Inkling 2 Small：会“看”也会改的594B MoE模型

Thinking Machines Lab 在 Product Hunt 上发布了 Inkling 2 Small，一款主打“能看见并优化自己构建的东西”的模型。它采用 594B 参数的 MoE 架构，推理时仅激活 17B，面向长周期编程、视觉任务和智能体场景，并通过 Tinker 平台提供推理与微调服务。发布当天即登上 Product Hunt 榜首，收获 100 票。

模型定位：从“生成”到“自我修正”

Inkling 2 Small 的标语“A model that can see and refine what it builds”点出了它的核心差异：不只是输出代码或视觉内容，还能观察自己的产出并进行迭代优化。这指向了当前模型能力竞争的一个关键方向——闭环修正。传统模型往往一次性生成结果，用户需要手动验证和调整；而 Inkling 2 Small 试图在内部完成“生成-观察-改进”的循环，尤其适合长周期编程任务和需要视觉反馈的场景。

从参数设计看，594B 总参数、17B 激活的 MoE 架构在容量和推理成本之间做了权衡。大总参数量保证知识存储和表达能力，低激活量则控制单次推理的算力开销。这种设计在近期的大模型发布中并不少见，但 Thinking Machines Lab 将其与“视觉反馈”和“长周期任务”绑定，形成了差异化定位。

闭环修正（closed-loop refinement） 是指模型在生成初步输出后，能够通过某种反馈机制观察结果（如代码运行报错、渲染截图、界面状态等），并据此迭代改进，形成“生成-观察-修正”的循环。这与传统的一次性生成有本质区别：后者依赖用户手动验证和调整，而闭环修正将部分验证和优化过程内化到模型工作流中。实现闭环修正通常需要模型具备多模态感知能力（如读取截图、理解视觉布局）以及长上下文记忆（记住之前的修改历史），并可能结合外部工具（如代码执行器、浏览器渲染引擎）来获取反馈信号。在长周期编程任务中，这种能力有助于减少人工干预，但技术实现复杂，且反馈信号的质量和延迟会影响实际效果。

架构与能力：MoE 支撑长周期任务

MoE（混合专家）架构让模型在推理时只调用部分参数，从而在保持大模型能力的同时降低延迟和成本。Inkling 2 Small 的 17B 激活参数意味着每次前向计算实际参与运算的规模远小于 594B，这对于需要多轮迭代的智能体任务尤为重要——智能体往往要反复调用模型、观察环境、调整策略，推理成本会随轮次累积。

官方描述中提到的“long-horizon coding”和“visual tasks”暗示模型在代码生成和视觉理解上做了针对性优化。长周期编程任务通常涉及多文件、多步骤的修改，模型需要记住上下文并保持一致性；“能看见并优化”则可能意味着模型可以读取截图、渲染结果或界面状态，并据此修正代码或设计。这种能力对前端开发、UI 自动化、游戏开发等场景有直接价值。

MoE（混合专家）架构的核心思想是将模型的参数划分为多个“专家”子网络，并引入一个可学习的路由网络。在每次前向计算时，路由网络根据输入内容动态选择激活少数几个专家（通常为 top-k，如 top-2），而非调用全部参数。这样，模型的总参数量可以做得非常大以提升知识容量，但实际参与运算的参数量（激活参数）却可以保持较低水平，从而显著降低单次推理的算力开销和延迟。例如，Inkling 2 Small 的 594B 总参数中每次仅激活 17B，意味着只有约 2.9% 的参数参与计算。这种设计特别适合需要反复调用模型的智能体场景，因为多轮迭代的累积成本会更可控。不过，MoE 也带来训练稳定性、负载均衡和显存占用等挑战，路由策略的质量直接影响模型效果。

平台与生态：Tinker 提供推理和微调

Inkling 2 Small 通过 Tinker 平台提供推理和微调服务。Tinker 是 Thinking Machines Lab 的模型服务平台，用户可以在上面直接调用模型，也可以基于自己的数据做微调。对于企业用户和开发者来说，微调能力是落地关键——通用模型很难覆盖所有垂直场景，而微调可以让模型适应特定代码库、设计规范或业务流程。

Product Hunt 页面显示，该产品由 Mira Murati 和 Tianyi Zhang 担任 maker。Mira Murati 此前在 OpenAI 担任 CTO，其新公司 Thinking Machines Lab 的动态一直受到关注。Inkling 2 Small 是该公司面向开发者社区的一次产品化亮相，选择 Product Hunt 首发也说明其希望触达早期开发者和技术决策者。

市场反响与竞争位置

发布当天 100 票、排名第一的成绩在 Product Hunt 上属于不错的开局，但评论数仅 2 条，说明讨论热度尚未充分展开。Product Hunt 的投票更多反映早期尝鲜者的兴趣，真正的考验在于开发者实际使用后的留存和口碑。

从竞争角度看，Inkling 2 Small 进入的是一个拥挤的赛道：长周期编程和智能体任务已经是多家模型厂商的重点方向。它的差异化在于“视觉反馈闭环”和 MoE 架构的成本优势。但能否在真实任务中稳定表现，还需要更多第三方评测和用户案例来验证。对于开发者而言，值得关注的是 Tinker 平台上的实际推理成本、微调门槛，以及模型在复杂代码库和视觉任务中的表现。

值得关注的几个问题

第一，594B 总参数和 17B 激活的配置在 MoE 模型中处于什么水平，官方没有给出与竞品的直接对比。第二，“能看见并优化”的具体实现方式未在 Product Hunt 页面展开，是内置视觉编码器还是多模态输入，需要进一步查阅技术文档。第三，Tinker 平台的定价和可用区域尚未明确，这会影响开发者的试用意愿。

Inkling 2 Small 的出现说明 Thinking Machines Lab 正在将研究能力产品化，而“自我修正”这一方向如果能在真实场景中兑现，对编程和视觉任务的工作流会带来实质改变。