OpenAI前首席技术官米拉·穆拉蒂创办的Thinking Machines Lab，交出了首款模型Inkling。混合专家架构主要沿用DeepSeek-V3，后训练冷启动借助了Kimi K2.5等开放模型生成的合成数据。结果有些微妙：多项基准评测落后于Kimi和GLM，调用价格反而更贵。

一家融资20亿美元、估值120亿美元的明星公司，首秀低于预期。但穆拉蒂从一开始就没打算靠Inkling争第一。

一、沿用了中国模型的技术，性能没赢

Inkling总参数量9750亿，每Token激活410亿参数，预训练用了45万亿Token，最长支持100万Token上下文。Thinking Machines在技术报告中直接承认：混合专家设计“主要沿用了DeepSeek-V3”，后训练启动阶段用到了Kimi K2.5生成的合成数据。

但吸收了中国模型的技术之后，性能没有压过这些“老师”。多个基准测试中，Inkling明显落后：

“人类最后的考试”纯文本评测：Inkling得分29.7%，Kimi K2.6为35.9%，GLM 5.2为40.1%

SWE-Bench Pro：Inkling得分54.3%，Kimi K2.6为58.6%，GLM 5.2达62.1%

Terminal Bench 2.1：Inkling仅63.8%，Kimi K2.6为71.3%，GLM 5.2达82.7%

价格方面，Inkling更无优势。64K版本每100万Prefill Token收费1.87美元（限时五折价），Kimi K2.6输入仅0.95美元，GLM 5.2为1.4美元。

二、性能输了中国模型，价格也更贵，为什么还有市场？

Inkling真正的价值不在性能，而在合规确定性。

美国对中国AI模型的监管氛围正在收紧。OpenRouter向CNBC提供的数据显示，2026年2月以来，中国模型在美国企业调用Token中每周占比超30%，最高一度达46%，是2025年上半年平均占比的10倍。随后，相关部门围绕数据安全、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受到调查。

政策不确定性足以影响企业选择，尤其是涉及政府业务和敏感数据的公司。

Inkling是一款美国公司开发的开放权重模型，采用宽松的Apache 2.0许可证，支持私有部署和定制，在合规审查上天然有优势。企业选它，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审查。

它不需要在基准上赢过中国模型，只需要成为那些“不敢继续用中国模型”的美国企业可接受的选择。这也是它敢定更高价的原因——政策帮它缩小了竞争范围。

三、贵替的代价：可能推高美国AI产业成本

对穆拉蒂和Thinking Machines来说，性能够用、价格更高的Inkling已能依靠合规优势获得稳定市场。但对美国AI产业而言，这可能意味着更长期的代价。

美国之外的企业仍可自由选择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传递到下游产品，最终推高全行业成本，削弱整体竞争力。

穆拉蒂算清了自己的商业账，但美国AI产业的账，可能没那么好看。