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)
إصدارAPI / منتج · جاهز للعملX: @MTSlive→ المصدر

Thinking Machines تطلق Inkling 2 Mini: نموذج للحاسوب المحمول أرخص بست مرات من Qwen3.8 27B

أطلقت Thinking Machines نموذج Inkling 2 Mini المفتوح، وهو يعمل على جهاز Mac بذاكرة 32 غيغابايت، أي دون الحاجة إلى واجهة API سحابية. من بين 24 طبقة، تُمرَّر الطبقات الـ12 الوسطى ثلاث مرات على كل توكن، ولهذا يفكر النموذج أكثر في داخله ويكتب أقل. في التصنيف المجمّع لـ Artificial Analysis يحصل النموذج على 20.1 نقطة، وهي النتيجة نفسها لـ Qwen3.8 27B، لكن المهمة تكلّف أقل بنحو 6 مرات وتُنجَز أسرع بـ4 مرات. وهو مرشح جدير بالاختبار للوكلاء المحليين.

معالج بواسطة الذكاء الاصطناعي من X: @MTSlive؛ بتحرير Hamidun News
Thinking Machines تطلق Inkling 2 Mini: نموذج للحاسوب المحمول أرخص بست مرات من Qwen3.8 27B
المصدر: X: @MTSlive. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليX: @MTSlive ↗
رئيس التحرير
Apache 2.026.4 مليار معامل، منها 3.4 مليار نشطة
DeepSWE v1.1 (مهام البرمجة)48.2%، وهي الأفضل بين النماذج المفتوحة التي تقل عن 100B
حقيقة رئيسية #3أصبحت سلسلة الاستدلال أقصر، لكنها ما زالت مقروءة لأغراض التحقق

عادةً ما يعيش النموذج الجيد على خوادم الآخرين: تدفعون مقابل كل طلب وترسلون شيفرتكم إلى هناك. أما النموذج الذي يتسع له الحاسوب المحمول فهو في الغالب أضعف من أن يؤدي عمل وكيل جاد. حاولت Thinking Machines إزالة هذه المفاضلة، فأطلقت Inkling 2 Mini. هذا نموذج مفتوح يعمل على جهاز Mac بذاكرة وصول عشوائي 32 غيغابايت. في Artificial Analysis Intelligence Index، وهو تصنيف مجمّع يقارن النماذج عبر مجموعة اختبارات في الاستدلال والعمل مع الشيفرة، يحصل النموذج على 20.1 نقطة. وهذه هي نتيجة Qwen3.8 27B نفسها. لكن، بحسب بيانات المختبر، تكلّف المهمة الواحدة مع Mini أقل بنحو 6 مرات وتُنفَّذ أسرع بنحو 4 مرات.

يرتبط ظهور Mini برد الفعل على الإصدار السابق. فقد رأى بعض المستخدمين أن Inkling 2 Small ثقيل أكثر من اللازم، إذ يبلغ عدد معاملاته 594 مليار. وردًّا على ذلك، أنتج المختبر نموذجًا أصغر بنحو 22 مرة، بـ26.4 مليار معامل.

كيف «يفكر» النموذج في دورات

تمرّر الشبكة العصبية المعتادة كل توكن (قطعة من النص) عبر حزمة الطبقات مرة واحدة. أما Inkling 2 Mini فمصمَّم بشكل مختلف. لديه 24 طبقة، وتُنفَّذ الطبقات الـ12 الوسطى منها ثلاث مرات على كل توكن. تُسمّى هذه البنية المحوّل الحلقي (looped transformer).

تخيّلوا مبرمجًا يعيد قراءة دالة معقدة في ذهنه بدل أن يدوّن استدلالاته على ورقة. يُجري النموذج حسابات أكثر في داخله، ويُخرج نصًا أقل إلى الخارج. وتقليل التوكنات المولَّدة يعني تقليل الوقت والمال المطلوبين للمهمة. يضاف إلى ذلك أن 3.4 مليار معامل فقط من أصل 26.4 مليار تكون نشطة في الوقت نفسه: إذ يعمل على كل توكن جزء من الشبكة فقط. ولهذا يتسع النموذج لذاكرة الحاسوب المحمول.

ماذا عن الجودة والترخيص

يورد المختبر الأرقام التالية:

  • 20.1 نقطة في Artificial Analysis Intelligence Index، أي بمستوى Qwen3.8 27B؛
  • أرخص بنحو 6 مرات وأسرع بنحو 4 مرات في المهمة الواحدة عند النتيجة نفسها؛
  • 48.2% في DeepSWE v1.1، وهو اختبار معياري في هندسة البرمجيات. وبحسب Thinking Machines، هذه أفضل نتيجة بين النماذج المفتوحة التي تقل عن 100 مليار معامل.

يسمح ترخيص Apache 2.0 بالاستخدام التجاري والضبط الدقيق (fine-tuning) والدمج في المنتجات دون الحاجة إلى موافقات. وبالنسبة إلى الفرق التي لا ترغب في إرسال الشيفرة والبيانات إلى واجهة API خارجية، فهذه أهم ميزة عملية.

هل يمكن الوثوق بـ«أفكار» النموذج

تنطوي النماذج الحلقية على مخاطرة. فإذا جرى جزء من الاستدلال داخل الطبقات، فقد تتوقف سلسلة الاستدلال (chain of thought) التي يكتبها النموذج في إجابته عن عكس مجرى تفكيره الفعلي. وهذا مهم من منظور الأمان. وإليكم اقتباسًا من الإعلان: «لا ينبغي أن يكون بمقدور النموذج أن يكتب في سلسلة الاستدلال أي شيء. يجب أن تُظهر السلسلة ما يفعله النموذج حقًّا».

فحص المختبر قابلية المراقبة (monitorability)، أي إلى أي حد يمكن فهم سلوك النموذج من استدلالاته المسجَّلة. والنتيجة: أصبحت السلسلة أقصر، لكنها بقيت مقروءة. وعلى مقياس Mini لا يظهر تدهور ملحوظ. كما نشرت Thinking Machines نموذجًا بحثيًا منفصلًا بعدد متغير من الدورات، يتيح لباحثين آخرين اختبار كيف يؤثر عمق التكرار الحلقي في الشفافية.

ما العمل بهذا

حتى الآن هذه بيانات المختبر نفسه، ولا توجد في الإعلان قياسات مستقلة. والنتيجة 20.1 تدل على مستوى نموذج مفتوح متوسط، وليست رقمًا قياسيًا. أما الاستنتاج بأنه «الأفضل بين المفتوحة دون 100B» فيخص اختبارًا معياريًا واحدًا هو DeepSWE v1.1. وسيتعيّن عليكم قياس السرعة والتكلفة الفعليتين على عتادكم وفي مهامكم بأنفسكم.

والمغزى العملي كالتالي. إذا كنتم تبنون وكيل برمجة محليًا أو أداة داخلية تهمّ فيها التكلفة والخصوصية، فأضيفوا Inkling 2 Mini إلى مجموعة الاختبار بجانب Qwen3.8 27B. قارنوا لا النقاط وحدها، بل الزمن اللازم للمهمة كاملة: فالمكسب بأربعة أضعاف مُعلَن للمهمة، لا للتوكن. وضعوا في الحسبان أيضًا أن 32 غيغابايت من الذاكرة هي الحد الأدنى لجهاز Mac.

وبالنسبة إلى السوق، هذه إشارة أخرى: المنافسة بين النماذج المفتوحة تتحول من زيادة عدد المعاملات إلى استخدام أذكى للحوسبة على كل توكن.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول كيف «يفكر» النموذج في دورات؟

تمرّر الشبكة العصبية المعتادة كل توكن (قطعة من النص) عبر حزمة الطبقات مرة واحدة. أما Inkling 2 Mini فمصمَّم بشكل مختلف. لديه 24 طبقة، وتُنفَّذ الطبقات الـ12 الوسطى منها ثلاث مرات على كل توكن. تُسمّى هذه البنية المحوّل الحلقي (looped transformer). تخيّلوا مبرمجًا يعيد قراءة دالة معقدة في ذهنه بدل أن يدوّن استدلالاته على ورقة. يُجري النموذج حسابات أكثر في داخله، ويُخرج نصًا أقل إلى الخارج. وتقليل التوكنات المولَّدة يعني تقليل الوقت والمال المطلوبين للمهمة.

ما أبرز التفاصيل حول ماذا عن الجودة والترخيص؟

يورد المختبر الأرقام التالية: 20.1 نقطة في Artificial Analysis Intelligence Index، أي بمستوى Qwen3.8 27B؛ أرخص بنحو 6 مرات وأسرع بنحو 4 مرات في المهمة الواحدة عند النتيجة نفسها؛ 48.2% في DeepSWE v1.1، وهو اختبار معياري في هندسة البرمجيات. وبحسب Thinking Machines، هذه أفضل نتيجة بين النماذج المفتوحة التي تقل عن 100 مليار معامل. يسمح ترخيص Apache 2.0 بالاستخدام التجاري والضبط الدقيق (fine-tuning) والدمج في المنتجات دون الحاجة إلى موافقات.

ما أبرز التفاصيل حول هل يمكن الوثوق بـ«أفكار» النموذج؟

تنطوي النماذج الحلقية على مخاطرة. فإذا جرى جزء من الاستدلال داخل الطبقات، فقد تتوقف سلسلة الاستدلال (chain of thought) التي يكتبها النموذج في إجابته عن عكس مجرى تفكيره الفعلي. وهذا مهم من منظور الأمان. وإليكم اقتباسًا من الإعلان: «لا ينبغي أن يكون بمقدور النموذج أن يكتب في سلسلة الاستدلال أي شيء. يجب أن تُظهر السلسلة ما يفعله النموذج حقًّا». فحص المختبر قابلية المراقبة (monitorability)، أي إلى أي حد يمكن فهم سلوك النموذج من استدلالاته المسجَّلة. والنتيجة: أصبحت السلسلة أقصر، لكنها بقيت مقروءة.

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…