Thinking Machines Lab ซึ่งเป็นสตาร์ทอัพด้าน AI ที่ก่อตั้งโดยอดีตประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของ OpenAI Mira Murati ได้เปิดตัวโมเดล open-weights ใหม่เมื่อวันที่ 20 พฤศจิกายน 2026: Inkling 2 Mini ซึ่งเป็นโมเดลขนาดกะทัดรัดที่สร้างขึ้นโดยมีสถาปัตยกรรมที่ไม่ธรรมดาซึ่งบริษัทกล่าวว่าช่วยให้สามารถเจาะทะลุจำนวนพารามิเตอร์ได้ดีกว่า โมเดลนี้มีขนาดเล็กพอที่จะใช้งานบนแล็ปท็อปสำหรับผู้บริโภคในเครื่องได้ โดยมีหน่วยความจำรวมประมาณ 20GB

หมายเลขพาดหัวมีความโดดเด่นสำหรับประเภทขนาด ตามประกาศของบริษัท Inkling 2 Mini เป็นผู้นำโมเดล open-weights ทุกโมเดลด้วยพารามิเตอร์รวมน้อยกว่า 100 พันล้านพารามิเตอร์บน DeepSWE v1.1 ซึ่งแก้ไขงานได้ 48.2 เปอร์เซ็นต์ และบน Vals Index v2.2 ได้คะแนน 46.5 เปอร์เซ็นต์ เกณฑ์มาตรฐานทั้งสองวัดความสามารถในการเขียนโค้ดแบบเอเจนต์ ซึ่งเป็นหนึ่งในขอบเขตความสามารถที่มีการโต้แย้งทางการค้ามากที่สุดในอุตสาหกรรมในขณะนี้ For more context on this story, see our ongoing AI news.

อะไรทำให้ Looped Transformer แตกต่าง

Inkling 2 Mini เป็นหม้อแปลงแบบลูป แทนที่จะส่งแต่ละโทเค็นผ่านทุกเลเยอร์เพียงครั้งเดียว โมเดลจะรันเลเยอร์กลางสามครั้งต่อโทเค็น แบบจำลองสามารถใช้การคำนวณตามลำดับมากขึ้นกับปัญหาโดยไม่ต้องสร้างโทเค็นเอาต์พุตเพิ่มเติม

กรอบของบริษัทคือการวนซ้ำช่วยให้แบบจำลองให้เหตุผลได้นานขึ้นโดยไม่ต้องจดเหตุผลลงไป การใช้เหตุผลแบบลูกโซ่แห่งความคิดแบบดั้งเดิมใช้โทเค็นในขั้นตอนกลางที่มองเห็นได้ การวนซ้ำจะใช้การคำนวณแทน นั่นส่งผลอย่างแท้จริงต่อความเร็วของงานที่คุณภาพของการให้เหตุผลมีความสำคัญมากกว่าการนับโทเค็น และการเข้ารหัสแบบเอเจนต์ก็เป็นงานประเภทนั้นจริงๆ

ภายใต้ฝากระโปรง Inkling 2 Mini เป็นโมเดล Mixture-of-Experts ที่มีพารามิเตอร์ทั้งหมด 26.4 พันล้านพารามิเตอร์ และมีเพียง 3.4 พันล้านแอคทีฟต่อโทเค็น โดยมีการเปิดใช้งานน้ำหนัก 5.4 พันล้านครั้งต่อโทเค็นเมื่อพิจารณาถึงการวนซ้ำ ตุ้มน้ำหนักส่วนใหญ่ได้รับการฝึกอบรมและใช้งานใน NVFP4 ซึ่งเป็นรูปแบบที่มีความแม่นยำต่ำที่ Nvidia ได้ผลักดันไปยังกลุ่มผลิตภัณฑ์ศูนย์ข้อมูล โดยมีสี่เลเยอร์สุดท้ายเก็บไว้ใน MXFP8 การผสมผสานระหว่างการหาปริมาณเชิงรุกและการนับพารามิเตอร์ที่ใช้งานเพียงเล็กน้อยคือสิ่งที่บีบโมเดลให้มีขนาดประมาณ 20GB ที่เหมาะกับแล็ปท็อปและเครื่อง AI บนเดสก์ท็อป

ห้องปฏิบัติการสาธิตโมเดลที่ทำงานแบบออฟไลน์ในโหมดเครื่องบินบน MacBook Pro ที่มีชิป M5 Pro และหน่วยความจำขนาด 48GB ซึ่งสร้างเครื่องจำลองการบินที่สามารถเล่นได้ภายในไม่กี่นาที

การแลกเปลี่ยนการตรวจสอบ

การเปิดตัวครั้งนี้มาพร้อมกับการวิจัยที่อาจมีความสำคัญมากกว่าเกณฑ์มาตรฐาน หากโมเดลให้เหตุผลภายในผ่านลูปแทนที่จะแสดงสายโซ่ความคิดเป็นโทเค็น ข้อความให้เหตุผลที่มองเห็นได้ก็จะกลายเป็นหน้าต่างที่น่าเชื่อถือในสิ่งที่โมเดลกำลังทำอยู่จริง นั่นมีผลกระทบต่อการวิจัยด้านความปลอดภัยของ AI โดยที่การตรวจสอบห่วงโซ่ความคิดได้กลายเป็นหนึ่งในเครื่องมือกำกับดูแลเชิงปฏิบัติไม่กี่อย่างที่มีอยู่

นอกเหนือจาก Inkling 2 Mini แล้ว Thinking Machines ยังได้เปิดตัวตัวแปรลูปตัวแปรเฉพาะการวิจัยเพื่อวัดเอฟเฟกต์ ผลลัพธ์ที่ได้ลดลงไปในทิศทางที่ส่งเสริมขีดความสามารถ ซึ่งเป็นทิศทางที่ซับซ้อนสำหรับการกำกับดูแล ระยะเวลาของโมเดลลูปตัวแปรในงานที่เสร็จสมบูรณ์โดยไม่มีห่วงโซ่ความคิดใดๆ ดีขึ้นจาก 16 วินาทีในการส่งครั้งเดียวเป็น 37 วินาทีในสามลูป และประสิทธิภาพบนเกณฑ์มาตรฐานการให้เหตุผลแบบอนุกรมได้รับการปรับปรุงอย่างต่อเนื่องเป็นสิบลูป ซึ่งมากเป็นสองเท่าของโมเดลที่ได้รับการฝึกฝนด้วย

ในขณะเดียวกัน ห่วงโซ่ความคิดที่มองเห็นได้จะสั้นลงเมื่อมีการเพิ่มลูป แต่บริษัทรายงานว่ายังคงอ่านได้ตลอด และแบบจำลองไม่ได้มีแนวโน้มสูงขึ้นในการทดสอบการก่อวินาศกรรมแบบตัวแทนเมื่อความลึกของลูปเพิ่มขึ้น Thinking Machines อธิบายว่าโมเดลเหล่านี้เป็นโมเดลสถาปัตยกรรมแบบวนซ้ำรุ่นแรกๆ ที่นักวิจัยสามารถใช้ได้ โดยวางตำแหน่งการเผยแพร่ส่วนหนึ่งเป็นการเชิญชวนให้ชุมชนด้านความปลอดภัยให้ศึกษาความสามารถในการติดตามตรวจสอบน้ำหนักจริง แทนที่จะจำลองการตั้งค่า

การเล่นแบบแข่งขันในคลาส Sub-100B

การวัดประสิทธิภาพทำให้ Inkling 2 Mini เทียบกับสนามย่อย 100B ที่หนาแน่น ซึ่งรวมถึงรุ่น Gemma 4 ในช่วง 26B–31B, Qwen3.8-27B, Muse Glimmer และรุ่นตัวอย่าง 65B ที่เรียกว่า Ripple Thinking Machines อ้างว่าโมเดลของมันทำงานเร็วกว่าคู่แข่งที่มีประสิทธิภาพใกล้เคียงกัน โดยอ้างถึงปริมาณงานโทเค็นทางทฤษฎีที่ขนาดแบตช์หนึ่ง

กลุ่มย่อย 100B มีความสำคัญเชิงกลยุทธ์ด้วยเหตุผลสองประการ ประการแรก การใช้งานบนอุปกรณ์และส่วนตัวกำลังเติบโตอย่างรวดเร็วเนื่องจากองค์กรต่างๆ ลังเลในการส่งข้อมูลที่ละเอียดอ่อนไปยัง API ที่โฮสต์ ประการที่สอง เศรษฐศาสตร์ต่อโทเค็นสำหรับการอนุมานในท้องถิ่นนิยมแบบจำลองขนาดเล็กและเชิงปริมาณเชิงรุกมากขึ้นเรื่อยๆ มากกว่าแบบจำลองขนาดใหญ่ที่กลั่นแล้ว MoE 26.4B ที่ทำงานโดยธรรมชาติใน NVFP4 พร้อมการประมวลผลแบบวนซ้ำคือคำตอบโดยตรงสำหรับตลาดนั้น

โมเดลนี้มีอยู่ใน Hugging Face พร้อมกับการ์ดโมเดลที่เผยแพร่ และ Thinking Machines กำลังส่งเสริมการเข้าถึงผ่านแพลตฟอร์มการปรับแต่ง Tinker ระหว่างการเปิดตัวครั้งนี้และรุ่นตระกูล Inkling รุ่นก่อนหน้าของห้องปฏิบัติการ สตาร์ทอัพกำลังสร้างเอกลักษณ์ทางเทคนิคที่แตกต่างเกี่ยวกับการปรับขนาดการประมวลผลในรูปแบบการเกิดซ้ำ ในเวลาที่ห้องปฏิบัติการชายแดนส่วนใหญ่ยังคงมุ่งเน้นไปที่การปรับขนาดพารามิเตอร์และข้อมูล

ไม่ว่าการวนซ้ำจะกลายเป็นสถาปัตยกรรมกระแสหลักหรือยังคงเป็นกลุ่มเฉพาะ การเปิดตัวถือเป็นช่วงเวลาที่น่าทึ่ง: หนึ่งในสตาร์ทอัพด้าน AI ที่ได้รับการจับตามองอย่างใกล้ชิดที่สุดคือการเดิมพันว่าการคำนวณต่อโทเค็นอย่างชาญฉลาดยิ่งขึ้น ไม่ใช่โทเค็นมากขึ้น และไม่มีพารามิเตอร์มากขึ้น เป็นที่ที่กำไรครั้งต่อไปจะเกิดขึ้น

---

Stay Ahead of AI

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

Read more AI news →