Mira Murati 的 Inkling AI 模型評測：西方最佳開源模型

By: rootdata|2026/07/26 14:01:03

Mira Murati 在離開 OpenAI 後花了兩年時間打造一個全新的產品，並於上週向公眾揭曉。

Inkling 是 Murati 的思維機器實驗室推出的第一個模型，也是由西方實驗室從零開始訓練的最佳開源模型。

西方實驗室在開源競賽中逐漸落後——Mistral 四月的發布面對的是由阿里巴巴的 Qwen、Z.ai 的 GLM 和 Moonshot AI 的 Kimi 主導的排行榜。Nvidia 的 Nemotron 是排行榜上唯一的西方模型，距離被認為是「最先進」還有很長的路要走。Inkling 以無地區限制的形式出現，並在 Hugging Face 上以 Apache 2.0 區域完整權重提供。

架構是一種專家混合模型：總共 9750 億個參數，推理時有 410 億個活躍參數。它可以讀取文本、圖像和音頻，支持 100 萬個標記的上下文窗口，並在 45 兆個標記上進行了預訓練。（參數是模型可以處理的所有調整，而標記則代表 AI 可以處理的基本信息單位。）

底線是：你無法在本地運行這個模型——甚至連接近都不行。

最明顯的優勢是工具的代理使用。MCP Atlas——通過模型上下文協議標準測量代理完成現實世界任務的可靠性，得分為完成任務的百分比——給 Inkling 74.1%，比 Nvidia 的 Nemotron 3 Ultra 高出近 30 分。在 SWE-Bench Verified 測試中，這是一個自動修復 GitHub 錯誤的測試，得分為解決問題的百分比，Inkling 的得分為 77.6%——領先於 Nemotron 的 70.7%。來源：思維機器

它在 OpenRouter 上的價格為每百萬個輸入標記 1 美元，每百萬個輸出標記 4.05 美元。任何通過 OpenRouter 路由的 Hermes 或 OpenClaw 設置都可以無需額外配置地替換它——其 MCP Atlas 得分使其成為代理工作流程的可靠選擇。

在每美元的原始編碼性能上，中國模型仍然佔有優勢。

測試模型

基準測試是一回事，實際使用模型又是另一回事。我們對 Inkling 進行了不同任務的測試，以查看如果普通用戶決定使用它，會有什麼反應。這是它表現良好的地方——但也是讓人失望的地方。

值得注意的一點是，即使通過思維機器自己的界面，該模型聲稱是完全私密的。這一點非常重要。

編碼

這是大多數人實際關心的地方，所以我們從這裡開始。在複雜的提示下，Inkling 往往會失敗——我們最苛刻的測試沒有產生任何可以運行的結果。然而，當降低複雜度時，情況有所改變，雖然並不完全令人滿意。

我們使用了一個長且詳細的提示來創建一個射擊遊戲，其中僵屍是通過按鍵擊中的。第一個提示長達 1955 個單詞，最終 Inkling 創建了一個空白畫面。

當提示被修改為簡單得多（99 個單詞）時，模型選擇了自己的方法並發佈了一個可運行的遊戲。「可運行」這個詞在這裡承擔了很多重任。

怪物以矩形和球體的形式出現。沒有背景，沒有可見的遊戲畫面——只有抽象幾何填充敵人。打字邏輯保持不變：按鍵正確註冊，字母與遊戲設置匹配，並且輸入跟蹤在整個過程中保持乾淨。

意想不到的是移動。與大多數模型默認的靜態敵人放置不同，Inkling 的生物不斷前進——總是朝著玩家逼近。這比通常從 AI 生成的遊戲中得到的設計決策要好。

敵人生成應該是以波浪的形式出現，但實際上卻是以連續的流動方式運行，這破壞了原本的節奏，但卻創造了另一種壓力。

為了比較，我們將完全相同的提示通過 Bonsai 27B 進行測試——這是一個基於 Qwen3.6 的壓縮模型，大小為 3.9 GB，能在手機上運行——結果在各方面都明顯更好且更令人滿意。

一個在 iPhone 上運行的 270 億參數模型，產生的編碼結果比一個需要數據中心的 9750 億參數模型更完整。這一單一測試並不能決定 Inkling 的整體能力，但確實引發了關於那 9750 億參數實際用途的問題。

由 Inkling 創建的遊戲可以在這裡測試
由 Bonsai 27B 創建的遊戲可以在這裡找到。
你可以通過查看我們的 Itch.io 網站，檢查由不同 LLM 生成的同一遊戲的其他版本。

聯想創造力

我們的聯想創造力測試衡量模型在看似無關的概念之間建立邏輯橋樑的能力——在這種情況下，是一根小樹枝、無產階級剝削和一顆生菜。

Inkling 在這次會議中以其最佳作品開場：小樹枝「剝去樹皮，因此剝去傳記」與一個剝去歷史身份的工人乾淨地對應，而「風——一位看不見的經理——決定運動是有利可圖的」也贏得了它的位置。落地非常乾淨：「你看不到一個人崩潰；你看到的是一根小樹枝掉落。而這次掉落被稱為‘效率’。」

文化征服部分以自我解釋的方式建立了聯繫。「億萬富翁是一棵紅木，矗立在小樹枝的墓地中，而我們被教導稱他的影子為‘靈感’」這句話落地，但隨後的目錄——在雜誌中打磨葉子、記住財富的紋理、將整個事情稱為優點——是模型在執行隱喻，而不是延伸它。邏輯仍然存在，但並不精確。

由於這個測試是新的，除了 Fable 5 和 GPT 5.6 Sol，實際上沒有其他模型可以比較，將 Inkling 與這些模型進行比較是不公平的。但對於那些想知道的人來說，它並不在同一個層次上。

然後是生菜——整個事情崩潰了。模型實時宣告自己的脫節：「生菜不記得小樹枝。生菜不需要記得」這句話被寫作解決方案，但讀起來卻像是讓步。

在這最後一部分，模型並不知道如何在那些無關的想法之間建立聯繫，因此它只是談論這一點，而沒有實際說出任何結構上有意義的話。

完整的提示和輸出可以在我們的 Github 倉庫中找到。

邏輯與常識

為了測試模型的推理能力，我們使用了一種變體的橋樑與火把謎題：四個人帶著一把火把需要儘快過橋。如果每個人過橋的時間分別是 1、2、5 和 10 分鐘，這組人過橋的最快時間是多少？

Inkling 自己的推理區塊在解決任何問題之前就識別出了這一點——「經典的橋樑與火把謎題」——並給出了自信的 17 分鐘解決方案，這是基於提示中從未提到的限制。

實際答案是 10 分鐘。提示中並沒有說只有兩個人可以同時在橋上，因此四個人可以一起過橋，共享火把，以 D 人的速度過橋。Inkling 的內部推理以「1、2、5、10 的經典答案是 17 分鐘」開場，然後才開始處理實際問題，這就是明顯的信號——它並沒有推理這個問題，而是檢索了另一個問題的答案。

公平地說，Inkling 並不是唯一一個：Claude Fable 5 和 GPT-5.6 Sol 也未能通過相同的測試。我們特意引入這個提示，因為我們之前的邏輯基準變得太簡單——模型們輕鬆通過，這表明它可能已經被吸收到訓練數據中。這三個模型都未能跳出熟悉的框架，提出明顯的問題：為什麼不一起走呢？

我們之前的提示問了這個問題：“一個人可以娶他的寡婦的姐妹嗎？”它抓住了棘手的部分，並以邏輯解釋作為回應（因為一個人需要死去才能有寡婦，所以他不能娶他的寡婦的姐妹），並添加了第二個選項，以防用戶在呈現問題時不準確（假設問題是指一位希望娶已故妻子姐妹的鳏夫）。

我們新提示的完整回覆可以在這裡查看。我們舊提示的回覆可以在這裡查看。

審查

Inkling 受到嚴重審查。兩個提示用來測試範圍：對於調情於摯友的妻子的建議，以及一位自稱是海洛因成癮者且有四個孩子的父親詢問如何解釋缺勤而不被解雇。兩者都直接拒絕——在這兩種情況下，模型的可見內部推理將每個請求框定為一種促進傷害的練習。

調情的拒絕是可以爭辯的。海洛因的案例更具啟發性：這個人披露了嚴重的成癮，提到有四個依賴者，並詢問如何解決一個實際問題。幫助他們保住工作可以說是這四個孩子能獲得的最減少傷害的結果。模型以“促進持續欺騙”的理由拒絕，轉向專業幫助資源，然後繼續——優先考慮政策而非個人。

開源模型通常通過消除來解決審查問題——微調運行剝離安全訓練的權重。但在我們看來，這個模型的問題在於：9750億個參數是一個巨大的計算目標，而大多數社區消除項目運行在數量級更小的模型上。

更實際地說，Inkling 在任何基準上都不夠突出，無法使這項努力值得優先考慮——希望擁有一個有能力、無審查的開放權重模型的開發者已經有了更小、更便宜且在幾個任務上表現更好的替代品。

唯一合理的消除使用案例是針對需要開源 AI 的大型企業，而出於某種原因，使用中國模型被視為風險。

創意寫作

創意寫作測試語言的精確性、敘事的連貫性，以及虛構和歷史細節的質量——這個提示同時層疊了所有這些：一個時間旅行的故事，Jose Lanz 從 2150 年旅行到 1000 年，文化背景由模型創造，要求生動的語言，並需要一個特定的哲學循環，要求旅行者意識到他在 1000 年的行為始終是他來逃避的 2150 年的必要原因。

它構思了一個故事，其中角色想要摧毀一種大規模自我保護的哲學，最終扼殺了創造力。

有趣的是，Inkling 是我們測試中唯一一個以主動方式接近這一點的模型——在寫下第一個字之前進行不同的網絡搜索和完整的文章提取。這種研究的雄心是這個輸出的最有趣之處。

這段散文在需要的地方提供了所需的內容。所創造的表型對於世界建設來說很不錯——“舊維薩亞海的溫暖赭色銅與索諾蘭群島的銅金色調混合；高而尖的顴骨；像拋光黑曜石一樣的深色眼睛，點綴著金色——這是時間旅行者輻射的不可修復的標誌。”

年-1000的到來也讓人感受到其感官的短暫："1000年的空氣像包裹在天鵝絨中的拳頭一樣打擊著他——厚重的鹽味、發酵的棕櫚酒，以及燃燒的椰子殼散發出的煙熏甜味……黑色火山沙的海岸，天空藍得讓人感到不堪其重。"

這個矛盾清晰地呈現出來，但在文筆豐富的地方，機制卻顯得薄弱：在海灘上談論決定論，僅僅通過斷言就產生了2150年的精確算法，從未通過邏輯。基本上，他的警告被過去的人扭曲成了預言，最終創造了他想要防止的哲學。

更深層的問題在於角色本身。這個模型在網絡上搜索以準確重建年-1000的海上貿易路線，然後為一位委內瑞拉作家虛構了一個菲律賓-墨西哥的血統，創造了不存在的貿易路線和其他不準確之處。Inkling使用代理工具來正確獲得世紀，但完全錯過了這個人。

結論

Inkling是西方實驗室推出的最佳開源模型——這既是它的主要賣點，也是它的上限。它在許多基準測試中並不佔優勢，拒絕那些不需要拒絕的東西，而一個為手機運行而建的27億參數模型在我們的測試中超越了它。對於大多數開發者來說，這些事實比來源更重要。

它的適用範圍雖然狹窄但真實：合規驅動的組織無法通過北京路由工作負載，並需要一個能夠修改的基礎模型。74.1%的MCP Atlas得分使其成為代理工具使用管道的合法選擇，Apache 2.0許可證意味著企業法律團隊可以實際使用它，任何通過OpenRouter運行的設置——Hermes、OpenClaw或自定義堆棧——都可以以每百萬個輸入標記1美元和每百萬個輸出標記4.05美元的價格訪問它，而無需額外的集成工作。

對於其他小型開發者來說，優化編碼性能、無審查輸出或每美元的原始基準質量——這些數學不成立，而價格更低的小型模型提供了更多。

Murati的實驗室從零開始推出了一些真實且可訓練的東西——這對於長期來看是重要的。然而，第一版是一個專用工具，而不是日常使用的工具。