Thinking Machines Lab، استارت آپ هوش مصنوعی که توسط مدیر سابق فناوری OpenAI Mira Murati تأسیس شد، Inkling-Small را منتشر کرده است، مدلی با وزن باز که به گفته این شرکت با عملکرد پرچمدار خود تقریباً یک چهارم اندازه آن مطابقت دارد. این نسخه به ایالات متحده یک شرکت کننده جدی در مسابقه مدل های مرزی وزن باز می دهد - دسته ای که تاکنون تحت سلطه آزمایشگاه های چینی بوده است. پرتاب یکی از چندین حرکت سریع است که چشم انداز هوش مصنوعی منبع باز را در [اخبار جدید هوش مصنوعی] (https://aibuzzwire.news) پوشش می دهیم.

طراحی ترکیبی از متخصصان

با توجه به TestingCatalog AI News، Inkling-Small یک ترانسفورماتور مخلوط از متخصصین (MoE) است که حاوی 276 میلیارد پارامتر کل، با 12 میلیارد فعال در طول هر استنتاج معین است. این معماری - که در آن تنها یک تکه کوچک از مدل برای هر توکن "بیدار می شود" - همان ترفند کارآمدی است که باعث شده است تا مدل های وزن باز چینی مانند DeepSeek اجرا شوند. Thinking Machines تایید کرد که وزن کامل در Hugging Face منتشر می شود.

این مدل همچنین با پنجره زمینه‌ای تا یک میلیون توکن و آنچه آزمایشگاه آن را "تلاش فکری متغیر" می‌نامد، از حداقل تا "xhigh" ارائه می‌شود و به توسعه‌دهندگان اجازه می‌دهد بسته به کار، محاسبه را با عملکرد عوض کنند. تنظیم دقیق از طریق پلتفرم Tinker این شرکت در دسترس است و چت متنی، تصویری و صوتی در Tinker Playground قابل دسترسی است.

در سیستم های NVIDIA GB300 آموزش دیده است

Thinking Machines گفت که Inkling-Small بر روی سیستم‌های NVIDIA GB300 NVL72 آموزش دیده است و از "محاسبات قابل ملاحظه‌ای کمتر" نسبت به مدل اصلی Inkling که در 15 ژوئیه 2026 عرضه شد، استفاده می‌کند. اولین مدل - تحت پوشش WIRED و TechCrunch به عنوان Thinking Machines به‌عنوان برنامه‌ریزی جدی در شب تاسیس شد.

مسیر Inkling-Small یک استراتژی کارآمدی عمدی را نشان می دهد. آزمایشگاه کار بر روی مدل کوچکتر را تنها پس از آموزش Inkling آغاز کرد و از اتاق تنفس برای اصلاح ترکیب داده های قبل از آموزش و دستور العمل یادگیری ماشینی خود استفاده کرد. یک ایست بازرسی قبلی تا حدودی از طریق تقطیر بر اساس سیاست آموزش داده شد، با اینکلینگ به عنوان معلم، و پس از آن تقریباً دو هفته یادگیری تقویتی کدگذاری عاملی مقیاس‌پذیر انجام شد.

جایی که برنده می شود - و جایی که نمی شود

نتایج آن دستور العمل قابل توجه است. Thinking Machines ادعا می‌کند که Inkling-Small در معیارهای استدلال و کدگذاری عاملی از Inkling اصلی پیشی می‌گیرد، در حالی که Inkling از نظر پوشش دانش و واقعیت قوی‌تر است. در بخش متنی آخرین امتحان انسانیت، یک ارزیابی بسیار دشوار، مدل کوچکتر گزارش شده است که نمره 31.6% را در مقایسه با 29.7% برای Inkling** کسب کرده است - یک پیشرفت واقعی علیرغم کاهش چشمگیر پارامترهای فعال.

مبادله واضح است: Inkling-Small کدنویس و استدلال کننده دقیق تر است، در حالی که برادر بزرگتر آن پایگاه دانش گسترده تری را حفظ می کند. برای توسعه دهندگان، این یک ویژگی است، نه یک اشکال - به این معنی است که ابزار مناسب برای کار را انتخاب کنید تا اینکه برای هر کار یک مدل غول پیکر را بپردازید.

یک بازیکن ایالات متحده در یک زمین وزن باز به رهبری چین

شاید بزرگترین پیامد ژئوپلیتیک باشد. همانطور که CNBC و دیگران اشاره کرده اند، مدل های مرزی با وزن باز به نقطه عطف ایالات متحده و چین تبدیل شده اند و آزمایشگاه های چینی مانند DeepSeek و Qwen از Alibaba مدل های قدرتمند را ارائه می دهند و قیمت های غربی را پایین می آورند. Forkast انتشار Inkling-Small را به صراحت بیان کرد: "مسابقه اوزان آزاد اکنون یک شرکت کننده در ایالات متحده دارد."

تا به حال، مدل‌های وزن باز پیشرو تقریباً منحصراً از چین می‌آمدند و این نگرانی را در واشنگتن به وجود آورد که آزمایشگاه‌های آمریکایی یک دسته کامل از بازار را واگذار کرده‌اند. Thinking Machines – یک استارتاپ آمریکایی که دارای بودجه خوبی است به رهبری یکی از برجسته‌ترین چهره‌های هوش مصنوعی – این محاسبات را تغییر می‌دهد. این آزمایشگاه با انتشار وزنه‌های کامل روی Hugging Face و پشتیبانی از تنظیم دقیق باز، بازی مستقیمی را برای جامعه توسعه‌دهندگان که مدل‌های وزن باز چینی پرورش داده‌اند، ایجاد می‌کند.

ساخته شده برای توسعه دهندگان، نه فقط معیارها

Thinking Machines این نسخه را با ابزارهایی که مستقیماً توسعه دهندگان را هدف قرار داده است، جفت کرده است. فراتر از وزن‌های باز Hugging Face، Databricks تأیید کرد که خانواده Inkling بر روی پلتفرم آن موجود است و Tinker Playground از چت متنی، تصویری و صوتی چندوجهی پشتیبانی می‌کند. تنظیم متغیر "تفکر تلاش" - از حداقل به "xhigh" - برای مبادلات مهندسی واقعی طراحی شده است: زمانی که یک کار ساده است، ارزان اجرا شود، زمانی که یک مشکل نیاز به استدلال عمیق تری دارد، محاسبات بیشتری را خرج کنید. این انعطاف‌پذیری برای استارت‌آپ‌هایی که صورتحساب‌های استنتاج خود را تماشا می‌کنند، مهم است، بسیاری از آنها به جای پرداخت نرخ‌های API ممتاز، به جایگزین‌های ارزان‌تر با وزن باز مهاجرت کرده‌اند.

روند کارایی در سراسر صنعت

Inkling-Small همچنین با الگوی گسترده تری مطابقت دارد. در سراسر صنعت، لبه برش از مدل‌های یکپارچه بزرگ‌تر به سمت سیستم‌های کوچک‌تر و هوشمندتر تغییر می‌کند که بیشتر از وزن خود کار می‌کنند. از مدل‌های جنگ قیمت DeepSeek گرفته تا معماری‌های فشرده، این پیام ثابت است: تعداد پارامترهای خام کمتر از میزان کارآمدی یک مدل از ظرفیت خود استفاده می‌کند.

برای Thinking Machines، شرط بندی روی کارایی بیش از اندازه اکنون دو مدل عمیق است - و معیارهای اولیه نشان می دهد که این استراتژی کار می کند. با Inkling-Small که امروزه برای دانلود و تنظیم دقیق در دسترس است، توسعه دهندگان می توانند این ادعا را برای خود آزمایش کنند.

از هوش مصنوعی جلوتر بمانید

مدل‌های جدید وزن باز هر هفته فرود می‌آیند و رقابت تنها در حال تشدید است. از طریق [پوشش صنعت هوش مصنوعی] (https://aibuzzwire.news) با هر نسخه همراه باشید.

اخبار هوش مصنوعی را بیشتر بخوانید →