我们的使命是构建一种能够扩展人类意志和判断力的人工智能。我们开发了一个平台，任何人都可以自定义模型，预览了一个为互动协作而构建的人工智能系统，并发布了新颖的研究。今天，我们通过发布一个我们从头开始训练的模型来推进我们的使命，该模型的全部权重都是可用的，以便人们可以将其做成自己的模型。我们的模型名为Inkling，它是一个拥有9750亿个参数的混合专家变换器，其中41亿个参数是活跃的。它支持高达100万标记的上下文窗口。它在45万亿个文本、图像、音频和视频标记上进行了预训练。它是一个系列中第一个不同尺度模型的引入：我们还分享了Inkling-Small的预览，这是一个活跃参数为12亿的轻量级模型，使用类似的配方进行训练，能够以更低的成本和延迟实现强大的性能。Inkling能够在文本、图像和音频方面进行原生推理，并通过高效且可控的思维努力平衡成本和性能。我们训练它成为一个广泛、平衡的基础模型：在许多领域上都很强，能够灵活适应。Inkling并不是如今最强的开放或闭合模型。相反，一系列特质使其成为一个良好的开放权重自定义基础：多模态能力、高效思维和在Tinker上可用于微调的可用性。Inkling只是一个开始：我们在即将继续构建的模型家族中的首次发布。我们希望让自定义变得对于更多用例可及，因此Inkling今天在Tinker上可用于微调。选择正确的基础模型进行微调是一种定性判断，结合可测量的基准与通过使用模型而产生的独特感觉。为了实现后者，我们在Tinker控制台中添加了Inkling Playground：一个面向开发者的与Inkling进行聊天的界面。为了展示自定义在实践中的含义，我们要求Inkling进行自我微调。利用Tinker，模型编写了自己的微调作业，运行它并评估结果：Build · inkling · tinker-prod ~/news/introducing-inkling/ 1.33.7 在OpenCode中启动：Inkling在OpenCode框架内运行。能力 现实世界的应用需要具有广泛能力的模型，这些模型可以通过微调进行组合和改善。我们展示了Inkling可以做什么，以及它在可信度和安全性等重要特质上的表现。通用模型 Inkling被设计为广泛。我们在代理性、推理、编码、遵循指令、事实、视觉和音频任务上进行了训练，而不是针对单一领域进行狭隘优化。这种广度对自定义和现实世界应用至关重要：不同的用户需要能够适应非常不同工作流程的模型，而不仅仅是在基准测试上表现出色。蜘蛛图表比较了Inkling、Nemotron 3 Ultra、GLM 5.2、GPT 5.6 Sol和Claude Fable 5在十项评估上的得分，这些评估的得分范围从零到一百。Inkling用更重的钴线显示。在没有报告模型得分的评估上则被标记为零。悬停在评估上可以比较每个模型的得分。Inkling是一个广泛、平衡的通用模型。基准得分在共享的0到100分量表上显示；分数越高越好。结果显示，在文本、代理性、多模态和音频评估中的竞争力表现，而不仅仅是针对某一基准系列狭隘优化的模型。这种广度反映了Inkling的预期角色：一个实用的多模态基础模型，为跨领域、工作流程和产品的自定义提供服务。代理性编码和工具使用 一个强大的微调基础需要灵活地解决各种任务，同时具备代理性工具使用。Inkling在人开放权重模型中的大多数代理基准上得分良好。我们训练Inkling在各种编码和代理性环境中运行，在训练期间随机化工具集和模式，以减少对任何特定工具的敏感性。Inkling的可控思维努力，如下一节所述，可以在环境内部进行设置。以下是一些演示，展示了Inkling的代理编码和工具使用及其创建的工件。一键式Web应用程序与嵌入式浏览器使用 Inkling一次性创建了一个功能齐全的Web应用程序，然后驱动一个嵌入式AI助手，该助手可以通过自然语言指令操作Web应用程序界面。Inkling一次性完成了第二个标签页中提示的求职申请Web应用程序，然后一个浏览器使用代理从保存的个人资料中填写表格。设计竞技场 Inkling在设计竞技场的代理Web开发排行榜上进行了评估，评估者匿名对生成的Web应用进行逐一比较。它在开放权重模型中名列前茅。