أصدرت شركة Thinking Machines Lab، وهي شركة ناشئة تعمل بالذكاء الاصطناعي أسستها ميرا موراتي، كبيرة مسؤولي التكنولوجيا السابقة في OpenAI، نموذجًا جديدًا للأوزان المفتوحة في 20 نوفمبر 2026: Inkling 2 Mini، وهو نموذج مدمج مبني على بنية غير عادية تقول الشركة إنها تتيح له تحقيق أعلى بكثير من عدد المعلمات الخاصة به. هذا النموذج صغير بما يكفي لتشغيله محليًا على كمبيوتر محمول للمستهلك، مع مساحة ذاكرة إجمالية تبلغ حوالي 20 جيجابايت.
الأرقام الرئيسية ملفتة للنظر بالنسبة لفئة الحجم. وفقًا لإعلان الشركة، يتصدر Inkling 2 Mini جميع النماذج ذات الأوزان المفتوحة مع أقل من 100 مليار معلمة إجمالية على DeepSWE v1.1، مما يؤدي إلى حل 48.2 بالمائة من المهام، وعلى مؤشر Vals v2.2، حيث سجل 46.5 بالمائة. يقيس كلا المعيارين قدرة التشفير الوكيل، وهي واحدة من أكثر حدود القدرات المتنازع عليها تجاريًا في الصناعة في الوقت الحالي. لمزيد من السياق حول هذه القصة، راجع أخبار الذكاء الاصطناعي.
ما الذي يجعل المحول الحلقي مختلفًا
Inkling 2 Mini عبارة عن محول حلقي. بدلاً من تمرير كل رمز مميز عبر كل طبقة مرة واحدة بالضبط، يقوم النموذج بتشغيل طبقاته الوسطى ثلاث مرات لكل رمز مميز. في الواقع، يمكن للنموذج تطبيق حسابات أكثر تسلسلاً على المشكلة دون إنشاء المزيد من الرموز المميزة للمخرجات.
يتمثل إطار الشركة في أن التكرار يسمح للنموذج بالتفكير لفترة أطول دون تدوين أسبابه. ينفق المنطق التقليدي لسلسلة الأفكار الرموز المميزة على خطوات وسيطة مرئية؛ حلقات تنفق حساب بدلا من ذلك. وهذا له عواقب حقيقية على السرعة في المهام التي تكون فيها جودة الاستدلال أكثر أهمية من عدد الرموز المميزة، والبرمجة الوكيلة هي بالضبط هذا النوع من المهام.
تحت الغطاء، يعتبر Inkling 2 Mini نموذجًا مختلطًا من الخبراء يحتوي على 26.4 مليار معلمة إجمالية و3.4 مليار فقط نشط لكل رمز، مع 5.4 مليار عملية تنشيط للوزن لكل رمز بمجرد حساب التكرار. تم تدريب معظم الأوزان ونشرها محليًا في NVFP4، وقد تم استخدام التنسيق منخفض الدقة Nvidia عبر تشكيلة مركز البيانات الخاصة بها، مع الاحتفاظ بالطبقات الأربع الأخيرة في MXFP8. إن الجمع بين القياس الكمي القوي وعدد صغير من المعلمات النشطة هو ما يضغط النموذج إلى مساحة تبلغ حوالي 20 جيجابايت تناسب أجهزة الكمبيوتر المحمولة وأجهزة الذكاء الاصطناعي المكتبية.
أظهر المختبر النموذج الذي يعمل دون اتصال بالإنترنت، في وضع الطائرة، على جهاز MacBook Pro المزود بشريحة M5 Pro وذاكرة سعة 48 جيجابايت، حيث تم إنشاء جهاز محاكاة طيران قابل للتشغيل في بضع دقائق.
مقايضة إمكانية المراقبة
يرافق الإصدار أبحاث قد تكون أكثر أهمية من المعايير. إذا كان النموذج يفكر داخليًا من خلال الحلقات بدلاً من التعبير عن سلسلة أفكاره بالرموز، فإن نص الاستدلال المرئي يتوقف عن كونه نافذة صادقة لما يفعله النموذج بالفعل. وهذا له آثار على أبحاث سلامة الذكاء الاصطناعي، حيث أصبحت مراقبة سلسلة الأفكار واحدة من أدوات الرقابة العملية القليلة المتاحة.
جنبًا إلى جنب مع Inkling 2 Mini، أصدرت شركة Thinking Machines متغيرًا متغير الحلقة خاصًا بالبحث لقياس التأثير. وتسير النتائج في اتجاه مشجع فيما يتعلق بالقدرات، وهو ما يزيد من تعقيد عملية الرقابة. تحسن الأفق الزمني لنموذج الحلقة المتغيرة للمهام المكتملة دون أي سلسلة من الأفكار من 16 ثانية في تمريرة واحدة إلى 37 ثانية في ثلاث حلقات، واستمر الأداء على مقياس التفكير التسلسلي في التحسن إلى عشر حلقات - أي ضعف ما تم تدريب النموذج عليه.
وفي الوقت نفسه، أصبحت سلسلة الأفكار المرئية أقصر مع إضافة الحلقات، لكن الشركة ذكرت أنها ظلت واضحة طوال الوقت، ولم يتجه النموذج إلى الأعلى في اختبارات التخريب العميل مع زيادة عمق الحلقات. تصف شركة Thinking Machines هذه النماذج بأنها بعض نماذج البنية الحلقية الأولى المتاحة للباحثين، حيث تضع الإصدار جزئيًا كدعوة لمجتمع السلامة لدراسة إمكانية المراقبة على أوزان حقيقية بدلاً من الإعدادات المحاكاة.
لعب تنافسي في فئة Sub-100B
تضع المعايير Inkling 2 Mini في مواجهة حقل مزدحم دون 100B يتضمن نماذج Gemma 4 في نطاق 26B–31B، وQwen3.8-27B، وMuse Glimmer، ونموذج معاينة 65B يسمى Ripple. تدعي شركة Thinking Machines أن نموذجها يعمل أيضًا بشكل أسرع من المنافسين ذوي الأداء المماثل، مستشهدة بإنتاجية الرمز المميز النظرية بحجم الدفعة الأولى.
أصبح الجزء دون 100B ذا أهمية استراتيجية لسببين. أولاً، ينمو النشر على الجهاز والخاص بسرعة حيث تمتنع المؤسسات عن إرسال البيانات الحساسة إلى واجهات برمجة التطبيقات المستضافة. ثانياً، تفضل اقتصاديات كل رمز للاستدلال المحلي على نحو متزايد النماذج الصغيرة المكمَّمة بقوة على النسخ المقطرة من النماذج الكبيرة. إن 26.4 مليار MoE التي تعمل أصلاً في NVFP4 مع الحوسبة الحلقية هي إجابة مباشرة لهذا السوق.
يتوفر النموذج على Hugging Face مع بطاقة نموذجية منشورة، وتقوم شركة Thinking Machines بترويج إمكانية الوصول إليه من خلال منصة الضبط الدقيق Tinker الخاصة بها. بين هذا الإصدار ونماذج عائلة Inkling السابقة للمختبر، تقوم الشركة الناشئة ببناء هوية تقنية متميزة حول قياس الحوسبة بأسلوب التكرار في الوقت الذي تظل فيه معظم المعامل الحدودية تركز على قياس المعلمات والبيانات.
سواء أصبحت الحلقات بنية سائدة أو ظلت متخصصة، فإن الإصدار يمثل لحظة ملحوظة: إحدى الشركات الناشئة في مجال الذكاء الاصطناعي الأكثر مراقبة عن كثب تراهن على أن الحساب الأكثر ذكاءً لكل رمز مميز - وليس المزيد من الرموز المميزة، وليس المزيد من المعلمات - هو المكان الذي تعيش فيه المكاسب التالية.
---
ابق على اطلاع بأخبار الذكاء الاصطناعيآخر أخبار وتحليلات وإنجازات الذكاء الاصطناعي — في مكان واحد.
اقرأ المزيد من أخبار الذكاء الاصطناعي →