OpenAI နည်းပညာအရာရှိဟောင်း Mira Murati မှ တည်ထောင်ထားသော Thinking Machines Lab သည် 2026 ခုနှစ် နိုဝင်ဘာလ 20 ရက်နေ့တွင် အဖွင့်အလေးခံမော်ဒယ်အသစ် Inkling 2 Mini ကို ကုမ္ပဏီမှ ဖန်တီးထားသည့် ပုံမှန်မဟုတ်သော ဗိသုကာတစ်ခုဖြင့် တည်ဆောက်ထားသည့် ကျစ်ကျစ်လစ်လစ်ပုံစံဖြစ်သည့် Inkling 2 Mini ဖြစ်သည်။ မော်ဒယ်သည် အကြမ်းဖျင်းအားဖြင့် 20GB နီးပါးရှိသော သုံးစွဲသူလက်ပ်တော့တစ်လုံးတွင် အသုံးပြုရန် လုံလောက်သော သေးငယ်သည်။
အရွယ်အစားအတန်းအတွက် ခေါင်းစီးနံပါတ်များသည် ထင်ရှားပါသည်။ ကုမ္ပဏီ၏ ကြေငြာချက်အရ Inkling 2 Mini သည် DeepSWE v1.1 တွင် စုစုပေါင်းဘောင်ပေါင်း 100 ဘီလီယံအောက်ရှိသော အဖွင့်အလေးချိန်မော်ဒယ်တိုင်းကို ဦးဆောင်နေပြီး အလုပ် 48.2 ရာခိုင်နှုန်းကို ဖြေရှင်းပေးကာ Vals Index v2.2 တွင် ရမှတ် 46.5 ရာခိုင်နှုန်းရှိသည်။ စံနှုန်းနှစ်ခုစလုံးသည် ယခုစက်မှုလုပ်ငန်းတွင် စီးပွားရေးအရ အပြိုင်အဆိုင် အပြိုင်အဆိုင်အရှိဆုံး စွမ်းရည်တစ်ခုဖြစ်သည့် agentic coding စွမ်းရည်ကို တိုင်းတာသည်။ For more context on this story, see our ongoing AI trends.
Looped Transformer ကို ကွဲပြားစေသောအရာ
Inkling 2 Mini သည် looped transformer ဖြစ်သည်။ တိုကင်တစ်ခုစီကို အလွှာတစ်ခုစီကို တစ်ကြိမ်တိတိ ဖြတ်သွားမည့်အစား၊ မော်ဒယ်သည် ၎င်း၏အလယ်အလွှာကို တိုကင်တစ်ခုလျှင် သုံးကြိမ်လုပ်ဆောင်သည်။ အမှန်မှာ၊ မော်ဒယ်သည် အထွက်တိုကင်များ ထပ်မံမထုတ်ပေးဘဲ ပြဿနာတစ်ခုသို့ ဆက်တိုက်တွက်ချက်မှုကို ပိုမိုအသုံးချနိုင်သည်။
ကုမ္ပဏီ၏ဘောင်သွင်းခြင်းမှာ looping သည် မော်ဒယ်အား ကျိုးကြောင်းဆင်ခြင်မှုကို ချရေးခြင်းမပြုဘဲ ပိုမိုကြာရှည်စွာ ကျိုးကြောင်းဆင်ခြင်နိုင်စေပါသည်။ သမားရိုးကျ တွေးခေါ်မှု ကွင်းဆက် ကျိုးကြောင်းဆင်ခြင်ခြင်းသည် မြင်သာသော အလယ်အလတ်အဆင့်များပေါ်တွင် တိုကင်များကို သုံးစွဲသည်။ looping အစား compute လုပ်တယ်။ ၎င်းသည် တိုကင်ရေတွက်ခြင်းထက် ကျိုးကြောင်းဆင်ခြင်ခြင်းအရည်အသွေးက ပိုအရေးကြီးသည့် အလုပ်များတွင် မြန်နှုန်းအတွက် အမှန်တကယ်အကျိုးဆက်များရှိပြီး agentic coding သည် ထိုကဲ့သို့သောအလုပ်မျိုးဖြစ်သည်။
ဘောင်အောက်တွင် Inkling 2 Mini သည် စုစုပေါင်းဘောင်များ 26.4 ဘီလီယံပါရှိသော ပေါင်းစပ်မှုပုံစံဖြစ်ပြီး တိုကင်တစ်ခုလျှင် 3.4 ဘီလီယံသာ active ဖြစ်ပြီး၊ looping လုပ်ပြီးသည်နှင့် တိုကင်တစ်ခုလျှင် အလေးချိန် 5.4 ဘီလီယံ အလေးချိန် activations ပါရှိသည်။ အလေးချိန်အများစုကို လေ့ကျင့်ထားပြီး NVFP4 တွင် မူရင်းအတိုင်းအသုံးပြုထားပြီး၊ တိကျမှုနည်းပါးသောဖော်မတ် Nvidia သည် ၎င်း၏ဒေတာစင်တာလိုင်းအား ဖြတ်ကျော်ကာ နောက်ဆုံးအလွှာလေးခုကို MXFP8 တွင် သိမ်းဆည်းထားသည်။ ပြင်းထန်သော ပမာဏသတ်မှတ်ခြင်းနှင့် သေးငယ်သည့် ကန့်သတ်ချက်အရေအတွက်ကို ပေါင်းစပ်ထားခြင်းက မော်ဒယ်ကို လက်ပ်တော့များနှင့် desktop AI စက်များတွင် အံဝင်ခွင်ကျဖြစ်သော 20GB ခြေရာအဖြစ်သို့ ညှစ်ထုတ်ပေးသည်။
ဓာတ်ခွဲခန်းသည် အော့ဖ်လိုင်း၊ လေယာဉ်ပျံမုဒ်တွင်၊ M5 Pro ချစ်ပ်နှင့် 48GB မမ်မိုရီပါရှိသော MacBook Pro တွင် အော့ဖ်လိုင်းလည်ပတ်သည့် မော်ဒယ်ကို သရုပ်ပြခဲ့ပြီး မိနစ်အနည်းငယ်အတွင်း ကစားနိုင်သော ပျံသန်းနိုင်သော ပျံသန်းမှု Simulator ကို တည်ဆောက်ခဲ့သည်။
စောင့်ကြည့်နိုင်မှု အပေးအယူ
ထုတ်ဝေမှုသည် စံနှုန်းများထက် ပိုမိုအရေးပါသည့် သုတေသနပြုချက်ဖြင့် ပါ၀င်သည်။ မော်ဒယ်တစ်ခုသည် ၎င်း၏ တွေးခေါ်မှုကွင်းဆက်ကို တိုကင်များတွင် ဖော်ပြခြင်းထက် အတွင်းပိုင်းကို ကွင်းဆက်များဖြင့် အကြောင်းပြချက်များ ပေးပါက၊ မြင်သာသော ကျိုးကြောင်းဆင်ခြင်သည့် စာသားသည် မော်ဒယ် အမှန်တကယ် လုပ်ဆောင်နေသည့်အရာအတွက် သစ္စာရှိသော ပြတင်းပေါက်တစ်ခုအဖြစ် ရပ်သွားမည်ဖြစ်သည်။ ၎င်းသည် AI ဘေးကင်းရေး သုတေသနအတွက် သက်ရောက်မှုများ ရှိပြီး၊ တွေးခေါ်မှု ကွင်းဆက်များကို စောင့်ကြည့်လေ့လာခြင်းသည် ရရှိနိုင်သော လက်တွေ့ကျသော ကြီးကြပ်ရေးကိရိယာ အနည်းငယ်ထဲမှ တစ်ခု ဖြစ်လာပါသည်။
Inkling 2 Mini နှင့်အတူ၊ Thinking Machines သည် အကျိုးသက်ရောက်မှုကိုတိုင်းတာရန် သုတေသန-သတ်သတ်မှတ်မှတ် ပြောင်းလဲနိုင်သော-ကွင်းဆက်တစ်မျိုးကို ထုတ်ပြန်ခဲ့သည်။ ရလဒ်များသည် စွမ်းဆောင်ရည်အတွက် အားတက်စရာ ဦးတည်ချက်အဖြစ် ဖြတ်တောက်ကာ ကြီးကြပ်မှုအတွက် ရှုပ်ထွေးစေပါသည်။ တွေးခေါ်မှု ကွင်းဆက်မပါဘဲ ပြီးမြောက်နိုင်သော အလုပ်များတွင် ပြောင်းလဲနိုင်သော လှည့်ပတ်မော်ဒယ်၏ အချိန်ကာလသည် 16 စက္ကန့်မှ 37 စက္ကန့်အထိ တိုးတက်ကောင်းမွန်လာပြီး အမှတ်စဉ် ကျိုးကြောင်းဆီလျော်မှု စံနှုန်းတစ်ခုပေါ်ရှိ စွမ်းဆောင်ရည်သည် ပုံစံအတိုင်း လေ့ကျင့်ထားသည်ထက် နှစ်ဆပို၍ တိုးတက်လာသည်။
တစ်ချိန်တည်းတွင်၊ ကွင်းဆက်များထပ်ထည့်လာသည်နှင့်အမျှ မြင်နိုင်သောတွေးခေါ်ကွင်းဆက်သည် ပိုမိုတိုတောင်းလာသော်လည်း ကုမ္ပဏီက ၎င်းအား တစ်လျှောက်လုံးတွင် အလွယ်တကူသိရှိနိုင်ခဲ့ကြောင်းနှင့် looping depth တိုးလာသည်နှင့်အမျှ အေးဂျင့်ဖောက်ပြန်မှု၏စမ်းသပ်မှုများတွင် မော်ဒယ်သည် လမ်းကြောင်းပြောင်းမသွားပေ။ Thinking Machines သည် သုတေသီများအတွက် ရရှိနိုင်သော ပထမဆုံး ကွင်းဆက်-ဗိသုကာ မော်ဒယ်အချို့အဖြစ် ဖော်ပြထားပြီး၊ ထုတ်ဝေမှုကို ဘေးကင်းရေး အသိုင်းအဝိုင်းအတွက် ဖိတ်ခေါ်ချက်အဖြစ် တစ်စိတ်တစ်ပိုင်း ပုံဖော်ထားသည့် စနစ်များထက် စစ်မှန်သော အလေးချိန်များပေါ်တွင် စောင့်ကြည့်နိုင်မှုကို လေ့လာရန် ဖော်ပြသည်။
Sub-100B အတန်းတွင် အပြိုင်အဆိုင်ကစားခြင်း။
စံသတ်မှတ်ချက်များသည် 26B–31B အကွာအဝေးရှိ Gemma 4 မော်ဒယ်များ၊ Qwen3.8-27B၊ Muse Glimmer နှင့် 65B အစမ်းကြည့်ရှုသည့် Ripple ဟုခေါ်သော မော်ဒယ်လ် 65B ပါဝင်သော လူစည်ကားသော 100B အကွက်တစ်ခုနှင့် စံသတ်မှတ်ချက်များတွင် Inkling 2 Mini ကို နေရာယူထားသည်။ Thinking Machines က ၎င်း၏ မော်ဒယ်သည် အလားတူ လုပ်ဆောင်နေသည့် ပြိုင်ဖက်များထက် ပိုမိုလျင်မြန်စွာ လည်ပတ်နိုင်သည်ဟု အခိုင်အမာ ဆိုသည်၊၊ အသုတ်အရွယ်အစား သီအိုရီဆိုင်ရာ တိုကင်ပေးပို့မှုကို ကိုးကား၍
Sub-100B အပိုင်းသည် အကြောင်းရင်းနှစ်ခုအတွက် ဗျူဟာမြောက် အရေးကြီးလာသည်။ ပထမဦးစွာ၊ လက်ခံထားသည့် APIs များသို့ အထိခိုက်မခံသောဒေတာများ ပေးပို့ရာတွင် လုပ်ငန်းများသည် အကဲဆတ်သည့်အချက်အလက်များကို ပေးပို့ရာတွင် မကျေမနပ်ဖြစ်နေသဖြင့် စက်ပေါ်နှင့် သီးသန့်အသုံးပြုမှုသည် အရှိန်အဟုန်ဖြင့် ကြီးထွားလာသည်။ ဒုတိယ၊ ဒေသန္တရ ကောက်ချက်ချမှုအတွက် သင်္ကေတတစ်ခုစီဘောဂဗေဒသည် သေးငယ်သော၊ ပြင်းပြင်းထန်ထန် အရေအတွက်ပုံစံများကို ပေါင်းခံထားသော ကော်ပီကြီးများထက် ပိုမိုနှစ်သက်သည်။ Looping compute ဖြင့် NVFP4 တွင် မူရင်းအတိုင်းလည်ပတ်သည့် 26.4B MoE သည် ထိုစျေးကွက်အတွက် တိုက်ရိုက်အဖြေတစ်ခုဖြစ်သည်။
မော်ဒယ်ကို ထုတ်ဝေထားသော မော်ဒယ်ကတ်ဖြင့် Hugging Face တွင် ရနိုင်ပြီး Thinking Machines သည် ၎င်း၏ Tinker ဒဏ်ချက်ညှိခြင်း ပလပ်ဖောင်းမှတဆင့် ဝင်ရောက်ကြည့်ရှုခြင်းကို မြှင့်တင်နေသည်။ ဤထုတ်ဝေမှုနှင့် ဓာတ်ခွဲခန်း၏ အစောပိုင်း Inkling မိသားစုမော်ဒယ်များကြားတွင်၊ နယ်ခြားဓာတ်ခွဲခန်းအများစုသည် အတိုင်းအတာနှင့် ဒေတာများကို ချိန်ညှိခြင်းအပေါ် အာရုံစိုက်နေချိန်၌ ပြန်ဖြစ်ခြင်းပုံစံ တွက်ချက်မှုစကေးအတွက် ကွဲပြားသောနည်းပညာဆိုင်ရာအထောက်အထားကို စတင်တည်ဆောက်နေပါသည်။
looping သည် ပင်မဗိသုကာလက်ရာတစ်ခုဖြစ်လာသည်ဖြစ်စေ နယ်ပယ်တစ်ခုအဖြစ် ကျန်ရှိနေသည်ဖြစ်စေ ထုတ်ဝေမှုသည် မှတ်သားဖွယ်အခိုက်အတန့်တစ်ခုဖြစ်သည်- အနီးကပ်ကြည့်ရှုမှုအရှိဆုံး AI စတင်မှုများထဲမှတစ်ခုသည် တိုကင်တစ်ခုလျှင် ပို၍စမတ်ကျသောတွက်ချက်မှု—တိုကင်များမဟုတ်၊ ကန့်သတ်ဘောင်များမဟုတ်—နောက်ထပ်ရရှိမည့်အရာများဖြစ်ကြောင်း လောင်းကြေးထပ်ထားသည်။
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →