通往开放权重的安全路径
Thinking Machines Lab 发布 Inkling 和 Inkling-Small 两个开源权重语言模型，并提出一套 
Thinking Machines Lab
Thinking Machines Lab，专注于 AI 能力评估与对齐的研究机构。
评论
点赞
收藏Inkling-Small：12B激活参数的MoE模型以四分之一体积实现与Inkling相当的性能
Thinking Machines Lab发布开源权重模型Inkling-Small，12B激活参数、276B总参数的混合专家架构模型在推理和智能体任务上达到与41B激活参数Inling相当甚至更优的水平。 该模型支持音频/图像原生推理、最高1M token上下文窗口，并可在Tinker平台进行微调及多模态对话。 Inkling-Small在Humanity's Last Exam得分31.6%（高于Inkling的29.7%），SWEBench-Verified超过80%，在Terminal-Bench 2.1等基准测试中展现出比同尺寸模型更高的性能-计算效率比。模型采用可调节的思考强度机制，允许用户根据场景平衡成本与性能。 
Thinking Machines Lab 发布开源多模态大模型 Inkling：架构、性能与安全评估详解
Thinking Machines Lab 发布开源多模态大模型 Inkling，975B 参数（41B 激活），支持文本、图像、音频输入及 1M 上下文窗口。提供 BF16 与量化 NVFP4 两种权重，详细列出了在 HLE、AIME、SWEBench 等基准上与 GPT-5.6、Claude Fable 等前沿模型的对比数据，并说明了安全评估结果及部署硬件要求。
Murati创办公司发布开源975B参数大模型Inkling
Ismail Murati创办的Thinking Machines Lab发布开源权重大模型Inkling。该模型采用MoE架构，总参数975B，激活参数41B，支持文本、图像和音频多模态输入，上下文窗口达1M tokens。亮点包括原生语音处理、可控思考时间以平衡速度与性能，以及校准过的置信度预测。提供Tinker训练平台供微调。
Inkling：我们的开源权重模型
Thinking Machines Lab发布开源权重模型Inkling，975B参数（41B激活），支持1M上下文及原生多模态推理。亮点在于可控思考效率，能以更少Token达到同等性能。在预测校准、指令遵循及安全拒绝方面表现强劲，适合需要深度定制和低成本部署的技术团队。 
值得构建的未来以人为本：Thinking Machines Lab 的技术哲学
“思维机器”的使命，是打造能够延伸人类意志与判断力的人工智能。 如今，人工智能的性能日益提升，但究竟由谁来决定其发展方向，则取决于我们——无论是个人、 组织，还是整个人类。这些决策需要人们通过持续接触工作实践而获得的知识与判断力， 而这些工作往往正越来越多地与人工智能协同完成。 塑造先进智能的目标，同样是一个不断反馈、不断学习、不断调整的过程。 当今市面上大多数人工智能都是在少数几个特定领域进... 
值得构建的未来以人为本：Thinking Machines Lab 的技术哲学
Thinking Machines Lab提出AI应扩展人类意志而非替代，主张分布式训练与个性化微调。文章引用哈耶克等理论，论证集中式对齐的风险，提倡通过多模型竞争实现去中心化价值观。
桥水团队实战：如何用专家数据微调模型，超越前沿大模型
Thinking Machines Lab 团队利用桥水基金专家标注的高质量数据，微调了基于 Qwen3-235B 的模型。实验显示，该定制模型在金融文档过滤等六项任务上的准确率（84.7%）超越了 Gemini、Claude 和 GPT 等前沿模型，且推理成本降低了 13.8 倍。 文章详细披露了训练技巧，包括交错批处理、CISPO 损失函数以及在线策略蒸馏。这证明了在特定垂直领域，针对组织需求定制的“差异化智能”模型，比通用大模型更具性价比和实用性。
交互模型：实时人工智能协作框架
提出新型交互模型架构，实现AI与人类在音频、视频、文本模态下的实时协同。通过微回合流式处理突破传统问答模式，支持打断、并发对话等自然交互行为，并在智能性和响应速度上达到行业领先。
On-Policy [LLM] Distillation
LLMs are capable of expert performance in focused domains, a result of several capabilities stacked together: perception of input, knowledge retrieval, plan selection, and reliable execution. This req... 
训练大语言模型预测世界事件
本文展示了如何通过任务特定的强化学习微调，将开源大语言模型 gpt-oss-120b 的预测能力提升至与前沿闭源模型相当的水平，并在集成预测中发挥关键作用。
思考机器实验室与英伟达宣布千兆瓦级人工智能合作伙伴关系
NVIDIA与Thinking Machines Lab宣布战略级AI合作，部署千兆瓦级Vera Rubin系统，推动前沿模型训练与可定制AI平台发展。双方将共建训练架构并扩大开源AI访问，旨在提升人类能力边界。 
Tinker：通用可用性发布与视觉输入功能
Tinker 平台正式发布，新增 Kimi K2 大模型、OpenAI API 兼容采样接口及 Qwen3-VL 视觉模型，支持图像分类等任务，并在少量标注数据下表现优于传统视觉模型。
Tinker：机器学习研究项目征集
Thinking Machines Lab 推出 Tinker 平台，公开征集社区机器学习研究项目，涵盖算法复现、新型训练方法、跨领域应用等，并提供多个具体研究建议，鼓励高质量实验与开源分享。
Tinker by Thinking Machines
Tinker 是 Thinking Machines 推出的训练 API，通过四个核心函数简化模型训练流程，支持多种开源模型与 LoRA 高效微调，屏蔽基础设施细节，帮助研究者和开发者快速迭代。 
宣布推出 Tinker：用于微调语言模型的灵活 API
Thinking Machines Lab 发布 Tinker：一个用于微调语言模型的灵活 API，支持多种开源模型，简化训练流程，并提供免费私有测试版。
LoRA无遗憾：低秩适应的高效性与适用条件
本文通过大规模实验揭示LoRA在何种条件下能达到与全参数微调相当的性能，提出“低悔regime”概念，并发现MLP层应用LoRA效果最佳、RL中LoRA高效可行等关键结论。
模块化流形：将神经网络权重约束在数学流形上以实现稳定训练
本文提出将神经网络权重矩阵约束在数学流形（如Stiefel流形）上，以控制张量范数、奇异值和条件数，从而稳定训练。介绍了一种新颖的“流形Muon”优化器，结合谱范数约束与流形几何，提供可预测的更新步长和更强的鲁棒性。还提出了“模块化流形”概念，作为构建和训练大型网络的组合框架。 
联结主义：思考机器实验室研究博客
该博客汇总了 Thinking Machines Lab 近期重要研究成果，包括人机交互、模型压缩、训练优化等多个 AI 核心领域的技术进展。
战胜 LLM 推理中的非确定性
本文深入剖析大语言模型推理非确定性的根源，推翻“并发+浮点”假说，揭示批处理大小波动才是主因。提出通过实现核函数的批不变性来达成可复现推理，为LLM部署提供实用优化方向。 
Thinking Machines Lab
AI研究公司Thinking Machines Lab发布公开信，宣布其使命是构建更广泛理解、可定制且能力更强的AI系统。团队曾开发ChatGPT、、PyTorch等主流AI产品，强调科学共享、人机协作、模型智能、基础设施质量及多模态能力，并计划通过技术博客、论文和代码与社区合作推进AI发展。