商业模式拆解 · Thinking Machines Lab
Thinking Machines Lab：卖微调API养研究，钱烧在算力上
靠Tinker微调API按token收费，用大额融资买算力，赌团队能撑到商业化成熟。
关键数字
Tinker面向想掌控数据与算法、不愿管理基础设施的研究者与开发者，按每百万token的训练、采样和存储收费，收入来自项目式微调而非大规模推理。钱主要花在英伟达GB300和Vera Rubin算力上，以多年协议锁定供给。公司靠大额股权融资活着，赌的是明星团队能持续吸引资金、Tinker能积累用户。最大风险是核心人才外流和算力成本与定价的倒挂；最可能的结局是成为中等规模微调平台，或被收购。
产品与模型
Tinker用LoRA微调降低门槛，但把模型选择权交给第三方
Tinker基于LoRA微调，支持监督学习与强化学习，用户可下载保存的checkpoint。它提供29个模型变体，覆盖Qwen、Kimi、Nemotron、GLM、DeepSeek、GPT-OSS与Inkling，从Llama-3.2-1B到Qwen3.5-397B-A17B等大型MoE。这种设计让开发者不必从头训练，但模型能力上限取决于第三方开源模型，Thinking Machines自身不拥有底层模型。
依据R13R10R6Inkling推理Beta尚未建议用于生产，自研模型商业化滞后
Tinker提供Inkling与Inkling-Small的serverless推理Beta，但官方尚未建议用于密集生产。Inkling serverless推理定价为输入1.00美元、缓存输入0.17美元、输出4.05美元每百万token（与训练价口径不同），显示公司尝试用自研模型补充收入，但当前阶段仍以微调服务为主。自研模型推理业务尚未成熟，收入贡献有限。
依据R4收入模式
按每百万token收训练费，定价随模型与上下文长度浮动
Tinker的主要收入来自微调训练，按每百万token计费。价格因模型和上下文长度而异：Inkling 64K上下文训练价5.61美元每百万token（限时五折），GLM-5.3 256K训练价14.58美元每百万token。这种定价把成本转嫁给用户，但训练任务是一次性项目，收入不随用户业务增长而线性增长。
依据R4R6checkpoint存储与缓存折扣：用低价存储锁定用户，但收入天花板低
checkpoint存储收费为每GB每月0.10美元，缓存prefill token享80%折扣。存储费虽低，但能增加用户迁移成本；缓存折扣鼓励用户重复使用同一模型，提升采样收入。然而，存储单价极低，对总收入贡献有限，更多是防御性定价。
依据R4R6R13客户与市场
客户是想完全掌控数据与算法、不想管理基础设施的研究者与开发者
Tinker面向希望完全掌控数据与算法、不想管理基础设施的研究者与开发者，支持从1B小模型到397B大型MoE。公司称用户数据仅用于微调其自身模型，不用于训练公司自有模型，这吸引对数据隐私敏感的客户。但这类客户规模有限，且多为项目制，付费持续性依赖其研究进展。
依据R13获客与渠道
靠API文档和开发者社区自传播，没有企业销售团队
Tinker以API形式提供，用户通过官网和文档自助接入。公开资料未披露销售团队规模；从Tinker以API和文档自助接入的方式看，早期触达可能以开发者社区为主（推断）。这种轻渠道适合早期获客，但难以拿下大型企业合同，收入增长依赖开发者自发传播。
依据R13R4成本结构
钱花在算力上：与Google Cloud和英伟达签多年大额协议
2026年4月与Google Cloud签署单位数十亿美元级（single-digit billions）多年协议，使用Nvidia GB300算力；2026年3月与英伟达达成战略合作，含未披露金额投资及多年部署1吉瓦Vera Rubin算力协议。这些协议锁定长期算力供给，但也意味着固定成本高昂，收入若不及预期将挤压现金流。
依据R3R11R14融资与资本
靠股权融资活着：20亿美元种子轮，新一轮洽谈中
2025年7月以120亿美元估值完成20亿美元种子轮，a16z领投，投资方含英伟达、AMD、思科、Jane Street，阿尔巴尼亚政府参与投资1000万美元。2025年11月据报正洽谈以500亿美元估值进行新一轮融资。公司尚未披露收入或盈利情况，当前运营依赖融资资金。
依据R11R14R1R2护城河
明星团队是当前最大资产，但人才流失正在削弱它
创始人米拉·穆拉蒂和约翰·舒尔曼的声誉帮助公司获得融资和早期关注。然而，据报原始创始团队中5人去了Meta、3人回OpenAI（即2026年1月重返OpenAI的Barret Zoph、Luke Metz、Sam Schoenholz）、1人加入xAI，构建Tinker的核心工程师Joshua Gross于2026年3月加入Meta Superintelligence Labs。Meta曾据报出价约10亿美元收购被拒，随后逐个挖走创始成员；该收购报价与个人薪酬包报道口径不同，不可直接比较。团队优势正在被侵蚀，尚未形成产品层面的护城河。
依据R1R2R9风险与不确定性
核心人才持续流失，产品迭代能力存疑
2026年1月Barret Zoph、Luke Metz、Sam Schoenholz离开并重返OpenAI，Soumith Chintala出任CTO；2025年10月联合创始人Andrew Tulloch离职加入Meta，据报六年薪酬包15亿美元（该数字为个人薪酬包报道，与收购报价口径不同）。据报（低置信度）至少还有两名研究员可能在数周内加入OpenAI。关键技术人员流失可能影响Tinker的维护和升级，削弱客户信心。
依据R1R2R7R9算力成本高企与token定价之间的利润空间不明
公司签署了多年大额算力协议，但Tinker的token定价相对透明且面临竞争。若用户训练量不足，固定算力成本将难以摊薄。公开资料未披露毛利率和利用率，但高额算力承诺与项目制收入之间的匹配是核心财务风险。
依据R3R4R6关键节点
公司成立于旧金山，注册为公益公司，据报已从OpenAI、Meta AI、Mistral等挖角约30名研究人员与工程师R11R14
发布首个产品Tinker微调API；联合创始人Andrew Tulloch离职加入Meta，据报六年薪酬包15亿美元R11R14R3R1
Barret Zoph、Luke Metz、Sam Schoenholz离开并重返OpenAI，Soumith Chintala出任CTOR2R7R9
与英伟达达成战略合作，含未披露金额投资及多年部署1吉瓦Vera Rubin算力协议；核心工程师Joshua Gross加入Meta Superintelligence LabsR11R14R1
与Google Cloud签署单位数十亿美元级（single-digit billions）多年协议，使用Nvidia GB300算力R3
对AI原生公司创始人的启示
这一节是编辑判断，基于上面的证据推演，不是公司原话。
把训练成本按 token 转嫁给用户，是项目制收入下唯一能控住现金流的做法
Tinker 的主要收入来自微调训练，按每百万 token 计费，价格随模型和上下文长度浮动，checkpoint 存储另收每 GB 每月 0.10 美元。对小团队来说，这套计价方式值得直接照搬：把一次性训练任务拆成可计量的 token 单位报价，用户做多少付多少，你不需要提前垫算力，也不会因为客户业务增长慢而被固定成本拖住。存储费单价虽低，但能增加迁移成本，属于低成本防御手段。
借不了的是背后的算力盘子。Thinking Machines 与 Google Cloud 签了单位数十亿美元级的多年协议、与英伟达锁定 1 吉瓦 Vera Rubin 部署，这种固定成本要靠持续融资摊薄。小团队应改用按需付费的云算力，不要签多年承诺，否则训练量不足时固定成本会直接压垮现金流。
用第三方开源模型做微调层，能快速起量，但产品上限不由自己决定
Tinker 提供 29 个模型变体，覆盖 Qwen、Kimi、Nemotron、GLM、DeepSeek、GPT-OSS 与 Inkling，自身不拥有底层模型。小团队可以借这个思路：不训练基座，只做微调、数据管控和工具链，把模型选择权交给用户，自己专注在数据隐私承诺和接入体验上——Tinker 明确用户数据只用于微调其自身模型，这对隐私敏感的客户是有效卖点。
借不了的是自研模型这条退路。Thinking Machines 有 Inkling 推理 Beta 作为补充收入，但官方尚未建议用于密集生产，说明自研模型商业化同样滞后。小团队没有资本和算力去养一个自研模型，一旦第三方开源模型能力或授权条件变化，微调层的价值会被直接压缩，这是结构性风险，不是运营能解决的。
明星团队能换来融资和算力协议，但换不来产品层面的护城河
Thinking Machines 靠米拉·穆拉蒂和约翰·舒尔曼的声誉拿到 20 亿美元种子轮、120 亿美元估值，并吸引英伟达、AMD、思科等投资方。但原始创始团队大量流失，构建 Tinker 的核心工程师也已离开，Meta 曾据报出价约 10 亿美元收购被拒后逐个挖人。这说明声誉资产不能沉淀为产品壁垒，小团队更不该把公司信用押在几个人的履历上。
可以借的是把关键知识写进文档和自动化流程，降低单点依赖；借不了的是用创始人名气换融资和多年算力协议——那需要明星团队、大额资本和渠道同时到位。小团队应把资源放在让产品本身可被替换成本高的地方，比如数据管控承诺和用户迁移成本，而不是复制这种融资驱动模式。
公开资料没有回答的问题
- Tinker的实际用户数和收入贡献未披露
- 与Google Cloud和英伟达协议的财务条款未披露
- 公司毛利率和算力利用率未披露
- 新一轮融资是否完成未披露
证据来源
正文里的编号对应下面的来源。数字没有来源的句子在成稿前已被删除；公开资料未披露的直接写明未披露。
- R1Meta hires five Thinking Machines Lab founders including a reported $1.5 billion engineerthenextweb.com · 媒体与披露 · 可信度 88
- R2OpenAI poaches founding members of Thinking Machines Lab in escalating AI talent battle - Journalism of Courageindianexpress.com · 媒体与披露 · 可信度 86
- R3Exclusive: Google deepens Thinking Machines Lab ties with new multibillion-dollar deal | TechCrunch - Former OpenAI executive Mira Murati’s startup, Thinking Machines Lab, has signed a new multibillion-dollar agreement to expand i...techcrunch.com · 媒体与披露 · 可信度 86
- R4Tinker Pricingthinkingmachines.ai · 一手来源 · 可信度 86
- R5Tinker pricing 2026 | OMR Reviewsomr.com · 媒体与披露 · 可信度 86
- R6tinker-docs.thinkingmachines.aitinker-docs.thinkingmachines.ai · 一手来源 · 可信度 86
- R7Mira Murati’s Thinking Machines Lab Takes Talent Hit, Two Cofounders & Researcher Rejoin OpenAI – Outlook Business - Summary of this articleoutlookbusiness.com · 媒体与披露 · 可信度 86
- R8Models & Pricingtinker-docs.thinkingmachines.ai · 一手来源 · 可信度 86
- R9Inside OpenAI’s Raid on Thinking Machines Lab - Skip to main contentwired.com · 媒体与披露 · 可信度 86
- R10Tinker Details & Reviews | OMR Reviews - Listed in the following categories:omr.com · 媒体与披露 · 可信度 85
- R11思维机器实验室 - 维基百科，自由的百科全书 - 思维机器实验室[编辑]zh.wikipedia.org · 媒体与披露 · 可信度 85
- R12Mira Murati Aims to Bridge Human-AI Gap With New Firmbankinfosecurity.net · 媒体与披露 · 可信度 85
- R13Tinkerthinkingmachines.ai · 一手来源 · 可信度 85
- R14思維機器實驗室 - 維基百科，自由的百科全書 - 思維機器實驗室zh.wikipedia.org · 媒体与披露 · 可信度 85
由 EveryTik 调研流水线生成（deepseek-flash），经结构门禁、数字核对与独立审稿；引用 11 个来源、9 个独立域名。发现错误请以公开来源为准，我们会在下一轮调研时修正。