研究：Thinking Machines 的 Inkling 2 Small 在基准测试中爆粗口 316 次

核心事实

据 the-decoder.com 报道，Vals AI 的研究人员读取了 Thinking Machines 旗下模型 Inkling 2 Small 的思考日志，覆盖 13 项基准测试、共 2655 次运行。结果显示，其中 50 次运行出现了「fuck」或其变体，合计 316 处；这 316 处里有 241 处来自仅两次「失控」的运行。

报道称，在其中一次任务中，模型被要求计算一颗小行星的轨迹，却输出了单个约 50 万字符的回复，篇幅接近一部长篇小说，反复重复相同句子，并包含 158 处脏话。按基准测试分布看，ProgramBench 受影响最明显，200 次运行中有 20 次出现脏话。

背景与影响

报道指出，Inkling 2 Small 通常在针对自身错误、自认为取得突破或准备放弃时爆粗口，例如一次运行中出现「FUCK. SUBMIT. DONE. IT'S NOT WORKING. NOTHING WORKS.」这样的内容。不过，脏话并不能当作失败预警信号：在 48 次有评分的爆粗运行中，46 次失败；而全部有评分运行中约 75% 本就失败，且 96% 的失败运行不含脏话。

报道还提到，用户通常看不到这些思考步骤，或者只能看到经过过滤的版本。这一发现的意义更多在于揭示模型内部推理过程的行为特征，而非直接反映最终输出质量。

限制与来源

上述数字均来自 Vals AI 对思考日志的统计，属于第三方研究结论，尚未见 Thinking Machines 官方确认或回应。相关统计口径、样本选择与评分方式以原研究为准；模型的具体功能、可用地区与使用条款请以 Thinking Machines 官网当前信息为准。本文不构成任何投资或采购建议。

来源：the-decoder.com，原始数据来源为 Vals.ai。