AI · Forecasting · Calibration · Open Weights · MoE

校准是机制，而非参数计数

Inkling-Small在推理上击败975B教师，在事实回忆上回归。诚实的解读是机制，而非参数计数。

作者 Everythink Studio team2026年8月3日1 分钟阅读

一个在推理上击败其975B教师、却在事实回忆上输给教师的276B模型，不是「更好的模型」。它是不同的机制。Thinking Machines Lab于2026年8月2日发布了Inkling-Small：276B总参数，12B活跃参数，Apache 2.0开放权重，原生文本-图像-音频输入，1M token上下文。该模型在Humanity's Last Exam上得分31.6%，而教师为29.7%；在SimpleQA Verified上得分20.6%，而教师为43.9%。诚实的解读不是「更小就是更好」。诚实的解读是：训练强化了哪个机制，而该机制是否已实现并在测量？

容易的标题是「开放权重MoE以四分之一规模匹敌前沿」。该标题站得住脚，但它掩盖了关键事实。关键事实是Inkling-Small通过强化学习针对proper scoring rules在真实世界预测问题语料上训练，其ForecastBench Brier指数为61.3，而教师为60.1。这个数字将此次发布与Everythink的工作联系起来。校准机制是论点。

发布概述，一段话

Inkling-Small是一个42层decoder-only transformer，带有稀疏Mixture-of-Experts前馈骨干。每个token路由到256个专家中的6个加2个共享专家，因此每个token激活258个专家中的8个。该模型无编码器且原生多模态：图像通过四层hMLP以40x40像素块输入，音频以dMel频谱图输入，两者通过轻量嵌入层并加入文本token流。上下文窗口为1M tokens。思考努力可调。权重在Hugging Face上以Apache 2.0发布。BF16检查点需要600 GB聚合VRAM（4x B300或8x H200）；NVFP4检查点将该门槛降至180 GB并在单个B300上运行W4A4。根据Marktechpost的报道和Thinking Machines Lab的模型卡，支持的运行时为SGLang、vLLM、TokenSpeed、Unsloth和Hugging Face。

机制1：活跃参数计数是成本机制，而非总数 ✅

属性「模型服务成本低」由稀疏路由机制保证，而非由总参数计数保证。一个276B密集模型每个token需要276B计算。Inkling-Small需要12B。总参数计数是内存成本（你存储全部276B）。活跃参数计数是计算成本（你每个token乘12B）。MoE将两者解耦。这是关键架构事实，也是276B模型在单台租用B300上运行而非前沿实验室集群上的原因。

Theorem 3清晰解读：属性「低廉推理」由机制「每个token激活258个专家中8个的稀疏路由」保证，测量是活跃参数计数（12B）和VRAM门槛（NVFP4下180 GB）。没有机制的属性是断言（「它小」）。有正在测量的机制的属性是保证（「12B活跃，180 GB VRAM」）。Production ✅——检查点公开且硬件要求已明确。

[UNIQUE INSIGHT] 总数与活跃数的区分正是Everythink在网络与房间之间所做的区分。网络是总数（存在的每个组织、社区和房间）。活跃上下文是你所在的房间。The space is the router：从网络到社区到房间将请求路由到12B相关的切片，在任何东西响应之前。MoE路由和Everythink路由是不同尺度上的同一模式——在大型存储空间上的稀疏激活。

机制2：针对proper scoring rules训练的校准是Theorem 3的缩影 ✅

这是Everythink的关键机制。模型卡指出校准通过RL针对proper scoring rules在大量真实世界预测问题上训练。ForecastBench无搜索给出Brier指数61.3正负0.46，领先Inkling的60.1正负0.54。Brier分数是proper scoring rule：它仅在报告真实信念时期望最小化。针对它训练教会模型报告校准过的概率，而非自信的概率。

Theorem 3说一个属性当且仅当其机制已实现并在测量时才被保证。属性是「模型的概率预测是校准过的」。机制是RL针对proper scoring rule。测量是在留出预测语料上的Brier分数。三者都已明确。那是保证，不是断言。Production ✅。

这正是Everythink的Oracle所做的。Sisters生成候选未来；Oracle将它们合并为每次合并都带熵的校准集成。概率在一个地方归一化。Oracle不以面值接受Sisters的置信度；它给它们打分。Inkling-Small的训练做同样的事：它不以面值接受模型的原始logits；它针对一个惩罚过度自信和自信不足的规则给它们打分。机制是评分规则。保证是校准。[PERSONAL EXPERIENCE]在我们自己的工作中，我们看到没有proper scoring rule的预测集向最响亮的Sister漂移。评分规则是保持集成诚实的东西。Inkling-Small的训练管道在模型层面实现了这一纪律。

机制3：SimpleQA上的回归是诚实，不是失败

该模型在HLE（31.6 vs 29.7）、SWE-bench Verified（80.2 vs 77.6）、Terminal-Bench 2.1（64.7）、Toolathlon Verified（54.4 vs 45.5）和ARC-AGI-2（40.1 vs 36.5）上击败教师。它在SimpleQA Verified（20.6 vs 43.9）、AA Omniscience（-9.0 vs 2.1）和Tau 3 Banking（15.5 vs 23.7）上落败。诚实的解读不是「模型更好」。诚实的解读是：训练强化了推理和代理编程，而事实回忆因此回归。机制（两周代理编程RL、从教师on-policy蒸馏）用一个属性交换了另一个。

Theorem 3精确评判这一点。属性「强推理」由机制「带bash-only harness的代理编程RL」保证并由SWE-bench Verified测量。属性「广泛事实回忆」由不同机制（预训练数据广度）保证并由SimpleQA测量。第二个机制在后训练阶段未被强化，而回归是证据。一个在一切方面都更好的模型将是没有机制权衡的模型。那种模型不存在。Inkling-Small在其基准表中明确其权衡。那是诚实的记分卡。

[ORIGINAL DATA] SimpleQA（20.6）和SWE-bench Verified（80.2）之间的差距是59.6个百分点。该跨度是可见化的权衡。一个以SWE-bench分数营销而不提SimpleQA分数的模型是隐藏其机制的模型。Thinking Machines Lab两者都发布。那是Everythink对自己持有的标准：Sisters的预见每次合并都带熵发布，而不仅仅是标题概率。

机制4：Apache 2.0下的开放权重是主权机制 ✅

属性「你拥有模型」由宽松许可下开放权重的机制保证，而非由供应商API条款保证。Apache 2.0意味着你可以运行权重、修改权重、微调权重并私有地服务它们。在单个B300上以180 GB运行的NVFP4检查点意味着受监管行业——金融服务、医疗保健、保险、电信、公共部门——可以在自己的硬件上、自己的防火墙后运行276B模型，数据不离开场所。那是模型层的客户主权。

Theorem 3：属性「私有推理」由机制「开放权重加上适合可部署硬件的量化检查点」保证并由180 GB VRAM门槛测量。Production ✅——检查点在Hugging Face上且硬件要求已发布。

Everythink的主张是客户主权：你的网络、你的品牌、你的数据。开放权重是该主张的模型层版本。供应商托管的API是房东安排；你硬件上的开放权重是所有权。Everythink的Whitelabel Network模块是平台层版本：你以你的品牌运营网络，而非我们的。Production ✅。

机制5：原生多模态是包容机制 ✅

属性「模型按世界到达的方式读取世界」由原生多模态输入机制保证，而非通过附加独立的视觉和音频编码器。Inkling-Small无编码器：图像通过四层hMLP以块输入，音频以dMel频谱图输入，两者通过轻量嵌入层加入文本token流。MMMU Pro为74.0，CharXiv RQ为77.4（用Python裁剪-缩放-检查时81.3），Audio MC为54.9，MMAU为77.0，VoiceBench为90.1。模型在一次通过中读取文本、图像和音频。纯文本模型排除了任何输入以图像或语音备忘到达的人；原生多模态模型包容他们。Everythink的包容设计原则——多语言、多模态、低连接——是同一模式。World Monitor网关将航班、船舶、地震、火灾和天气作为原生geo-signals摄取，而非文本描述。Production ✅。

机制6：安全机制是分层的，不是单体式的 ✅

属性「模型拒绝有害请求」由安全训练加下游审核的机制保证，而非仅由安全训练保证。StrongREJECT为98.4%，FORTRESS adversarial为71.6%，FORTRESS benign为96.9%。Thinking Machines Lab建议在面向消费者的部署中添加Llama Guard。那是分层安全声明：基础模型为安全训练，部署添加第二个过滤器。Theorem 3将此评判为两个机制——基础由StrongREJECT和FORTRESS测量，部署由下游层测量。Production ✅用于基础模型；下游层是部署者的责任。Everythink的范围伦理——仅限民用和防御用途——是同一分层模式。

Everythink的类比，以及何处是Partial

Oracle，Everythink的预测合并，取Sisters的候选未来并返回每次合并都带熵的校准集成。Inkling-Small的校准训练取模型的原始logits并返回针对proper scoring rule的校准概率。类比是真实的且Production ✅：两者都评分、都校准、都测量。Oracle合并多个代理；模型校准一个代理。Partial ⚠️——机制相同（proper scoring rule），范围不同（集成 vs 单模型）。

Sisters是类型化人格：analyst、contrarian、disruptor、historian、institutionalist。Inkling-Small的MoE骨干有256个专家，每个专门化。类比是真实的：类型化是产生多样输出的机制。Sisters类型化推理风格；专家类型化token级计算。Partial ⚠️——两者都是稀疏类型化系统，但在不同层面。HAI Engine自2016年投入生产。奠定Everythink预测理论的21篇论文是模型卡基准表的类比：两者都发布机制和测量，而不仅仅是标题。Production ✅。

Everythink此处的范围是商业和民用的：预测、校准概率、平台基础设施。Everythink不承诺token、wallet或community-credit结果。Wallet & Token、Super App和Community Credit仍是Roadmap 🔵，pre-revenue，须接受Howey审查。无投资建议。无捏造指标。基准数字来自Thinking Machines Lab，发布在模型卡中并由Marktechpost于2026年8月2日总结。

机制，重述

Theorem 3：一个属性当且仅当其机制已实现并在测量时才被保证。此次发布的属性是「来自低成本开放权重模型的校准概率预测」。机制是RL针对proper scoring rules加稀疏MoE路由。测量是Brier分数（61.3）和活跃参数计数（12B）。SimpleQA上的回归（20.6）是产生推理增益的机制的诚实成本。一个在一切方面都更好的模型将没有机制权衡。那种模型不存在。Inkling-Small发布其权衡。那是标准。

关键要点

Inkling-Small是Apache 2.0下的276B总/12B活跃MoE模型，2026年8月2日发布。活跃参数计数（12B）是成本机制；总数（276B）是内存成本。
校准通过RL针对proper scoring rules训练。ForecastBench Brier分数61.3击败975B教师的60.1。那是Theorem 3的缩影：属性（校准）由机制（proper scoring rule）保证并被测量（Brier分数）。
该模型在推理上击败教师（HLE 31.6 vs 29.7，SWE-bench Verified 80.2 vs 77.6）并在事实回忆上回归（SimpleQA 20.6 vs 43.9）。权衡是机制，不是失败。
NVFP4检查点在单个B300上以180 GB VRAM运行。Apache 2.0下的开放权重是主权机制：你拥有模型，你私有地运行它。
原生多模态输入（文本、图像、音频）是包容机制。模型按世界到达的方式读取世界，而非仅文本。

常见问题

为什么活跃参数计数比总数更重要？ 总参数计数（276B）是你存储的内存。活跃参数计数（12B）是你每个token花费的计算。MoE路由将两者解耦：你以12B模型的计算成本获得276B模型的容量。服务模型的成本由活跃计数决定，而非总数。

SimpleQA上的回归告诉我们什么？ 它告诉我们训练强化了推理和代理编程，而非事实回忆。SimpleQA测量广泛事实知识；SWE-bench Verified测量编程代理性。模型在第二个上改进并在第一个上回归。一个在一切方面都更好的模型将没有机制权衡。那种模型不存在。回归是增益的诚实成本。

校准训练如何连接到Everythink的Oracle？ 两者都使用proper scoring rules。Inkling-Small通过RL针对proper scoring rules在真实世界预测问题上训练。Oracle将Sisters的候选未来合并为每次合并都带熵的校准集成。机制相同：给预测评分，而非置信度。Brier分数在两种情况下都是测量标尺。

单个GPU上的276B模型真的可部署吗？ 是的，在NVFP4检查点。BF16检查点需要600 GB聚合VRAM（4x B300或8x H200）。NVFP4检查点将该门槛降至180 GB并在单个B300上运行W4A4。那是将276B模型从前沿实验室领域移至初创企业和受监管行业领域的机制。

此次发布诚实的记分卡是什么？ 模型明确其机制（稀疏MoE、RL针对proper scoring rules、代理编程RL）、其测量（Brier分数、SWE-bench、SimpleQA、HLE）及其权衡（推理上升、事实回忆下降）。Theorem 3将此评判为保证，而非断言。基准表发布增益和回归两者。那是Everythink对自己持有的标准。

如果这一框架有用，关于Everythink如何将同样的校准纪律应用于自身平台的更详细论述——2016年投入生产的HAI Engine、每次合并都带熵的Oracle集成、21篇论文——在Everythink网站上。