ثينكينغ ماشينز تطلق Inkling Small، مطابقًا لنموذجها الرئيسي بربع القدرة الحاسوبية

Thinking Machines Lab، شركة الذكاء الاصطناعي الناشئة التي أسستها ميرا موراتي، الرئيسة التنفيذية للتكنولوجيا السابقة في OpenAI، أصدرت يوم الأربعاء نموذج Inkling-Small — وهو نموذج Open Source يضم 276 مليار معامل، ويأتي ضمن نقطة واحدة من سابقه الذي يضم 975 مليار معامل على مؤشر Artificial Analysis Intelligence Index، بينما يعمل على 12 مليار معامل نشط فقط لكل Token.

يأتي هذا الإصدار بعد ظهور Inkling قبل أسبوعين فقط، ما يجعل Thinking Machines من أسرع المختبرات في طرح نسخة كفؤة من نموذج رئيسي بأداء شبه مكافئ. يستخدم Inkling-Small بنية Mixture-of-Experts (MoE) — إذ يتم تنشيط جزء فقط من إجمالي 276 مليار معامل في كل تمريرة أمامية، مما يقلل تكلفة الحوسبة وزمن الاستدلال دون العقوبة الكاملة في الأداء التي تفرضها النماذج الكثيفة الأصغر حجمًا.

قدرات Inkling Small

يقبل النموذج مدخلات نصية وصورية وصوتية ويولّد مخرجات نصية. وهو يدعم نافذة سياق تصل إلى مليون Token — مثل Inkling تمامًا — ويتميز بآلية الجهد الذهني المتغير التي تتيح للمطوّرين الموازنة بين سرعة الاستجابة وعمق الاستدلال. تم تدريب Inkling-Small على أنظمة NVIDIA GB300 NVL72، ويحقق نتائج تنافسية مقارنة بالنماذج الأخرى مفتوحة الأوزان عند مستوى 12 مليار معامل نشط في اختبارات Terminal-Bench 2.1 (استخدام الأدوات عبر Agent)، وHLE (الاستدلال)، وIFBench (اتباع التعليمات).

الأوزان الكاملة متاحة على Hugging Face بموجب رخصة Apache 2.0، التي تسمح بالاستخدام التجاري والتعديل وإعادة التوزيع دون إتاوات. كما أضافت Thinking Machines دعمًا لـ Fine-tuning عبر Tinker API، وتقدّم خصمًا بنسبة 50% على API عند الإطلاق عبر واجهة Tinker Playground.

لماذا يجب أن تهتم به الشركات؟

يتطلب Inkling الأصلي بإجمالي 975 مليار معامل (41 مليارًا نشطًا) بنية تحتية كبيرة من GPU. أما Inkling-Small فيخفض عدد المعاملات النشطة إلى 12 مليارًا لكل Token — أي انخفاض بنسبة 70% في الحوسبة لكل استدلال — مع الحفاظ على جزء كبير من أداء النموذج الرئيسي في البرمجة والاستدلال والمهام متعددة الوسائط. لا يزال النموذج كبيرًا جدًا بالنسبة لمحطة عمل استهلاكية، لكنه أصبح، بشكل ملموس، في متناول الشركات التي تمتلك بعض قدرات GPU دون أن تدير بنية تحتية فائقة الاتساع.

الفجوة المقلصة بين 975 مليارًا و276 مليار معامل، مع نتائج Benchmark لا تتحرك إلا بالكاد، تشير أيضًا إلى اتجاه أوسع للكفاءة في تطوير الذكاء الاصطناعي: فالمختبرات تُثبت بشكل متزايد أن بنيات MoE يمكنها تقديم قدرات بمستوى النماذج الرئيسية بتكلفة تشغيل أقل بكثير. هذا الواقع يضع ضغطًا على مزودي API المغلقين وعلى مختبرات النماذج مفتوحة الأوزان الأخرى. تأسست Thinking Machines في أوائل 2025 على يد موراتي بعد مغادرتها OpenAI، وقد جذبت دعمًا استثماريًا كبيرًا.