Thinking Machines Lab

資料來源#

這是什麼#

一家 AI 研究實驗室（以「Thinking Machines Lab: Connectionism」名義發布內容）。使命是：「打造能擴展人類意志與判斷力的 AI。」在這份 wiki 中，它最早以 Interaction Models 背後組織的身分出現——這是 2026 年 5 月的研究預覽，將即時人機協作重新定位為模型原生能力，而非 harness 的課題。到了 2026 年 7 月，其策略清楚呈現為三部分的堆疊：Tinker（託管微調平台——任何人都能客製化模型）、互動模型（協作介面），以及 Inkling（從零開始訓練、可供客製化的開放權重基礎模型系列）。

已推出的內容／提出的主張（本文所見）#

Interaction Models（2026 年 5 月研究預覽）——能原生接收音訊、影片與文字，並即時思考、回應及採取行動的模型。首款模型：TML-Interaction-Small（276B MoE，啟用 12B）。
Inkling（2026 年 7 月）——他們首款從零開始訓練、以完整權重發布的模型：975B／啟用 41B 的多模態 MoE、1M context、可控的思考量，並以 GB300 系統進行訓練，完成超過 30M 次 RL rollout。他們明確表示，Inkling 的定位不是最強模型，而是最適合在 Tinker 上微調的基礎模型；同步預覽的 Inkling-Small（276B/12B）具有與 TML-Interaction-Small 完全相同的規模。其設計目標是在互動模型系統中擔任背景推理模型（Interaction / Background Model Split）。
Tinker——Inkling 上線使用的託管微調平台（64K/256K context、首日即有 Together/Fireworks/Modal/Databricks/Baseten 等服務合作夥伴，以及 SGLang/vLLM/llama.cpp 支援）。發布展示中，Inkling 自行撰寫並執行 Tinker 微調工作。他們針對微調預測模型的研究（「訓練 LLM 預測世界事件」）也促成了 Trained Calibration 配方。
立場：互動性應隨智慧一同擴展 → 因此必須內建於模型之中；他們引用 The Bitter Lesson，反對以 harness 建構即時系統（VAD、回合偵測）。
工程足跡：已將串流工作階段功能上游貢獻給 SGLang；發表了關於克服 LLM 推論中的非決定性的研究（批次不變核心），該研究被引用於訓練器與取樣器的對齊；先前也發布過 On-Policy Distillation 文章。
正在為互動性／人機協作基準設立研究補助計畫（詳情 TBA）；互動模型將於「未來幾個月內」推出有限研究預覽，更廣泛的發布則預計在「今年稍晚」進行；並承諾於 2026 年稍後推出更大型模型。

關聯脈絡#

相較於 Turn-Based Interface Bottleneck 中受批評的實驗室（「AI 實驗室過度優化自主性」），他們提出不同的優先順序——隱含地反對 Anthropic 與 OpenAI 代理程式產品（Claude Code、Symphony）所展現的自主性優先框架。
他們主張 harness 會融入模型，這與 Harness Shrinkage as Models Improve（一項來自 Anthropic/Claude Code 的觀察）方向相同——不同實驗室提出了相近的想法。
他們以 GPT-realtime-2.0 / 1.5（OpenAI）、Gemini-3.1-flash-live（Google）和 Qwen 3.5 Omni 為基準比較自家模型——詳見 Interactivity Benchmarks。

資料來源#

Interaction Models: A Scalable Approach to Human-AI Collaboration
Inkling: Our Open-Weights Model — Inkling 發布、Tinker 定位、使命聲明（vendor-claim）

Thinking Machines Lab

資料來源#

這是什麼#

已推出的內容／提出的主張（本文所見）#

關聯脈絡#

相關連結#

資料來源#