Thinking Machines Lab สตาร์ทอัพด้าน AI ที่ก่อตั้งโดยอดีตประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของ OpenAI Mira Murati ได้เปิดตัว Inkling-Small ซึ่งเป็นโมเดลแบบเปิดที่บริษัทกล่าวว่าตรงกับประสิทธิภาพของเรือธงในขนาดประมาณหนึ่งในสี่ การเปิดตัวครั้งนี้ทำให้สหรัฐฯ เข้ามามีส่วนร่วมอย่างจริงจังในการแข่งขัน Open-weight Frontier Model Race ซึ่งเป็นประเภทที่จนถึงขณะนี้ยังคงถูกครอบงำโดยห้องปฏิบัติการของจีน การเปิดตัวครั้งนี้เป็นหนึ่งในความเคลื่อนไหวที่เกิดขึ้นอย่างรวดเร็วหลายรูปแบบที่เปลี่ยนโฉมภูมิทัศน์ AI แบบโอเพ่นซอร์สที่เรากล่าวถึงใน ข่าวด่วน AI

การผสมผสานของการออกแบบโดยผู้เชี่ยวชาญ

จากข้อมูลของ TestingCatalog AI News Inkling-Small เป็น หม้อแปลงแบบ Mixture-of-Experts (MoE) ที่มี พารามิเตอร์ทั้งหมด 276 พันล้านพารามิเตอร์ โดยมี 12 พันล้านรายการที่ใช้งานอยู่ ระหว่างการอนุมานที่กำหนด สถาปัตยกรรมนั้นซึ่งมีเพียงชิ้นส่วนเล็กๆ ของโมเดลที่ "ปลุก" สำหรับแต่ละโทเค็น เป็นเคล็ดลับด้านประสิทธิภาพแบบเดียวกับที่ทำให้โมเดล Open Weight ของจีนอย่าง DeepSeek ใช้งานได้ราคาถูกมาก Thinking Machines ยืนยันว่าน้ำหนักทั้งหมดได้รับการเผยแพร่แล้วใน Hugging Face

นอกจากนี้ โมเดลยังมาพร้อมกับ หน้าต่างบริบทที่มีโทเค็นสูงสุดหนึ่งล้านโทเค็น และสิ่งที่แล็บเรียกว่า "ความพยายามในการคิดแบบแปรผัน" ซึ่งมีตั้งแต่ขั้นต่ำไปจนถึง "สูง" ทำให้นักพัฒนาสามารถแลกเปลี่ยนการประมวลผลกับประสิทธิภาพโดยขึ้นอยู่กับงาน การปรับแต่งอย่างละเอียดสามารถทำได้ผ่านแพลตฟอร์ม Tinker ของบริษัท และสามารถเข้าถึงข้อความ รูปภาพ และเสียงแชทได้ใน Tinker Playground

ผ่านการฝึกอบรมเกี่ยวกับระบบ NVIDIA GB300

Thinking Machines กล่าวว่า Inkling-Small ได้รับการฝึกอบรมเกี่ยวกับระบบ NVIDIA GB300 NVL72 และใช้ "การประมวลผลน้อยกว่าอย่างมาก" กว่ารุ่น Inkling ดั้งเดิมซึ่งเปิดตัวเมื่อวันที่ 15 กรกฎาคม 2026 รุ่นแรกนั้น — ครอบคลุมโดย WIRED และ TechCrunch เป็นการเปิดตัวครั้งแรกของ Thinking Machines — ทำให้ห้องปฏิบัติการกลายเป็นคู่แข่งสำคัญเกือบข้ามคืน

เส้นทางสู่ Inkling-Small เผยให้เห็นกลยุทธ์ที่มีประสิทธิภาพโดยเจตนา ห้องปฏิบัติการเริ่มทำงานกับโมเดลขนาดเล็กหลังจากฝึก Inkling แล้วเท่านั้น โดยใช้ห้องหายใจเพื่อแก้ไขการผสมผสานข้อมูลก่อนการฝึกอบรมและสูตรการเรียนรู้ของเครื่อง จุดตรวจสอบตัวอย่างก่อนหน้านี้ได้รับการฝึกอบรมหลังการฝึกอบรมบางส่วนผ่าน การกลั่นตามนโยบาย โดยมี Inkling ทำหน้าที่เป็นครู ตามด้วยการเรียนรู้การเสริมกำลังการเขียนโค้ดเอเจนต์ตามขนาดประมาณสองสัปดาห์

ที่ไหนชนะ — และที่ไหนไม่ชนะ

ผลลัพธ์ของสูตรนั้นโดดเด่นมาก Thinking Machines อ้างว่า Inkling-Small แซงหน้า Inkling ดั้งเดิมในด้านการใช้เหตุผลและเกณฑ์มาตรฐานการเข้ารหัสเอเจนต์ ในขณะที่ Inkling ยังคงแข็งแกร่งกว่าในด้านความรู้และข้อเท็จจริง ใน การทดสอบครั้งสุดท้ายของมนุษยชาติ แบบข้อความเท่านั้น ซึ่งเป็นการประเมินที่ยากอย่างฉาวโฉ่ มีรายงานว่าโมเดลขนาดเล็กได้คะแนน 31.6% เทียบกับ 29.7% สำหรับ Inkling ซึ่งเป็นการปรับปรุงที่แท้จริงแม้จะมีการลดพารามิเตอร์ที่ใช้งานอยู่อย่างมากก็ตาม

ข้อดีข้อเสียมีความชัดเจน: Inkling-Small เป็นผู้เขียนโค้ดและมีเหตุผลที่เฉียบคมกว่า ในขณะที่พี่น้องที่ใหญ่กว่ายังคงรักษาฐานความรู้ที่กว้างกว่า สำหรับนักพัฒนา นั่นเป็นฟีเจอร์ ไม่ใช่ข้อบกพร่อง หมายถึงการเลือกเครื่องมือที่เหมาะกับงาน แทนที่จะจ่ายเงินซื้อโมเดลยักษ์ตัวเดียวในทุกงาน

ผู้เล่นสหรัฐในสนาม Open-Weight นำโดยจีน

บางทีความหมายที่ใหญ่ที่สุดก็คือภูมิรัฐศาสตร์ ดังที่ CNBC และบริษัทอื่นๆ ระบุไว้ โมเดล open-weight frontier ได้กลายเป็นจุดวาบไฟระหว่างสหรัฐฯ และจีน โดยมีห้องปฏิบัติการของจีน เช่น DeepSeek และ Qwen ของ Alibaba มอบโมเดลอันทรงพลังและตัดราคาแบบตะวันตก Forkast วางกรอบการเปิดตัว Inkling-Small อย่างตรงไปตรงมา: "การแข่งขัน Open-Weights ขณะนี้มีผู้เข้าร่วมจากสหรัฐฯ"

จนถึงขณะนี้ โมเดลน้ำหนักเปิดชั้นนำมาจากประเทศจีนเกือบทั้งหมด ทำให้เกิดความกังวลในวอชิงตันว่าห้องปฏิบัติการของอเมริกากำลังยกตลาดหมวดหมู่ทั้งหมด Thinking Machines – สตาร์ทอัพในสหรัฐฯ ที่ได้รับทุนสนับสนุนอย่างดี นำโดยหนึ่งในบุคคลสำคัญด้าน AI – เปลี่ยนแปลงแคลคูลัสดังกล่าว ด้วยการปล่อยน้ำหนักเต็มบน Hugging Face และรองรับการปรับแต่งแบบเปิด แล็บกำลังสร้างบทบาทโดยตรงให้กับชุมชนนักพัฒนาที่โมเดลแบบเปิดของจีนได้ปลูกฝังมา

สร้างขึ้นเพื่อนักพัฒนา ไม่ใช่แค่การวัดประสิทธิภาพเท่านั้น

Thinking Machines ได้จับคู่เวอร์ชันนี้เข้ากับเครื่องมือที่มุ่งเป้าไปที่นักพัฒนาโดยเฉพาะ นอกเหนือจากตุ้มน้ำหนัก Hugging Face แบบเปิดแล้ว Databricks ยังยืนยันว่าตระกูล Inkling พร้อมใช้งานบนแพลตฟอร์มแล้ว และ Tinker Playground รองรับข้อความ รูปภาพ และเสียงแชทหลายรูปแบบตั้งแต่แกะกล่อง การตั้งค่า "ความพยายามในการคิด" แบบแปรผัน - จากขั้นต่ำไปจนถึง "สูง" - ได้รับการออกแบบมาเพื่อการแลกเปลี่ยนทางวิศวกรรมอย่างแท้จริง: ทำงานอย่างถูกเมื่องานเป็นเรื่องง่าย ใช้จ่ายในการคำนวณมากขึ้นเมื่อปัญหาต้องการเหตุผลที่ลึกซึ้งยิ่งขึ้น ความยืดหยุ่นดังกล่าวมีความสำคัญสำหรับสตาร์ทอัพที่ต้องดูใบเรียกเก็บเงินอนุมาน ซึ่งหลายคนได้เปลี่ยนไปใช้ทางเลือก open-weight ที่ถูกกว่า แทนที่จะจ่ายอัตรา API ระดับพรีเมียม

แนวโน้มประสิทธิภาพทั่วทั้งอุตสาหกรรม

Inkling-Small ยังเหมาะกับรูปแบบที่กว้างขึ้นอีกด้วย ทั่วทั้งอุตสาหกรรม ความล้ำหน้ากำลังเปลี่ยนจากโมเดลเสาหินที่มีขนาดใหญ่กว่าเดิม ไปสู่ระบบที่เล็กลงและชาญฉลาดยิ่งขึ้นซึ่งเจาะน้ำหนักได้มากกว่า จากโมเดลสงครามราคาของ DeepSeek ไปจนถึงสถาปัตยกรรมที่ถูกบีบอัด ข้อความมีความสอดคล้อง: จำนวนพารามิเตอร์ดิบมีความสำคัญน้อยกว่าประสิทธิภาพของโมเดลที่ใช้ความจุ

สำหรับ Thinking Machines เดิมพันประสิทธิภาพมากกว่าขนาดตอนนี้มี 2 รุ่นอยู่ลึกๆ และการวัดประสิทธิภาพในช่วงแรกๆ แนะนำว่ากลยุทธ์นี้ใช้ได้ผล ด้วย Inkling-Small พร้อมให้ดาวน์โหลดและปรับแต่งแล้ววันนี้ นักพัฒนาสามารถทดสอบการอ้างสิทธิ์ดังกล่าวได้ด้วยตนเอง

ก้าวนำหน้า AI

โมเดลน้ำหนักเปิดใหม่จะลงจอดทุกสัปดาห์ และการแข่งขันก็ทวีความรุนแรงมากขึ้นเท่านั้น ติดตามทุกข่าวประชาสัมพันธ์ผ่าน การรายงานข่าวอุตสาหกรรม AI ของเรา

อ่านข่าว AI เพิ่มเติม →