Inkling：专为微调打造的开源权重 975B 多模态模型
AI 领域近日迎来一位重量级新成员——Inkling，一个拥有 9750 亿参数（975B）的开源权重多模态模型。该模型由一支专注于开放研究与可定制 AI 的团队推出，其最大亮点在于专为微调（fine-tuning）而设计，而非仅仅作为推理黑箱。
为何专为微调而生？
当前主流大模型虽能力强大，但往往以 API 形式提供服务，用户难以深入调整模型行为。Inkling 则通过开放权重并优化训练架构，让开发者、研究机构和企业能够基于自身数据对模型进行深度定制。这意味着在特定领域（如医疗影像、工业质检、法律文档分析等），Inkling 有望通过微调达到远超通用模型的表现。
多模态能力与行业影响
Inkling 支持文本、图像、音频等多种输入模态，其 975B 的参数量使其在复杂推理和跨模态理解上具备强大潜力。考虑到训练如此规模的模型通常需要巨额算力，Inkling 的开放策略可能大幅降低下游应用的门槛——用户无需从零训练，只需在预训练权重基础上进行参数高效微调（PEFT） 或全量微调即可。
从行业趋势看，Inkling 的发布恰逢开源社区对“可定制基础模型”需求高涨之际。此前，Llama、Mistral 等开源模型已证明社区微调能催生出垂直领域的优秀变体，而 Inkling 将这一路线推向更大规模。
潜在挑战与展望
尽管 975B 参数带来性能上限，但部署和微调如此规模的模型对硬件要求极高：即便使用量化技术，推理也可能需要多张 A100/H100 GPU。此外，模型的具体架构细节（如是否采用 MoE）、训练数据组成以及许可证条款尚未完全公开，这些因素将直接影响其实用性和社区接受度。
总体而言，Inkling 代表了开源大模型向“可定制超级基础模型”迈进的重要一步。如果其微调工具链和文档足够完善，很可能成为研究机构与大型企业探索专用多模态 AI 的首选基座之一。