品的總負責人，對OpenAI的模型研發流程和產品化路徑有著完整了解。

換句話說，Thinking Machines從成立之初就不缺OpenAI經驗。

穆拉蒂和她的團隊知道一家頂級閉源實驗室如何開發模型，也親歷了ChatGPT從研究成果變成全球產品的全過程。當這群人離開OpenAI，從零搭建自己的技術體系時，外界自然會期待他們拿出一條帶有OpenAI印記的路線。

結果，Inkling最明確的技術來源卻指向了中國。這很容易被理解成一個戲劇性的信號——最了解OpenAI的一群人離開OpenAI后，最終選擇了中國模型的技術藍圖。

不過，這個結論還需要拆開來看。

OpenAI近年來的前沿模型全部采用閉源路線，外界拿不到模型權重，也不了解完整的架構、訓練數據和后訓練方案。穆拉蒂即使熟悉OpenAI內部技術，也不能把前東家的商業機密直接搬進新公司。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和復用。

Inkling本身也是一款開放權重模型。對于一家想要建設開放模型生態的公司來說，從DeepSeek、Kimi等開放模型中吸收成熟方案，屬于順理成章的工程選擇。

今天開發一款開放模型，完全避開中國團隊已經公開的成果，反而要付出更高的試錯成本。

因此，Inkling借鑒中國模型，并不能直接證明穆拉蒂認為DeepSeek的技術全面領先OpenAI。雙方公開程度不同，可供借鑒的條件也完全不同。

但這件事依然釋放了一個清晰的信號：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。

所以，借鑒中國模型并不難解釋。真正需要回答的問題是：Thinking Machines吸收了現成的架構和訓練經驗，為什么最終做出的Inkling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的訓練系統。她沒有理由看不到Inkling與中國模型之間的性能和價格差距。

既然如此，“貴替”很可能就是一個經過計算的選擇。

03

“一般般”，就夠了

按照Thinking Machines獲得的待遇，Inkling原本不該只是一款“夠用”的模型。

2025年7月，公司尚未推出任何產品，就完成了20億美元種子輪融資，估值達到120億美元，投資方包括安德森·霍洛維茨、英偉達、AMD和簡街等。四個月后，Thinking Machines又傳出新一輪融資談判，目標估值高達500億美元，盡管交易最終沒有官宣完成，外界已經將它視為OpenAI和Anthropic的潛在對手。

因此，當Inkling以一款性能不如中國模型、價格還更貴的產品亮相時，難免顯得低于預期。

可從商業角度看，穆拉蒂可能從一開始就沒打算用它爭奪基準評測第一名。

Thinking Machines公司強調的是開放權重、多模態能力和可定制性，希望企業通過Tinker對它進行微調，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，對基準評測第一名沒有那么執著。企業更在意模型能否私有部署、能否掌握數據、能否按照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。

美國的OpenAI和Anthropic長期堅持閉源，Meta的Llama 4表現不及預期后，也逐漸收縮開放路線。與此同時，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了票。

根據OpenRouter向CNBC提供的數據，2026年2月以來，中國模型在美國企業經由該平臺調用的Token中，每周占比都超過30%，最高一度達到46%。2025年上半年的平均占比還只有4.5%。

Cursor開發Composer 2時測試了多款基礎模型，最終選擇Kimi K2.5，理由也很直接——它在評測中表現最強。橋水基金則通過Tinker微調阿里的Qwen，得到的定制模型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低AI成本的一條捷徑。只不過，這條路正在承壓。

與此同時，美國對中國AI模型的監管氛圍正在收緊。相關部門已經圍繞數據安全、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也受到調查。即便尚未形成統一限制，政策上的不確定性已經足以影響企業選擇，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、采用Apache 2.0許可證、支持私有部署和定制的開放權重模型。美國企業選擇它，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。

穆拉蒂顯然看到了這個正在形成的空缺。

Thinking Machines吸收DeepSeek和Kimi的公開成果，再把它們轉化成一款由美國公司提供的模型。Inkling不需要在所有基準評測中擊敗中國模型，只需要成為那些不敢繼續使用中國模型的美國企業可以接受的選擇。

這也解釋了它為什么敢于更貴。政策替Inkling縮小了競爭范圍，性能和價格上的差距便沒那么致命。對于一些美國企業來說，一款稍弱、稍貴但風險較低的模型，已經足夠。

從這個角度看，Inkling更能證明穆拉蒂懂得做生意。

不過，這套生意成立的代價，可能由美國企業承擔。

美國之外的公司仍然可以自由選擇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采用性能稍弱、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后的產品中，最終形成結構性的競爭劣勢。

華盛頓原本希望用限制保護美國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”則意味著成本的升高和競爭力的下降。