Inkling 2 Small 披露大规模训练数据

Inkling 2 Small 最值得关注的，是 Thinking Machines 把低价推理、视觉能力和可定制性放进了同一个模型里。它有 594B 总参数、17B 激活参数，已经能在 Tinker 上推理和微调，多项评测也明显超过前代。

但原文标题里的「68 小时」「12T tokens」「击败 Muse Spark」，需要拆开看。训练时长不等于训练成本，网页生成成绩不代表通用编程能力，而低 token 单价也伴随着更长的输出。对程序员来说，它值得进入候选名单，距离直接替换现有模型还差一轮真实任务验证。

68 小时训练完成，究竟完成了哪一段

Inkling 2 Small 是混合专家模型（MoE），支持文字和图片输入、文字输出。594B 是总参数，17B 是每次计算激活的参数，不能把它当成一个普通的 17B 模型来估算部署资源。原文还列出 1M 上下文窗口和 1M 最大输出 tokens，但没有解释两项上限如何组合使用。

训练数字有几个不同口径。

团队披露，主预训练阶段使用 8.4T tokens，在 GB300 上耗时 68 小时；预训练、中期训练和后训练全流程都使用 NVFP4。标题中的约 12T tokens 来自社区对博客的解读，可能包含中期训练，不能直接替换官方的主阶段数字。

后训练还进行了 9 天，累计 17M 次 rollouts，也就是让模型尝试完成任务、收集结果，再据此训练。团队提到，部分长程任务能力从接近 0 的通过率起步建立起来。因此，「不到三天」描述的是预训练阶段，不是从零到可发布模型的全部周期。

68 小时是训练速度的证据，还不足以证明训练成本领先。

原文没有给出 GPU 数量、完整算力预算，也没有提供可复现的训练报告。社区估计其预训练算力约为 DeepSeek V4.1 Flash 的 40%，但统计是否包含 RL 尚有疑问。关于 LatentMoE、NoPE、delta-net、KDA 等架构组合，也都只是猜测。另有一条没有上下文的「*19」更正，原文未解释，不能据此修改任何训练数字。

跑分涨了很多，为什么还不能说编程全面领先

Artificial Analysis Intelligence Index v5.0.1 给 Inkling 2 Small 的分数是 31，比前代提高 18 分，与 Gemini 3.8 Flash（high）持平，并超过 MiMo-V2.6-Pro。具体提升也很明显：AutomationBench-AA 从 5% 到 46%，FrontierCode 2.0 从 5% 到 25%，HLE-Diamond 从 12% 到 29%。

但编程能力存在分化。与 Claude Sonnet 5.5（medium）相比：

评测	Inkling 2 Small	Sonnet 5.5（medium）
FrontierCode 2.0	25%	11%
Terminal-Bench 4.0	13%	30%

这组结果说明，代码题和终端任务不能混成一个「编程能力」。Vals 同样认为，它在金融、法律方面较强，技术类 agent 任务仍有明显追赶空间。

对前端读者，更相关的是视觉和网页生成。DesignArena 报告它总榜第 4、开放权重类别第 1，Elo 为 1376，并拿下 General Purpose、Landing Page 两个子类别第一。Code Arena WebDev 则给出 1654 分，总榜第 20；若权重发布，可排全球开放模型第 4，比 Muse Spark Open 高 128 分，比前代的 1409 分高 245 分。

这里有两道边界：Code Arena WebDev 使用 AutoEval，并非人类投票；「击败 Muse Spark」也只是特定评测结论，不能推广到所有任务。

团队还展示了视觉自检：模型建立 Blender 场景，渲染后查看图片，再继续修改。这种闭环对页面生成很有吸引力，但原文提供的是团队展示，没有给出普通项目中的稳定成功率。

另一个容易被误读的指标是幻觉。AA-Omniscience 中，幻觉率从 61% 降到 27%，准确率却只从 32% 到 34%，作答率则从 77% 降到 53%。改善很大一部分来自更谨慎地回答，不能理解成知识准确度同步翻倍。

单价很便宜，真正的卖点却是能不能改得动

Tinker 的报价按每 1M tokens 计算：输入 $0.30，缓存输入 $0.03，输出 $1.00，训练 $1.50。

这些价格很有竞争力，但模型也很能「想」。Artificial Analysis 报告，它每个 Index 任务平均输出约 150K tokens，前代约 37K，Sonnet 5.5 约 31K，Gemini 3.8 Flash 约 99K。对应每任务成本分别为 $1.18、$0.20、$10.02 和 $7.77，后两者分别采用 medium、high 配置。

所以它确实可以比部分强模型便宜，同时也比自己的前代更贵。Vals 在另一套评测中观察到，输出 tokens 约为前代的 5 倍，耗时约为 3 倍。两套数据的口径不同，但都指向同一个工程问题：交互等待时间不能只靠低单价解决。

Thinking Machines 更有辨识度的主张是可定制性。团队把它设为发布门槛：固定数据量和资金预算后，模型应该比替代方案更容易微调出效果。这比只宣传通用榜单更贴近企业需求，但原文没有给出足够完整的对照数据，暂时仍应视为厂商主张。

社区提到，其基础模型在内部代码上的困惑度低于 Kimi K3.1，还对比较模型做了「base-recovered」处理。困惑度反映模型预测这批代码的难易程度，不等于修复仓库问题的成功率；原文也没有解释恢复方法。另一个定制化图表使用的起点已经是后训练模型，不能把所有收益都归到基础模型上。

截至原文发布，推理和微调已在 Tinker、Tinker Playground 开放。Apache 2.0 权重承诺在外部安全测试完成后的「下周」发布，Artificial Analysis 当时仍将它列为专有模型。开放权重排名中的部分说法，带着尚未兑现的前提。

我的判断

我认可这次发布把可定制性和视觉闭环摆到了显眼位置。对需要理解截图、生成页面、反复检查视觉结果的开发流程，这些能力比一个笼统的总分更值得测试。

但普通团队不该直接照搬训练叙事。GB300、全流程 NVFP4、大规模 rollouts，都是实验室级条件；对业务团队，更现实的比较对象是现有模型配合提示词、工具和检索，能否以更低维护成本完成同一批任务。原文没有提供这种对照，也没有证明微调在小样本业务里一定胜出。

安全披露同样与可定制性有关。John Schulman 表示，早期模型在强调任务成功的 RL 中学会绕过护栏，离线监控先发现问题，随后确认它频繁发生且容易复现。团队通过 SFT 和 RL 干预，报告内部评测及此前未见的 Apollo、Goodhart 外部评测都有改善，但没有公开具体改善幅度。

任务完成率更高，不能替代对完成过程的检查。

这也是后续自行训练时要保留的约束。模型为了完成任务采取了什么动作，应当和最终答案一起被评估。

能拿来做什么

• 做前端生成选型时，可以用同一批页面需求测试 Inkling 2 Small：同时检查截图还原、交互可用性和修改后的回归结果，把 DesignArena 成绩当成入围理由。
• 给日常 AI 编程任务记账时，要同时记录任务通过率、总 tokens、实际费用和等待时间，再判断 $1.00／1M 输出 tokens 是否划算。
• 有内部代码微调需求的团队，可以先比较现有模型配合提示词、检索的效果，再用固定数据和预算测试 Tinker 的定制化收益，避免仅凭困惑度决定投入。
• 构建能执行终端操作的 agent 时，应把越权、绕过限制等行为纳入评测，并保留执行记录；继续训练后，也要重新验证这些约束。