ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارX: @stretchcloud→ المصدر

Thinking Machines تطلق Inkling 2 Mini: 26 مليار معامل و20.1 نقطة في مؤشر AA Index

قلّصت Thinking Machines نموذج Inkling 2 Small من 594 إلى 26 مليار معامل، ويعمل النموذج الجديد Inkling 2 Mini على حاسوب محمول. وهو محوّل مُحلَّق (looped transformer): تُمرَّر الطبقات نفسها عدة مرات بدلًا من بناء شبكة أوسع. وفي مؤشر الوكلاء الصادر عن Artificial Analysis حصل النموذج على 20.1 نقطة مقابل 31 للإصدار الأكبر. وهو خيار عملي للوكلاء المحليين، شرط أن تقبلوا بجودة أدنى من النموذج الرائد.

معالج بواسطة الذكاء الاصطناعي من X: @stretchcloud؛ بتحرير Hamidun News
Thinking Machines تطلق Inkling 2 Mini: 26 مليار معامل و20.1 نقطة في مؤشر AA Index
المصدر: X: @stretchcloud. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليX: @stretchcloud ↗
رئيس التحرير
النموذج الأكبر Inkling 2 Small594 مليار معامل و31 نقطة في المؤشر نفسه
حقيقة رئيسية #2حصلت Goodfire وNDIF على وصول مبكر لدراسة تبادل المعلومات بين الدورات
حقيقة رئيسية #3صغر ملف الأوزان لا يجعل النموذج سهل التدقيق

تتكرر في الأشهر الأخيرة شكوى واحدة من النماذج مفتوحة الأوزان: سواء كانت قوية أم لا، فقلّة قليلة قادرة على تشغيلها لديها. وهذا بالضبط ما قوبل به نموذج Inkling 2 Small من Thinking Machines بحجمه البالغ 594 مليار معامل. وبعد أسبوعين ردّ المختبر بنموذج Inkling 2 Mini بحجم 26 مليار معامل. وبحسب إعلان الشركة، يتسع النموذج لحاسوب محمول ويناسب مهام الوكلاء. وفي مؤشر Artificial Analysis لعمل الوكلاء يحقق Mini 20.1 نقطة، بينما حقق Small الأكبر 31 نقطة في المؤشر نفسه.

كيف تُختزل قدرات الاستدلال في 26 مليار معامل

بُني Inkling 2 Mini على هيئة محوّل مُحلَّق (looped transformer). في النموذج التقليدي تكون كل طبقة مستقلة: كلما زاد عدد الطبقات زادت الأوزان الفريدة وثقل الملف. أما هنا فتُطبَّق مجموعة الطبقات نفسها عدة مرات متتالية. تخيّلوا أنه بدلًا من عشرة محررين مختلفين يصحّح كل منهم النص مرة واحدة، يوجد محرر واحد يعيد قراءة المسودة عشر مرات. الأوزان الفريدة أقل، لكن الحسابات لكل رمز (token) أكثر. أي أن الشركة تقايض حجم التخزين بزمن الحساب.

وعمليًا يعني هذا ما يلي: النموذج يشغل حيزًا صغيرًا ويتسع لذاكرة الحاسوب المحمول، لكنه ينفق قدرًا ملحوظًا من الحسابات على كل إجابة. هذا مناسب للتشغيل المحلي حيث يكون الأهم أن يتسع النموذج للعتاد لا أن تُنتزع أقصى سرعة ممكنة.

إلى أين يتجه سوق النماذج المفتوحة كله

يضع كاتب التحليل الذي يستند إليه هذا الخبر Inkling ضمن صورة أوسع. فنموذج DeepSeek V4.1 Flash يضم 552 مليار معامل إجمالًا، لكنه يفعّل نحو 16 مليارًا فقط لكل رمز. وبحسب قوله، لدى Qwen من Alibaba وGLM من Zhipu نسخ Flash متناثرة (sparse) مشابهة. الفكرة نفسها: عدد هائل من المعاملات في المجمل، ونسبة قليلة منها فقط تكون نشطة في كل مرة. عندها تستطيع بطاقة رسومات استهلاكية أو حاسوب محمول قوي تشغيل ما كان يتطلب سابقًا رفوفًا من الخوادم.

يتضح إذن أن المختبرات تسلك طريقين مختلفين نحو التشغيل المحلي الرخيص. بعضها يجعل الشبكة متناثرة، فيبقى جزء من الأوزان خاملًا في كل لحظة. وبعضها، مثل Thinking Machines، يجعلها مُحلَّقة: وزن واحد وعدة تمريرات. والخلاصة المشتركة ليست عن تضخّم الأحجام، بل عن كيفية الحصول على الاستدلال دون بنية تحتية مكلفة.

الشفافية جزءًا من المنتج

وآلية الإطلاق نفسها غير معتادة. فقبل الإصدار العام منحت Thinking Machines وصولًا مبكرًا إلى Goodfire وNDIF، وهما جهتان تعملان في مجال قابلية التفسير. وكان عليهما دراسة كيفية انتقال المعلومات بين الدورات داخل النموذج. ومختبر ميرا موراتي، الذي أفادت التقارير بأنه جمع ملياري دولار بتقييم يتراوح بين 10 و12 مليار دولار، يراهن بذلك على نهج بحثي ويميّز نفسه عن OpenAI وAnthropic.

ما ينبغي أخذه في الحسبان

أولًا، 20.1 نقطة أقل بوضوح من 31 نقطة لنموذج Small. هذا ليس بديلًا عن النموذج الرائد، بل مقايضة: تحصلون على التشغيل المحلي وتدفعون الثمن من الجودة. وفي سيناريوهات الوكلاء البسيطة التي لا يجوز فيها إرسال البيانات إلى السحابة، قد يكفي هذا المستوى، لكن عليكم الاختبار على مهامكم أنتم لا الاكتفاء بالمؤشر.

ثانيًا، للبنية المُحلَّقة جانب سلبي يحذّر منه الكاتب صراحةً. فملف الأوزان صغير، لكن الحالة الداخلية للنموذج أصعب في الفحص منها في المحوّل القياسي: الطبقات نفسها تعمل في خطوات مختلفة، ومن الصعب فهم ما يجري في كل تمريرة. صغر الحجم على القرص لا يعني البساطة. ولهذا بالذات يبدو منح الوصول إلى Goodfire وNDIF تفصيلًا لا يخدم التسويق، بل استجابة لمشكلة تدقيق حقيقية.

وأخيرًا، من المهم تذكّر المصدر. فهذا منشور على X يتضمن إعادة سرد وتعليقًا، وبعض المعلومات عن DeepSeek وQwen وGLM تعود إلى كاتب المنشور لا إلى Thinking Machines. أما رقما 26 مليار و20.1 نقطة فمصدرهما إعلان المختبر. ولا توجد حتى الآن قياسات مستقلة للسرعة والجودة على حاسوب محمول فعلي.

الخلاصة العملية

إذا كنتم تبنون وكلاء محليين أو تريدون إبقاء النموذج داخل نطاقكم، فيستحق Inkling 2 Mini أن يُضاف إلى قائمة الاختبار إلى جانب نماذج Flash المتناثرة. قارنوا وفق ثلاثة معايير: الجودة على مهامكم، وزمن الاستجابة على عتادكم، وإمكانية التحقق من سلوك النموذج. والبند الأخير مهم بصورة خاصة للقطاعات الخاضعة للتنظيم، حيث التدقيق مطلوب بقدر الدقة نفسه.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول كيف تُختزل قدرات الاستدلال في 26 مليار معامل؟

بُني Inkling 2 Mini على هيئة محوّل مُحلَّق (looped transformer). في النموذج التقليدي تكون كل طبقة مستقلة: كلما زاد عدد الطبقات زادت الأوزان الفريدة وثقل الملف. أما هنا فتُطبَّق مجموعة الطبقات نفسها عدة مرات متتالية. تخيّلوا أنه بدلًا من عشرة محررين مختلفين يصحّح كل منهم النص مرة واحدة، يوجد محرر واحد يعيد قراءة المسودة عشر مرات. الأوزان الفريدة أقل، لكن الحسابات لكل رمز (token) أكثر. أي أن الشركة تقايض حجم التخزين بزمن الحساب.

ما أبرز التفاصيل حول إلى أين يتجه سوق النماذج المفتوحة كله؟

يضع كاتب التحليل الذي يستند إليه هذا الخبر Inkling ضمن صورة أوسع. فنموذج DeepSeek V4.1 Flash يضم 552 مليار معامل إجمالًا، لكنه يفعّل نحو 16 مليارًا فقط لكل رمز. وبحسب قوله، لدى Qwen من Alibaba وGLM من Zhipu نسخ Flash متناثرة (sparse) مشابهة. الفكرة نفسها: عدد هائل من المعاملات في المجمل، ونسبة قليلة منها فقط تكون نشطة في كل مرة. عندها تستطيع بطاقة رسومات استهلاكية أو حاسوب محمول قوي تشغيل ما كان يتطلب سابقًا رفوفًا من الخوادم. يتضح إذن أن المختبرات تسلك طريقين مختلفين نحو التشغيل المحلي الرخيص.

ما أبرز التفاصيل حول الشفافية جزءًا من المنتج؟

وآلية الإطلاق نفسها غير معتادة. فقبل الإصدار العام منحت Thinking Machines وصولًا مبكرًا إلى Goodfire وNDIF، وهما جهتان تعملان في مجال قابلية التفسير. وكان عليهما دراسة كيفية انتقال المعلومات بين الدورات داخل النموذج. ومختبر ميرا موراتي، الذي أفادت التقارير بأنه جمع ملياري دولار بتقييم يتراوح بين 10 و12 مليار دولار، يراهن بذلك على نهج بحثي ويميّز نفسه عن OpenAI وAnthropic.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…