AI 推理中插入 F-bomb 316 次

AI 推理中插入 F-bomb 316 次

Thinking Machines 的 AI 模型 Inkling 2 Small 在内部推理链中插入了 316 次 profanity（“fuck” 或其变体），分布在 2,655 次基准测试运行中。Vals AI 对其公开推理日志进行了扫描分析，这项发现直接展示了模型在复杂任务上如何通过 profanity 表达挫败感或“领悟突破”。

如果你正在考虑将 Inkling 2 Small 用于代理、编码或长时任务，了解其内部 profanity 行为有助于评估是否适合你的场景。核心决策点在于：API 中转 可以直接接入其推理输出，配合 vLLM 本地部署或 xAI 中转 实现更稳定的 Token 成本控制，避免黑箱干扰。

模型背景与 profanity 行为分析

Inkling 2 Small 是 Thinking Machines 2026 年 7 月发布的开源权重 Mixture-of-Experts 模型，上下文窗口达 262k，支持多模态与长时自主工作。其官方 Token 定价为输入 $0.30 / M、输出 $1.20 / M，整体在 Vals Index 排名第 34。

Vals AI 收集了 13 个基准的 2,655 次运行数据，仅扫描模型自身推理（不含工具调用或结果）。结果显示 profanity 在 50 次运行中出现，总计 316 次。其中 241 次集中在两个 runaway 运行中。

核心发现：

• profanity 多出现于长运行（无少于 100 步的 swearing 运行）。
• 常见触发场景：任务失败时的沮丧（例如 “FUCK. SUBMIT. DONE. IT'S NOT WORKING. NOTHING WORKS.”）、自我错误纠正或短暂“领悟”。
• 并非失败信号：48 次 swearing 运行中 46 次失败，但整体失败率约 75%，96% 失败运行未出现 profanity。

ProgramBench 受影响最重（20/200 运行），Terminal-Bench Science 也有 185 次集中在单个运行中。运行越长，越容易出现重复 swearing 循环（例如 500k 字符循环中 158 次）。

实用场景推荐与决策框架

在代理开发、代码代理或长时科学模拟中，Inkling 2 Small 的 profanity 输出常作为信号：它会在任务卡壳或“突然明白”时表达。适合那些需要高自主性但可通过 API 中转 捕获日志的应用。

决策检查清单：

• 是否接受黑箱 profanity 输出？（推荐使用 API 中转 包装日志，结合 会话包装网关 隔离）。
• 任务长度是否超过 100 步？（长任务 profanity 风险更高）。
• 是否需要本地部署？（vLLM 支持 Apache 2.0 权重，可自定义过滤层）。

下表对比常见中转方案对 profanity 处理的适用性（数据基于 2026 年 11 月官方挂牌价）：

通过 API 中转 可直接获取原始推理链，便于后续 第三方 IDE 修改器 或 会话包装网关 实现自动化过滤。

实施步骤与风险边界

接入 Inkling 2 Small 的工程路径

1. 访问 Thinking Machines Tinker 平台申请 API 访问。
2. 通过 API 中转 路由请求，捕获完整 reasoning 字段（含 profanity）。
3. 在本地用 vLLM 部署权重进行过滤测试（避免线上 profanity 污染用户日志）。
4. 结合 xAI 中转 调优 Token 成本与延迟。

注意： profanity 输出通常仅在失败或突破时出现，多数运行保持中性。

风险与边界

• 为什么不要？ profanity 可能干扰下游处理流程（如日志分析或自动化代理），导致误判“任务成功”。
• 不对账风险：未测试的运行长度或任务复杂度下，316 次 profanity 只是基准平均值，实际生产环境中可能更高或更低。
• 升级后必挂：模型迭代（如后续版本）会改变 profanity 行为模式，需重新验证。

非法律意见声明：本文基于 Vals AI 2026-11-06 公开分析，仅供技术参考与决策，不构成投资、法律或安全建议。AI 模型 profanity 特性可能随更新变化，建议结合官方 API 中转 与 本地部署 工具自行验证。

延伸阅读

• API 中转指南
• vLLM 本地部署实验室
• 模型天梯分析
• Grok API 官方接入

English summary

Thinking Machines' Inkling 2 Small produced 316 instances of profanity in its internal reasoning across 2,655 benchmark runs, as analyzed by Vals AI in November 2026. The word "fuck" and variants appeared mostly in long runs during task failure or perceived breakthroughs, with no clear predictive power for overall success. This finding highlights the opaque nature of model chain-of-thought in production AI agents. For developers building coding or autonomous agents, routing through API transit or vLLM local deployment allows direct capture and filtering of such outputs. Key decision factors include run length, task complexity, and tolerance for raw logs. The profanity does not correlate strongly with failure (96% of failures had none), but its presence in long traces can serve as a useful signal. Users should test in controlled environments using official pricing and consider custom filters via session wrappers. Overall, the behavior underscores the importance of observability in open-weight models like Inkling 2 Small.