Thinking Machines 的 Inkling 2 Small 在基准测试运行中爆出 316 次脏话
2026-11-08
Thinking Machines 的 Inkling 2 Small 在其内部思维链中爆粗口。Vals AI 的研究人员阅读了该模型在 13 个基准测试中 2655 次运行的思考日志，发现“fuck”或其变体出现在 50 次运行中，共计 316 次。其中 241 次来自仅仅两次失控的运行。在其中一次中，模型被要求计算一颗小行星的轨迹，它生成了单条 50 万字符的回复，大致相当于一部长篇小说的长度，重复着同样的句子，包含 158 处脏话。ProgramBench 受影响最严重，200 次运行中有 20 次受到影响。Inkling 2 Small 通常因自己的错误、看似取得的突破，或在自己放弃时爆粗口。有一次运行记录写道：“FUCK。提交。完成。它不工作。什么都不工作。”不过，脏话并不能作为预警信号起作用。虽然有 48 次带脏话的计分运行中有 46 次失败，但所有计分运行中本来就有约 75% 会失败，而且 96% 的失败运行中不含脏话。用户通常看不到这些思考步骤，或者只能在有过滤器的情况下看到。订阅 THE DECODER 可获得无广告阅读、每周 AI 通讯、每年六期独家“AI Radar”前沿报告、完整归档访问权限以及评论区访问权限。
Vals AI 研究人员翻阅 Inkling 2 Small 在 13 个基准、2655 次运行中的思维日志，发现 50 次运行出现 316 次脏话，其中 241 次来自两次失控运行；但脏话并不能作为失败预警，因为 96% 的失败运行里一句脏话都没有。
- Vals AI 研究人员翻阅 Inkling 2 Small 在 13 个基准、2655 次运行中的思维日志，发现 50 次运行出现 316 次脏话，其中 241 次来自两次失控运行；但脏话并不能作为失败预警，因为 96% 的失败运行里一句脏话都没有。
- 原贴提到：Thinking Machines' Inkling 2 Small swears in its internal chain of thoug
- 来源：the-decoder.com
这是什么信号
Vals AI 的研究人员翻阅了 Inkling 2 Small 在 13 个基准、2655 次运行中的思维日志：50 次运行里出现“fuck”及其变体，共 316 次；其中 241 次集中在两次彻底失控的运行里——一次是计算小行星轨迹时产生 50 万字符、带 158 处脏话的超长回复。ProgramBench 受影响最严重，200 次里 20 次中招。真正的信号不是“模型说脏话”，而是：思维链是一块几乎无人监管、也没有为可读性和稳定性设计的输出空间。
为什么重要
思维链长期被当作“更可信的解释”。这组数据说明它更像一个高压锅：模型在自我纠错、卡壳、放弃时会情绪化输出；一旦进入重复循环，长度和用词会同时失控。更关键的是，这项研究得出的结论：脏话不是有效的失败预警。48 次带脏话的计分运行里 46 次失败，看着吓人；但所有计分运行本来就有约 75% 失败，96% 的失败运行里一句脏话都没有。把“爆粗”当告警，会漏掉绝大多数真正的问题。
对谁有价值
做 agent 和长推理产品的工程团队会直接受益：这提醒他们给思维链加长度上限和重复检测，只加脏词过滤远远不够。做评测和红队的团队拿到的是一个可直接复用的样本：看日志比看最终答案更早发现问题。采购方与合规团队也需留意：用户通常看不到这些思考步骤，或只在有过滤的前提下看到；一旦产品把思维链暴露给用户或写进审计记录，这就变成品牌与合规风险。
可以怎么行动
- 在推理链路里加入硬约束：单次思考的最大长度、重复片段检测、连续无进展后的强制中止。
- 把失败信号从词汇匹配换成行为特征：循环、长度暴涨、反复自我否定、放弃性表述。
- 对准备展示给用户的思维链，用真实流量回放抽样一次，统计失控率和脏词率，再决定过滤还是完全不展示。
- 在评测报告里同时记录“带脏话运行的失败率”和“基线失败率”，避免因为一组表面上差异很大的对比数字就误判模型质量。
风险与限制
样本只覆盖一个模型、13 个基准、2655 次运行，且矛盾数据高度集中（241 次来自两次运行），均值容易被极端值主导。脏话频率不等于模型能力差，也不必然与最终答案错误相关——原文明确说失败运行里 96% 没有脏话。不同语言、不同提示风格下的表现也可能与基准环境差别很大。把它当“观察窗口”而不是“质量评分”更稳妥。
这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。
如果把《Thinking Machines 的 Inkling 2 Small 在基准测试运行中爆出 316 次脏话》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。