当开源权重模型的竞争从「参数规模」转向「智能体能力」，代价往往藏在账单里。
发生了什么
据 The Decoder 报道，由前 OpenAI CTO Mira Murati 创办的 Thinking Machines 发布了 Inkling 2 Small。这是一个混合专家（MoE）架构模型，总参数规模为 5940 亿。公司对外宣称，它是目前西方最强的开源权重模型。
值得注意的是「Small」这个后缀与 5940 亿参数的组合：在 MoE 语境下，总参数与单次推理激活的参数并不是一回事，命名更多是在产品线内做定位，而非描述实际计算量。报道同时指出一个关键取舍——模型在智能体任务上的表现更好，但 token 使用量随之明显上升。
为什么重要
Thinking Machines 自成立起就被放在聚光灯下，Murati 的 OpenAI 背景让外界对其技术路线高度关注。选择开源权重，本身就是一种姿态：在西方阵营里，真正愿意放出权重、且规模做到这一量级的团队并不多，多数前沿实验室仍以闭源 API 为主。
「西方最强开源权重」这个说法需要放在对比框架里理解。开源权重领域此前的强势玩家多来自中国团队，西方阵营在这一维度上长期缺少同量级的对标物。Thinking Machines 的这一定位，实际上是在填补一个市场空位——既要有接近前沿的能力，又要让企业能够自行部署、审计和微调。
另一个信号是产品命名中的「2」。这说明 Inkling 已经形成迭代节奏，而非一次性发布，团队在按版本推进模型能力。
影响与看点
对开发者而言，最直接的变化是选型清单里多了一个可自托管的选项，尤其是对数据合规敏感、不愿把请求发往第三方 API 的企业。MoE 架构也意味着部署时的显存与并行策略需要重新规划，不能照搬稠密模型的经验。
但 token 消耗上升这一点不应被轻描淡写。智能体场景本身就是多轮调用、长上下文、频繁工具交互的叠加，单次任务的实际成本可能远高于传统对话式使用。能力提升与推理开销之间的这条曲线，会直接决定它在生产环境中的性价比。
值得关注的还有两点：一是第三方基准与真实场景复现能否支撑「最强」的说法，厂商自述的排名需要独立验证；二是权重开放的具体条款——许可范围、商用限制、是否附带评测细节，往往比参数数字更能影响采用意愿。
一句话判断：开源权重的竞争已经进入「能力不只看分数、还要看每任务成本」的阶段，Inkling 2 Small 的真正考验不在榜单，而在开发者的账单上。
