今日精读：Thinking Machines 的 Inkling 开源权重模型登场
[AINews] Thinky's Inkling: 975B-A41B multimodal, new best American Apache 2.0 open model (with Inkling-Small, 276B…
这期 AINews 以 Thinking Machines Lab 发布 Inkling 为主线，汇总了模型规格、团队表态和社区生态响应。Inkling 是一个 975B 总参数、41B 激活参数的 MoE 多模态模型，支持最高 100 万 token 上下文，训练数据覆盖文本、图像、音频和视频，并以开源权重、Tinker 平台微调、Hugging Face 与推理生态支持作为发布重点。
Inkling 不是一个单纯追逐榜单第一的发布，而更像 Thinking Machines Lab 对“开放、可定制、可部署 foundation model”的首次公开落子。邮件里反复强调几个信号：第一，模型体量足够大，975B 总参数、41B 激活参数，属于大规模 MoE 路线；第二，它原生覆盖文本、图像和音频，并支持最长 100 万 token 上下文，明显面向长上下文推理、代码、研究和 agent 工作流；第三，它不是只给 API，而是开放权重，并当天接入 Tinker、Playground、Hugging Face 以及 vLLM、SGLang、Modal、Baseten、Databricks 等生态。对 builder 来说，最重要的不是“又多了一个模型”，而是一个由顶级团队推出、可自托管、可微调、可接入现有推理栈的美国开源权重基座模型。邮件也给了团队定位：Mira Murati 称其为从零训练的第一款模型，John Schulman 提到预训练从去年冬天开始，之后小团队补上 coding、reasoning、agentic training；Lilian Weng 则把它描述为覆盖广泛能力、面向实际使用和定制的 foundation model。这意味着 Inkling 的竞争点不是一次性封顶，而是为后续迭代、企业私有化、垂直 agent 和多模态工作流提供底座。值得继续观察的是：它的开放许可、真实推理成本、长上下文稳定性、微调体验，以及 Tinker 是否能形成类似“模型即平台”的开发者入口。
这是当天重复出现最多、事实增量最明确的 AI 基础模型事件。它同时影响开源模型格局、企业自托管选择和 agent 基础设施选型。
AI builder 可以把 Inkling 视为一个值得评估的新基座：适合关注长上下文、多模态、代码、agentic workflow 和私有化部署的团队。模型发布也会推动推理框架、微调平台和垂直 agent 应用围绕新权重快速适配。
- 01Inkling 是 975B 总参数、41B 激活参数的 MoE transformer。
- 02支持最高 100 万 token 上下文，原生覆盖文本、图像和音频。
- 03预训练数据包含 45 万亿 token 的文本、图像、音频和视频。
- 04同时发布 Inkling-Small 预览版，强调更低成本和延迟。
- 05开放权重并接入 Tinker、Playground、Hugging Face 及多个推理生态。
- 06团队将其定位为 day-1 foundation release，而不是最终 frontier push。
- — Inkling 的优势究竟来自模型本身，还是来自 Tinker 与生态集成？
- — 100 万 token 上下文在真实 agent 工作流里是否稳定、经济、可控？
- — 开源权重是否足以改变企业对闭源 API 的依赖？
- — Inkling-Small 是否会比大模型更适合实际产品集成？
把未来实验室做成数据中心：Lila Sciences 的 AI 科学工厂
这期 Latent.Space 访谈 Lila Sciences 的 CTO Andy Beam 和 CSO Rafa Gómez-Bombarelli，核心观点是把科学实验室视为类似 AI 数据中心的系统：仪器是节点，机器人和调度系统是基础设施，自然实验结果是 verifier，实验过程生成大规模、经验证的科学推理 token。Lila 的野心不是单点自动化，而是把生物、化学、药物发现和材料科学放进同一个 AI 驱动实验工厂。
它把“AI for science”的关键矛盾讲清楚了：不是缺模型口号，而是缺高质量、可验证、可规模化生成的数据。对长期主义 builder 来说，这是 AI 系统和真实世界闭环结合的典型案例。
- — Lila 将科学方法视为尚未被充分开发的互联网级数据源。
- — 邮件称其已有超过 10 万亿 experimentally validated scientific reasoning tokens。
- — 他们强调灵活性和通用性，而不是只追求单一实验吞吐。
TLDR AI：Inkling、安全沙箱、递归自我改进与 GPT-Red
这期 TLDR AI 覆盖了当天 AI infra 与安全方向的多个重点：Thinking Machines 发布 Inkling；Perplexity 的 SPACE 用短生命周期沙箱、凭证隔离、快照和加密存储来支持 agent 处理敏感任务；Anthropic 被报道推进潜在 IPO；研究者展示了 autonomous autoresearch agent 优化自身 harness 的实验；还提到 OpenAI 的 GPT-Red 用于自动生成 adversarial prompts、暴露模型漏洞。
这封邮件的价值在于把模型发布、安全执行环境、agent 自我改进和红队测试放在同一天的技术脉络里。它显示 agent 产品化正在快速逼近工程系统问题，而不是只靠模型能力。
- — Inkling 被描述为 975B 参数 MoE、41B 激活参数、100 万 token 上下文的多模态模型。
- — Perplexity SPACE 强调 ephemeral sandbox 和凭证隔离。
- — 自我改进 harness 实验显示 agent 可优化代码、提示长度和抗 reward hacking 结构。
TLDR Dev：自我改进 agent harness 成为工程焦点
这期 TLDR Dev 对开发者最有价值的是 agent harness 主题：文章认为 AI 开发正在从手工调 prompt 转向设计可被 agent 分析、修改、验证的执行框架。邮件还讨论了面向 agent 的 API 设计、SQLite 默认行为问题、Inkling 开源权重模型、Grok Build 终端 coding agent、Capn-Hook 跨会话记忆工具、Boop iMessage 个人 agent，以及 agentic misalignment 风险。
它抓住了 AI 编程工具下一阶段的核心：真正可用的 agent 不只需要模型，还需要 harness、日志、记忆、错误恢复、权限和可验证的改进流程。
- — self-improving harness 让 agent 能分析执行轨迹、提出修改并验证更新。
- — API for agents 要更清晰、显式、错误处理精确。
- — Capn-Hook 和 Boop 代表个人 agent 记忆与消息入口方向。
The Neuron：OpenAI 的家庭设备与 Codex Micro 暗示新交互入口
这期 The Neuron 主打 OpenAI 硬件方向：据 Bloomberg 报道，OpenAI 首款重要消费设备可能是一个便携、无屏、带摄像头和传感器的 ChatGPT 智能音箱，支持自然语音、移动和智能家居控制；同时 OpenAI 发布 Codex Micro，一个 230 美元的 coding agent 控制键盘。邮件还提到 Inkling、Anthropic 潜在 IPO、Ode 企业 AI 实施融资，以及用高 token 成本拖慢模型的 CAPTCHA 思路。
它把 AI 的界面竞争从聊天框推进到物理空间：家庭设备、语音视觉和专用控制硬件都会改变用户与 agent 的关系。
- — OpenAI 家庭设备被描述为无屏、可移动、带摄像头和传感器的 ChatGPT companion。
- — Codex Micro 用专用按键、状态灯、摇杆和 reasoning-effort dial 控制 coding agent。
- — 邮件认为界面竞争会走向房间、语音视觉和物理伴随。
AI Valley：Inkling 发布与 OpenAI Codex Micro
这期 AI Valley 以两条新闻为主：Mira Murati 的 Thinking Machines Lab 发布首个旗舰模型 Inkling，一个开源权重、多模态、100 万 token 上下文、面向推理、编码和 agent 工作流的模型；OpenAI 发布 Codex Micro，一个与 Work Louder 合作的 230 美元可编程键盘，用专用按键、摇杆和自定义命令控制 coding agent。邮件还列出 Pocket、Reframe、Oak、Inkling 等趋势工具。
这封邮件用大众化方式捕捉了同一天两个界面层事件：一个是开放模型底座，一个是 coding agent 的物理控制器。
- — Inkling 被定位为可自托管、可定制的开放权重模型。
- — Codex Micro 展示了 coding agent 专用硬件控制的方向。
- — Oak 代表企业为人类、应用和 AI agent 建立身份控制平面的趋势。
TLDR：Stripe 收购 PayPal 传闻、自动驾驶博弈与 SDK 被 agent 改写
这期 TLDR 是综合科技简报，重点包括 Stripe 与 Advent 据称提出以每股 60.50 美元收购 PayPal、Uber 与 Waymo 围绕 robotaxi 展开舆论和监管博弈、阿尔茨海默血液检测进展、现代汽车工人因类人机器人威胁而罢工。对 AI builder 最相关的是“为什么我们停止使用 SDK”：文章认为 AI 降低了直接写 REST client 的成本，未来公司可能从发布 SDK 转向发布 agent skills，教 agent 正确调用 API。
它提供了一个对开发者生态很有启发的判断：AI 可能削弱传统 SDK 的分发价值，增强文档、技能、可观测性和 API 一致性的价值。
- — 文章认为定制 REST client 的成本因 AI 下降。
- — 未来厂商可能发布 agent skills，而不是强推每种语言的 SDK。
- — 现代汽车罢工显示 humanoid robot 已开始触及劳工议题。
Opinion AI：从知识库、技能到循环，把 AI 变成可工作的系统
这期 Opinion AI 汇总了近期最受读者欢迎的 10 篇实践指南，主题不是“获得更强模型”，而是如何把 AI 变成真实工作系统：用 Obsidian 和 Markdown 建立可被人和 AI 共同读取的知识库；用 CLAUDE.md、AGENTS.md、SKILL.md 等项目文件沉淀规则；从 Daily Briefing Agent 入门 agent；用 Claude Skills 保存可复用流程；用 loop 结构让 AI 有开始、执行、检查、保存状态和停止条件。
它把 2026 年实用 AI 的方法论讲得很清楚：价值来自上下文、规则、工具、记忆、检查和产出，而不是单次聊天。
- — Markdown vault 可以成为人、Claude、编辑器、终端和 AI 工具共享的知识层。
- — 项目文件比长 prompt 更适合保存长期规则和工作定义。
- — Skills 和 loops 能把反复纠正沉淀为可复用流程。