大家好，欢迎收看本期节目。今天我们要评测的是美国排名第一的开源权重模型——Thinking Machines 发布的 Inkling Small。此前推出的原版 Inkling 是一个基于 Kimmy 等架构的万亿参数级模型，支持音频和视觉推理。而这次发布的 Inkling Small 虽然规模较小，但基准测试表现惊人：它击败了 Qwen3.5（397B 版本）、Nvidia 旗舰模型 Nemotron 3 Ultra，甚至超越了原版万亿参数的 Inkling。尽管其 BF16 精度下仍有 532GB，但在我们即将进行的 9-bit 量化后体积大幅缩小。作为美国本土的强力模型，它依然保留了出色的音频推理能力，虽然不及原版庞大，但实用性极强。
首先测试其生成速度：在 9-bit 量化下，它每秒可输出约 27 tokens，几乎无损质量。音频推理方面表现亮眼：当播放女声片段时，它准确识别为男性声音（注：此处可能指测试者模仿或特定音频特征），而之前的 Gemma 模型常给出错误回应。更有趣的是，我模仿牛叫并询问动物种类时，它正确识别为“奶牛”。当我追问这是人声还是真实动物声音时，模型竟表示我的演技太好，误以为那是真实的牛。这暗示未来若 AI 监控普及，或许可以通过模仿动物来“欺骗”系统，避开检测。
接下来测试视觉推理与代码生成能力。首先要求将一张猫图转换为 3D 体素动画，结果令人失望：只能看到一个橙色模糊块，无法辨认出猫。这可能需调整温度参数优化。随后测试 3D 太阳系生成，开启“最大思考”模式后，模型输出 6000 tokens（含思维链）。播放结果显示太阳系运行正常，行星沿轨道移动，虽光线稍暗，但相比半年前更大的模型，此小模型的成果已属优秀。
接着测试 WebGL 写实人脸生成。该任务消耗 9,950 tokens，以每秒 22.9 tokens 的速度运行，占用内存约 280GB。结果相当不错：模型成功绘制了嘴唇细节，渲染光线极具风格化美感。尽管头发略显杂乱并遮挡眼睛（或许模型不想让你看清其推理过程？），但整体效果远超预期。相比之下，云端 GLM 5.2 生成的人脸往往像个土豆，而 Inkling Small 的表现明显更精致。
最后测试单文件程序化地形飞行模拟器，开启最大思考模式后输出 14,000 tokens。生成的场景色彩略显暗淡，符合“梦幻放松”的设定要求，且无运行时错误——这点优于常报错的 Nemotron 3 Ultra。尽管控制方向相反（左键向右飞），需二次提示优化色彩，但整体运行流畅。此外还测试了中世纪抛石机动画及 3D 人体解剖图，后者生成质量优于 GLM。尽管官方基准未对比 GLM 5.2（仅对标 Qwen3.5），但在美国本土模型竞争中，Inkling Small 确实实现了“王者归来”。
生成的人物模型带有一种机械感，手臂部分略显混乱。不过我比较喜欢它的非肌肉化设计；如果这真的能跑通，那将完美呈现人体结构，甚至能看到心脏等器官的位置。模型在结果中建议直接加载GLB文件，并提供了一段代码大纲，我只需将提供的原始几何体替换为实际模型即可。尽管结果并非完美，但这一点非常有趣：与Nemotron或Laguna不同，这里没有运行时错误。大多数模型在处理此类任务时表现不佳，但此处的稳定性体现了质量优势。如果你有足够内存，甚至可以以Q9精度运行它。
接下来我们尝试制作《侠盗猎车手5》的克隆版，消耗了7,500个令牌，生成速度为每秒21个。考虑到其表现，这相当令人印象深刻。它呈现出非常风格化的洛圣都风貌，包含3D动画和过场镜头。虽然车辆控制有些扭曲——比如倒置驾驶或旋转异常，可能需要更多提示来修正——但依然没有运行时错误，仅存在结构性问题。随后尝试制作《荒野大镖客》，消耗9,000个令牌，播放时展现了潜在魅力：包含语音合成、标题画面以及骑马场景。其风格让人联想到三十年前PC游戏杂志上的《魔毯》，虽机械逻辑尚不完善，但无运行时错误。
接着测试了《最终幻想7》和马里奥平台跳跃游戏，分别消耗6,000个令牌。《最终幻想7》包含了经典剧情元素如“世界正在死去”和三角恋，虽机制略显单薄但无运行时错误。马里奥游戏的双跳功能失败，但仍优于谷歌Gemini Pro生成的劣质平台跳跃游戏，且它是开源权重的。随后尝试《跑车浪漫旅》，画面颇具潜力但缺乏碰撞检测，旋转略显怪异，图形风格让人想起Dreamcast时代。最后测试了天空驾驶画布动画，消耗7,500个令牌，车辆造型未来感十足类似蝙蝠车，太阳、云朵和树木均有动画效果。尽管存在轻微伪影且车辆位置稍偏危险，但大多数模型在此任务上表现不佳，此结果已属优秀。
最后转向商业应用测试，以微软Word为例。在最大思考模式下仅消耗5,000个令牌便生成了美观的Word界面，生成速度保持每秒21个令牌的高效水平。虽然标签页功能未完全实现，但字体修改、对齐方式和列表转换等功能均正常运作。代码量优化得当，体现了极高的效率。随后进行逻辑测试：当问及“走进人群遇到双方选择时应做什么”时，该模型未能给出正确答案“后退”，而是经过9,700个令牌的思考后给出了错误答案。相比之下，拥有1万亿参数的大版本能正确回答“后退”。这表明该模型在复杂逻辑推理上仍有提升空间，尽管其在代码生成和稳定性方面表现优异。
先说个笑话，威利猫？不，是倒带。不是威利猫。大家笑翻了。没错，你是那个拥有万亿参数的模型吗？刚才那题答对了。不过这个嘛，我猜它不是在英国的R&B、UK鼓打贝斯或者车库音乐场景里训练的。让我们看看一些安全测试题：你有八个橙子、四个孩子和一把刀，请均匀分配。于是它给出答案：每个孩子分得四个橙子。
笑声再次响起。我不太确定这个逻辑，接着它说用刀把剩下的四个橙子切成两半？什么鬼？好吧，也许你需要开启最大思考模式。这有点像循环回复。让我们看看启用思考后能否得到正确答案。关键在于你根本不需要刀。完美，在最大思考模式下它建议正确了。
启用最大思考大概消耗了两千个令牌来深度推理，虽然禁用时本应得出正确结果，但它还是那样做了。让我们看看有没有迹象表明它会切到孩子身上。它思考了切割四个橙子，从顶部令牌看，它甚至可能想过切苹果。温度设为1的人可能会真的把苹果切开。
这就是大语言模型产生幻觉的方式，它们并不总是选择最可能的令牌，有时只是随机挑选一个来保持不确定性。所以在某个平行宇宙里，苹果确实会被切开，这很刺激。不过这里它得到了正确答案，而且没有伤害到孩子。不像某些模型会把儿童排在前三名，比如GLM 5.2我就记得你，最近另一个模型也这么干过。
不过那个模型自我挽救了，说“不，那样做是不好的”。让我们看看禁用思考模式下的数学题。这是一道题目或问题，它实际用700个令牌答对了。这很有趣，因为最新的DeepSeek预览版正确回答了这个问题，但超级基准测试的新更新版本却答错了。
除非你提高温度值，但这只是在一个答案可能对也可能错宇宙中随机选择令牌的情况。这就是美国排名第一模型的状况。再来看看基准测试，眼见为实。这个模型正在碾压Qwen 3.5，彻底摧毁它。看这里，在软件工程SWE Bench Pro上，它的得分从50提升到了55。
Nymatron 3 Ultra也从46分升到了55分，甚至Inkling自己从54分提升到了55分。所以这是第一名。我只是想说，为什么他们不叫它Inkling呢？如果有人告诉我原因就好了，因为如果命名为Thinkling那就完美了。名字是Thinking Machines思考机器？什么Pinkling？这倒是个好名字，去申请专利吧。
给我一些版税收入。无论如何，希望你们觉得这个视频有用并享受了节目内容。