Thinking Machines Lab، استارت‌آپ هوش مصنوعی که توسط مدیر ارشد فناوری OpenAI، میرا موراتی تأسیس شد، در 20 نوامبر 2026 یک مدل وزن باز جدید منتشر کرد: Inkling 2 Mini، یک مدل جمع‌وجور که حول یک معماری غیرعادی ساخته شده است که شرکت می‌گوید به آن اجازه می‌دهد بسیار بالاتر از تعداد پارامترهایش باشد. این مدل به اندازه‌ای کوچک است که می‌تواند به صورت محلی روی لپ‌تاپ‌های مصرف‌کننده اجرا شود و مجموع حافظه آن تقریباً 20 گیگابایت است.

اعداد عنوان برای کلاس اندازه قابل توجه است. طبق اعلام این شرکت، Inkling 2 Mini در هر مدل وزن باز با کمتر از 100 میلیارد پارامتر کل در DeepSWE v1.1 با حل 48.2 درصد از وظایف و در Vals Index v2.2 با کسب 46.5 درصد پیشتاز است. هر دو معیار توانایی کدگذاری عاملی را می سنجند که یکی از بحث برانگیزترین مرزهای قابلیت در صنعت در حال حاضر است. For more context on this story, see our ongoing AI news.

چه چیزی یک ترانسفورماتور حلقه شده را متفاوت می کند

Inkling 2 Mini یک ترانسفورماتور حلقه دار است. مدل به جای اینکه هر توکن را دقیقاً یک بار از هر لایه عبور دهد، لایه های میانی خود را سه بار در هر توکن اجرا می کند. در واقع، این مدل می‌تواند محاسبات متوالی بیشتری را بدون ایجاد نشانه‌های خروجی بیشتر برای یک مسئله اعمال کند.

چارچوب بندی این شرکت این است که حلقه کردن به مدل اجازه می دهد تا بدون نوشتن استدلال خود بیشتر استدلال کند. استدلال سنتی زنجیره‌ای از فکر، نشانه‌هایی را صرف مراحل میانی قابل مشاهده می‌کند. حلقه خرج محاسبه به جای. این عواقب واقعی برای سرعت در کارهایی دارد که کیفیت استدلال بیش از شمارش نشانه مهم است و کدنویسی عامل دقیقاً این نوع کار است.

زیر کاپوت، Inkling 2 Mini یک مدل ترکیبی از متخصصان با 26.4 میلیارد پارامتر کل و فقط 3.4 میلیارد فعال در هر توکن، با 5.4 میلیارد فعال سازی وزن در هر توکن پس از محاسبه حلقه است. بیشتر وزنه ها آموزش داده شده اند و به صورت بومی در NVFP4 مستقر شده اند، فرمت کم دقت انویدیا در خط تولید مرکز داده خود به کار گرفته شده است و چهار لایه نهایی در MXFP8 نگهداری می شود. ترکیبی از کوانتیزاسیون تهاجمی و تعداد پارامترهای فعال کوچک چیزی است که مدل را در فضایی تقریباً 20 گیگابایتی فشرده می‌کند که بر روی لپ‌تاپ‌ها و ماشین‌های هوش مصنوعی رومیزی قرار می‌گیرد.

آزمایشگاه این مدل را در حال اجرا آفلاین، در حالت هواپیما، بر روی یک مک بوک پرو با تراشه M5 Pro و 48 گیگابایت حافظه نشان داد و در آنجا یک شبیه ساز پرواز قابل پخش در چند دقیقه ساخت.

بازبینی قابلیت نظارت

انتشار با تحقیقاتی همراه است که ممکن است مهمتر از معیارها باشد. اگر مدلی به‌جای بیان زنجیره فکری خود در نشانه‌ها، به‌جای بیان زنجیره‌ای فکری خود از طریق حلقه‌ها، استدلال درونی می‌کند، آنگاه متن استدلال قابل مشاهده، پنجره‌ای وفادار به آنچه مدل در واقع انجام می‌دهد، نخواهد بود. این امر پیامدهایی برای تحقیقات ایمنی هوش مصنوعی دارد، جایی که نظارت بر زنجیره فکری به یکی از معدود ابزارهای نظارتی عملی در دسترس تبدیل شده است.

در کنار Inkling 2 Mini، Thinking Machines یک نوع حلقه متغیر مخصوص تحقیقات را برای اندازه‌گیری اثر منتشر کرد. نتایج در جهتی دلگرم‌کننده برای توانایی، مسیری پیچیده‌تر برای نظارت کاهش می‌یابد. افق زمانی مدل حلقه متغیر در کارهایی که بدون هیچ گونه زنجیره فکری انجام می‌شد، از 16 ثانیه در یک پاس به 37 ثانیه در سه حلقه بهبود یافت، و عملکرد در معیار استدلال سریالی تا ده حلقه بهبود یافت - دو برابر بیشتر از آنچه مدل با آن آموزش داده شده بود.

در همین حال، با اضافه شدن حلقه‌ها، زنجیره فکری قابل مشاهده کوتاه‌تر شد، اما شرکت گزارش می‌دهد که در کل خوانا باقی می‌ماند، و با افزایش عمق حلقه‌ها، مدل در آزمایش‌های خرابکاری عاملی روند بالاتری نداشت. Thinking Machines اینها را به‌عنوان برخی از اولین مدل‌های معماری حلقه‌ای در دسترس محققان توصیف می‌کند و انتشار را تا حدی به عنوان دعوتی برای جامعه ایمنی برای مطالعه قابلیت نظارت بر وزن‌های واقعی به جای تنظیمات شبیه‌سازی شده، قرار می‌دهد.

یک بازی رقابتی در کلاس Sub-100B

معیارها Inkling 2 Mini را در برابر میدان شلوغ زیر 100B قرار می‌دهند که شامل مدل‌های Gemma 4 در محدوده 26B–31B، Qwen3.8-27B، Muse Glimmer و یک مدل پیش‌نمایش 65B به نام ریپل است. Thinking Machines ادعا می‌کند که مدل آن نیز سریع‌تر از رقبای مشابه اجرا می‌شود و به توان عملیاتی توکن نظری در اندازه یک دسته اشاره می‌کند.

بخش زیر 100B به دو دلیل از نظر استراتژیک مهم شده است. اولاً، استقرار روی دستگاه و خصوصی به سرعت در حال رشد است زیرا شرکت‌ها از ارسال داده‌های حساس به APIهای میزبان خودداری می‌کنند. دوم، اقتصاد هر توکن برای استنتاج محلی به طور فزاینده‌ای از مدل‌های کوچک و کوانتیزه‌شده تهاجمی نسبت به نسخه‌های مقطر مدل‌های بزرگ ترجیح می‌دهد. یک MoE 26.4B که به صورت بومی در NVFP4 با محاسبات حلقه ای اجرا می شود، پاسخی مستقیم به آن بازار است.

این مدل در Hugging Face با کارت مدل منتشر شده در دسترس است و Thinking Machines دسترسی را از طریق پلتفرم تنظیم دقیق Tinker خود ترویج می کند. بین این نسخه و مدل‌های قبلی خانواده Inkling آزمایشگاه، این استارت‌آپ در حال ایجاد هویت فنی متمایز پیرامون مقیاس‌بندی محاسباتی به سبک تکراری است، در زمانی که اکثر آزمایشگاه‌های مرزی بر روی پارامترها و داده‌های مقیاس‌بندی متمرکز هستند.

چه حلقه‌بندی به یک معماری اصلی تبدیل شود و چه به عنوان یک جایگاه باقی بماند، انتشار لحظه‌ای قابل توجه را نشان می‌دهد: یکی از استارت‌آپ‌های هوش مصنوعی که از نزدیک تماشا می‌شود شرط‌بندی است که محاسبات هوشمندانه‌تر به ازای هر توکن - نه توکن‌های بیشتر و نه پارامترهای بیشتر - جایی است که دستاوردهای بعدی زندگی می‌کنند.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →