ကျွမ်းကျင်သူများ၏ ပေါင်းစပ်ဒီဇိုင်း
TestingCatalog AI News အရ Inkling-Small သည် ပေးထားသည့် အတိုင်းအတာအတွင်း 12 billion active ပါဝင်သည့် Mixture-of-Experts (MoE) transformer တစ်ခုဖြစ်သည်။ တိုကင်တစ်ခုစီအတွက် မော်ဒယ်၏ အနည်းငယ်မျှသာ "နိုးသည်" ဟူသော ဗိသုကာလက်ရာသည် DeepSeek ကဲ့သို့ တရုတ်အလေးမထားသော မော်ဒယ်များကို လည်ပတ်ရန် အလွန်စျေးသက်သာစေသည့် တူညီသော ထိရောက်မှုလှည့်ကွက်ဖြစ်သည်။ Hugging Face** တွင် အလေးချိန်အပြည့်ရှိကြောင်း Thinking Machines မှ အတည်ပြုခဲ့သည်။မော်ဒယ်သည် တိုကင်တစ်သန်းအထိ ဆက်စပ်ဝင်းဒိုးတစ်ခုလည်း ပါ၀င်ပြီး ဓာတ်ခွဲခန်းမှ အနည်းအကျဉ်းမှ "xhigh" မှ developer များသည် လုပ်ငန်းတာဝန်အပေါ် မူတည်၍ စွမ်းဆောင်ရည်အတွက် တွက်ချက်ရောင်းဝယ်ဖောက်ကားနိုင်စေမည့် "variable thinking effort" ဟုခေါ်သည် ကုမ္ပဏီ၏ Tinker ပလပ်ဖောင်းမှတစ်ဆင့် ကောင်းမွန်စွာ ချိန်ညှိခြင်းကို ရရှိနိုင်ပြီး စာသား၊ ရုပ်ပုံနှင့် အသံချတ်ကို Tinker Playground တွင် ဝင်ရောက်ကြည့်ရှုနိုင်ပါသည်။
NVIDIA GB300 Systems တွင် လေ့ကျင့်သင်ကြားခဲ့သည်။
Thinking Machines မှ Inkling-Small အား NVIDIA GB300 NVL72 စနစ်များပေါ်တွင် လေ့ကျင့်သင်ကြားထားပြီး 2026 ခုနှစ် ဇူလိုင်လ 15 ရက်နေ့တွင် ထွက်ရှိခဲ့သော မူရင်း Inkling မော်ဒယ်ထက် "တွက်ချက်မှု သိသိသာသာ နည်းသည်" ကို အသုံးပြုထားသည်။ အဆိုပါ ပထမဆုံး မော်ဒယ်ကို WIRED နှင့် TechCrunch ဖြင့် အကျုံးဝင်ပါသည်။ Thinking Machines ၏ ပွဲဦးထွက် ဓာတ်ခွဲခန်းတွင် အလေးအနက်ထား၍ တစ်ညတာနီးပါး ဖြန့်ချိခဲ့သည်—
Inkling-Small သို့ လမ်းကြောင်းသည် တမင်တကာ ထိရောက်မှုရှိသော နည်းဗျူဟာကို ဖော်ပြသည်။ ဓာတ်ခွဲခန်းသည် ၎င်း၏အကြိုလေ့ကျင့်ရေးဒေတာရောနှောမှုနှင့် စက်-သင်ယူမှု စာရွက်ကို ပြန်လည်ပြင်ဆင်ရန်အတွက် အသက်ရှူခန်းကို အသုံးပြု၍ Inkling လေ့ကျင့်ပြီးမှသာ သေးငယ်သောမော်ဒယ်တွင် စတင်လုပ်ဆောင်ခဲ့သည်။ အစောပိုင်း အကြိုကြည့်ရှုစစ်ဆေးရေးဂိတ်ကို ပေါ်လစီပေါ်လစီပေါင်းခံခြင်း ဖြင့် တစ်စိတ်တစ်ပိုင်း လေ့ကျင့်ပေးထားပြီး Inkling သည် ဆရာအဖြစ် ဆောင်ရွက်ကာ၊ ထို့နောက်တွင် အကြမ်းဖျင်းအားဖြင့် အတိုင်းအတာဖြင့် အေးဂျင့်-ကုဒ်အားဖြည့်တင်းမှု သင်ယူမှု နှစ်ပတ်ခန့် ပြုလုပ်ခဲ့သည်။
ဘယ်မှာအနိုင်ရလဲ — နှင့် မရသည့်နေရာ
ထိုဟင်းချက်ချက်၏ ရလဒ်မှာ ထင်ရှားသည်။ Thinking Machines မှ Inkling-Small က ကျိုးကြောင်းဆင်ခြင်ခြင်းနှင့် အေးဂျင့်-ကုဒ်စံနှုန်းများ Inkling သည် မူလ Inkling ကို ကျော်လွန်သွားသည်ဟု ဆိုသည်၊ Inkling သည် အသိပညာလွှမ်းခြုံမှုနှင့် အဖြစ်မှန်တွင် ပိုမိုအားကောင်းနေဆဲဖြစ်သည်။ စာသားသီးသန့် Humanity's Last Exam တွင် နာမည်ဆိုးဖြင့်ကျော်ကြားသော ခက်ခဲသောအကဲဖြတ်မှုတွင်၊ သေးငယ်သောမော်ဒယ်သည် Inkling အတွက် 29.7% နှင့် နှိုင်းယှဉ်ပါက ရမှတ်သည် 31.6% ဖြစ်သည်—တက်ကြွသောကန့်သတ်ဘောင်များ သိသိသာသာလျော့ကျသွားသော်လည်း အမှန်တကယ်တိုးတက်မှုဖြစ်သည်။
အပေးအယူက ရှင်းပါတယ်- Inkling-Small သည် ပိုမိုပြတ်သားသော ကုဒ်ဒါနှင့် ကျိုးကြောင်းဆီလျော်မှုဖြစ်ပြီး ၎င်း၏ပိုကြီးသော မွေးချင်းသည် ပိုမိုကျယ်ပြန့်သော အသိပညာအခြေခံကို ဆက်လက်ထိန်းသိမ်းထားသည်။ developer များအတွက်၊ ၎င်းသည် bug မဟုတ်ဘဲ အင်္ဂါရပ်တစ်ခုဖြစ်သည် — ၎င်းသည် အလုပ်တိုင်းအတွက် ဧရာမမော်ဒယ်တစ်ခုအတွက် ပေးဆောင်ရမည့်အစား အလုပ်အတွက် သင့်လျော်သောကိရိယာကို ရွေးချယ်ခြင်းကို ဆိုလိုသည်။
တရုတ်ဦးဆောင်သော အလေးမကွင်းတွင် အမေရိကန်ကစားသမား
အကြီးမားဆုံးသော သက်ရောက်မှုမှာ ပထဝီဝင်နိုင်ငံရေးဖြစ်သည်။ CNBC နှင့် အခြားသူများ မှတ်ချက်ပြုထားသည့်အတိုင်း၊ အဝလွန်သော နယ်နိမိတ်ပုံစံ မော်ဒယ်များသည် DeepSeek နှင့် Alibaba ၏ Qwen ကဲ့သို့သော တရုတ်ဓာတ်ခွဲခန်းများနှင့်အတူ အားကောင်းသည့် မော်ဒယ်များကို လျှော့စျေးပေးပြီး အနောက်တိုင်းစျေးနှုန်းများကို လျှော့ပေးခြင်းဖြင့် US-China flashpoint ဖြစ်လာပါသည်။ Forkast သည် Inkling-Small ထုတ်ဝေမှုကို ပြတ်ပြတ်သားသား ဘောင်ခတ်ထားသည်- "Open-Weights ပြိုင်ပွဲသည် ယခုအခါ US Entrant ရှိနေပြီဖြစ်သည်။"
ယခုအချိန်အထိ၊ ထိပ်တန်းအဝိတ်မော်ဒယ်များသည် တရုတ်နိုင်ငံမှ သီးသန့်နီးပါးရောက်ရှိလာပြီး အမေရိကန်ဓာတ်ခွဲခန်းများသည် စျေးကွက်အမျိုးအစားတစ်ခုလုံးကို လက်လွှတ်လိုက်ပြီဟု ဝါရှင်တန်တွင် စိုးရိမ်မှုများ မြင့်တက်လာခဲ့သည်။ Thinking Machines - AI တွင် အထင်ရှားဆုံးသော ကိန်းဂဏန်းများထဲမှ တစ်ခုမှ ဦးဆောင်သော US startup သည် အဆိုပါ calculus ကို ပြောင်းလဲပါသည်။ Hugging Face တွင် အလေးအပြည့်ထုတ်ပြီး open fine-tunening ကို ပံ့ပိုးပေးခြင်းဖြင့်၊ ဓာတ်ခွဲခန်းသည် တရုတ် open-weight မော်ဒယ်များ မွေးမြူထားသည့် developer အသိုင်းအဝိုင်းအတွက် တိုက်ရိုက်ကစားမှုကို ပြုလုပ်နေသည်။
စံသတ်မှတ်ချက်များသာမက Developers များအတွက်ပါ တည်ဆောက်ထားသည်။
Thinking Machines သည် developer များအတွက် လေးလေးနက်နက် ရည်ရွယ်သော tooling နှင့် ထုတ်ဝေမှုကို တွဲထားသည်။ ဖွင့်ထားသောပွေ့ဖက်မျက်နှာအလေးများအပြင်၊ Databricks သည် Inkling မိသားစုကို ၎င်း၏ပလက်ဖောင်းပေါ်တွင်ရရှိနိုင်ကြောင်း အတည်ပြုခဲ့ပြီး Tinker Playground သည် ဘက်စုံသုံးစာသား၊ ရုပ်ပုံနှင့် အသံချတ်ကို ဘောက်စ်အတွင်းမှ ပံ့ပိုးပေးပါသည်။ ကွဲပြားသော "တွေးခေါ်အားထုတ်မှု" ဆက်တင် - အနည်းဆုံးမှ "xhigh" သည် — စစ်မှန်သော အင်ဂျင်နီယာ အပေးအယူများအတွက် ဒီဇိုင်းထုတ်သည်- အလုပ်တစ်ခု ရိုးရှင်းသောအခါတွင် စျေးပေါပြီး ပြဿနာတစ်ခုက ပိုမိုလေးနက်သော ကျိုးကြောင်းဆင်ခြင်မှုကို တောင်းဆိုလာသောအခါ တွက်ချက်မှု ပိုမိုသုံးစွဲပါ။ ၎င်းတို့အများစုသည် ပရီမီယံ API နှုန်းထားများကို ပေးဆောင်ရမည့်အစား စျေးသက်သာသော open-weight အခြားရွေးချယ်စရာများထံ ပြောင်းရွှေ့ပြီးသော ၎င်းတို့၏ စုံစုံညီညွှတ်သော ငွေတောင်းခံလွှာများကို ကြည့်ရှုနေသည့် startup များအတွက် အရေးကြီးပါသည်။
စက်မှုလုပ်ငန်းခွင်တွင် ထိရောက်မှုလမ်းကြောင်း
Inkling-Small သည် ပိုမိုကျယ်ပြန့်သောပုံစံနှင့် ကိုက်ညီပါသည်။ စက်မှုလုပ်ငန်းခွင်တစ်ဝှမ်းတွင်၊ ဖြတ်တောက်ထားသောအစွန်းသည် ယခင်ကထက် ပိုကြီးသော monolithic မော်ဒယ်များမှ ၎င်းတို့၏အလေးချိန်ထက် ပိုမိုသေးငယ်ပြီး ထက်မြက်သောစနစ်များဆီသို့ ကူးပြောင်းသွားပါသည်။ DeepSeek ၏စျေးနှုန်းစစ်ပွဲမော်ဒယ်များမှချုံ့ထားသောဗိသုကာများအထိ၊ သတင်းစကားသည်တစ်သမတ်တည်းဖြစ်သည်- ကုန်ကြမ်းပါရာမီတာရေတွက်မှုသည်မော်ဒယ်တစ်ခု၏စွမ်းဆောင်ရည်ကိုမည်မျှထိရောက်စွာအသုံးပြုသည်ထက်နည်းသည်။
Thinking Machines အတွက်၊ အရွယ်အစားထက် ထိရောက်မှုအပေါ် လောင်းကြေးမှာ ယခု ပုံစံနှစ်ခု နက်ရှိုင်းသည် — နှင့် အစောပိုင်း စံသတ်မှတ်ချက်များက ဗျူဟာသည် အလုပ်ဖြစ်နေသည်ဟု အကြံပြုသည်။ Inkling-Small သည် ယနေ့တွင် ဒေါင်းလုဒ်လုပ်ရန် နှင့် ချိန်ညှိခြင်းအတွက် ရနိုင်သဖြင့်၊ developer များသည် ထိုတောင်းဆိုမှုကို ၎င်းတို့ကိုယ်တိုင် စမ်းသပ်နိုင်သည်။
AI ထက်သာလွန်နေပါစေ။
အဖွင့်ဝိတ်မော်ဒယ်အသစ်များသည် အပတ်တိုင်း ဆင်းသက်နေပြီး ပြိုင်ဆိုင်မှုသည် ပိုမိုပြင်းထန်လာသည်။ ကျွန်ုပ်တို့၏ AI လုပ်ငန်းလွှမ်းခြုံမှု မှတစ်ဆင့် ထုတ်ပြန်မှုတိုင်းကို ဆက်လက်လုပ်ဆောင်ပါ။
AI သတင်းအပြည့်အစုံကို ဖတ်ရှုရန် →
