看到“Small”这个名字，很多人的第一反应是：更小、更便宜，也许自己的电脑就能跑。Inkling 2 Small 恰好提醒我们，产品名不是硬件配置单。
Thinking Machines 本周发布 Inkling 2 Small。其官方介绍列出594B总参数、17B激活参数，采用 Mixture-of-Experts 架构，并表示最初通过 Tinker 提供服务，完整权重计划在外部安全测试后发布。
截至这次核对，不能把“计划开放权重”写成已经可以下载，也不能只拿17B这个数字判断本地部署要求。
总参数与激活参数 回答的是不同问题
总参数描述模型包含多少参数。激活参数则反映一次处理所使用的部分。MoE 通过条件计算，在处理不同输入时调用部分专家，因此两种口径可以相差很大。
这有助于理解计算量，却不意味着其余参数凭空消失。Hugging Face 的 MoE 说明也强调了稀疏计算与较高权重内存需求之间的区别。
具体部署还受到实现方式、分布式安排与精度影响。知道每次只激活部分参数，不足以推出“只需要装下这些参数”。类似地，总参数相同，也不能推出两套系统具有相同的运行速度。
准备技术面试时，可以先把问题分开：是在比较权重规模、计算需求，还是实际服务表现？如果面试官更换其中一个条件，你的结论是否需要跟着改变？
先做一笔有边界的算术
为了理解量级，可以作一个纯算术假设：若594B参数全部按每个两字节存储，权重数据约为1.188TB，采用十进制单位。它没有计入额外数据、缓存与运行开销，也不是官方给出的实测部署要求。
这个估算的用途，是阻止我们把总参数与激活参数混为一谈。它不能反过来代替实际文件大小，更不能当作某块显卡能否运行的结论。
真正选择方案时，应该查看可获得的权重格式、推理引擎支持和完整配置。服务端托管、本地运行和混合部署，也承担着不同的资源与维护工作。
这类估算很适合作为面试中的第一步。接着说明还缺哪些信息，通常比马上给一个确定的硬件答案更有说服力。
能调用 能微调 能下载 不是一个状态
模型通过服务提供推理，用户可以发送请求，并不代表用户拿到了权重。平台支持微调，也不必然意味着训练结果此刻可以自由下载、迁移到任意环境。
Inkling 2 Small 的官方介绍把最初的服务可用状态与后续权重开放计划分开说明。做资料整理时，应保留这种时间差，而不是看到“开放”一词，就把所有能力都改写成已经完成。
对于学生项目，先确定自己需要证明什么。如果目标是比较任务效果，托管调用可能已经够用；如果目标是研究本地推理，是否能拿到并运行权重就是必要条件。
这也影响作品集标题。通过 API 完成评估，就写 API 评估；没有部署模型，不必把项目描述成自建推理基础设施。准确的范围能帮助面试官找到合适的追问。
跑分之后 还要回到自己的任务
官方列出的综合成绩，有助于理解发布方想强调的能力，但一个总分不会替所有使用场景作决定。文档理解、编码、图像输入和长任务，对系统提出的要求并不相同。
可以选择自己真正关心的一类任务，固定输入与接受标准，比较候选方案。既看成功案例，也检查错误是否集中在某种条件。某个模型在综合榜单表现不错，仍可能不适合你的具体数据。
资源比较也应当与结果同时记录。延迟、实际计费和人工修正次数，都可能影响是否值得采用。若只保留最漂亮的一次输出，读者无法判断这是否是稳定表现。
这些是评估方法，不是对 Inkling 2 Small 的独立测评。没有实际运行，就不要写出“实测更快”或“本地部署成功”之类结论。
模型选择表中 可以保留哪些空白
可以建立一张候选方案表，把总参数、激活参数、获得方式、权重格式与当前可验证状态分别记录。某项信息还没有公开，就保留未知，不用另一个模型的资料补上。
假设项目目标是本地运行，那么权重是否可获得、现有实现是否支持，会成为前置条件。如果目标只是比较文档处理结果，托管服务的限制与计费则可能更重要。两种项目不必共用相同的筛选顺序。
再做一次纸面条件变化：原本可接受云端调用，现在要求材料只留在本机。检查原来的方案是否仍然成立。若不成立，应重新评估，而不是只把模型名称换成带有 Small 的产品。
也可以让同学只读这张表，解释你为何没有选择某个方案。若他只能理解成“分数不够高”，说明你还没有把资源与使用条件写清楚。
这份表不是性能测试结果。它可以作为决策前的资料整理，之后再把实际测试逐项补进去。把未知留出来，反而能防止项目从一开始就建立在未经确认的部署假设上。
把读懂规格 变成可展示的能力
一份模型选择备忘录，可以从同一个业务问题出发，列出候选方案的可用方式、资源条件、数据输入与主要限制。未知的地方留空，并写明需要查什么。
随后解释你淘汰了哪个方案。可能不是它能力弱，而是权重尚不可得、现有工具不支持，或预算与维护条件不匹配。能给出这种理由，说明你在作工程选择，而非追逐模型排名。
对于后端、系统或数据背景的候选人，这是一种很实用的切入方式。你不必先训练一个新模型，也可以展示怎样把模型能力与实际系统条件接起来。
名字里的 Small 可以留下很强印象，但项目能不能成立，需要更多具体信息。先确认数字各自在说什么，再决定要比较什么，这比收集更多模型名称更接近 AI 工程的日常。
还应把模型规格与产品定位分开。某个名字可能是在同一发布系列内部作相对区分，并没有承诺任何个人设备条件。阅读选择表时，让每一项硬件判断都能回到具体资料，而不是由名称直接补出答案。
读者常问
17B 激活参数 可以当成17B模型的内存要求吗
不能直接这样换算。激活参数侧重条件计算，总参数、权重存储与运行时开销仍需单独考虑。具体要求要结合实现和配置核对，不能仅凭一次激活的规模，确定下载体积或硬件是否足够。
官方计划开放权重 可以提前写成开源吗
应保留计划与完成的区别。还要区分代码、权重和具体许可证的状态。本次官方说明有后续发布安排，成文时按已核对的状态描述，未来若发生变化，再更新对应信息。
总参数更大 是否代表所有任务更强
不能只凭规模作这种结论。任务、训练与运行方式都会影响表现。可以先用规格理解约束，再用明确任务比较效果。若没有独立测试，就不要把发布方给出的综合成绩扩展成自己的使用结论。
为什么还要做简单的权重体积估算
估算能帮助识别量级和口径错误，尤其防止把激活参数误当作全部权重。但它只是带有假设的算术，不能替代实际文件、缓存与运行需求。写出假设和单位，才知道这个估算可以回答到哪一步。
- 发布 Inkling 2 Small· X / 原始帖文
- 官方介绍· thinkingmachines.ai
- Hugging Face 的 MoE 说明· huggingface.co
结合目标岗位，梳理已有经历、本人贡献和可核查的项目成果，讨论下一步准备重点。