Thinking Machines Inkling: داخل أول نموذج مفتوح الأوزان لـ Mira Murati

أصدرت Thinking Machines Lab، الشركة الناشئة التي أسستها المديرة التقنية السابقة لـ OpenAI Mira Murati، أول نموذج داخلي لها: Inkling، وهو نظام Mixture-of-Experts متعدد الوسائط مفتوح الأوزان. المفاجأة ليست في الحجم — بل في الاستراتيجية. لم يُبنَ Inkling ليفوز بالمعايير القياسية؛ بل بُني ليُنزَّل ويُضبط دقيقاً ويُعاد تشكيله من قِبل المؤسسات التي تشغّله. يتناول هذا الدليل مواصفات Inkling ومعاييره وفكرة "جهد التفكير القابل للتحكم"، وما يعنيه امتلاك قاعدة مفتوحة الأوزان إذا كنت تبني وكلاء ذكاء اصطناعي.

ما هو Inkling؟

Inkling هو أول نموذج عام لـ Thinking Machines Lab، صدر في 15 يوليو 2026 — وهو أول دليل حقيقي للمختبر بعد نحو 18 شهراً من العمل البنية التحتية الخاص في معظمه (TechCrunch).

الحقائق الرئيسية، من منشور الإصدار الخاص بالمختبر:

• 975 مليار معامل إجمالي، 41 مليار نشط — محوّل Mixture-of-Experts (MoE) يُنشّط جزءاً فقط من أوزانه لكل رمز (token)، مما يُبقي النموذج الضخم جداً أسرع وأقل تكلفة في التشغيل.
• نافذة سياق بمليون رمز (token).
• مُدرَّب مسبقاً على 45 تريليون رمز من النصوص والصور والصوت والفيديو، مع استدلال أصيل عبر الأنواع الأربعة. في الوقت الحالي، المخرجات نصية: كود، وبيانات منظمة، وقطع منسّقة.
• مفتوح الأوزان — الأوزان الكاملة متاحة على Hugging Face، سواء كنقطة تفتيش أصلية أو نقطة تفتيش NVFP4 للاستدلال الفعّال على NVIDIA Blackwell.
• معاينة Inkling-Small، وهو نموذج MoE بـ 276 مليار معامل (12 مليار نشط) مُضبَّط لتكلفة وكمون أقل.

أبرز ما جاء من المختبر نفسه: Inkling "ليس النموذج الأقوى إجمالاً المتاح اليوم، سواء المفتوح أو المغلق." هذه هي الاستراتيجية بأكملها، وليست مجرد تحفظ.

الرهان: اضبطه دقيقاً بنفسك

تُصدر معظم المختبرات الحدودية — OpenAI وAnthropic وGoogle — روبوت محادثة للأغراض العامة أولاً، ثم تُضيف ميزات الوكلاء فوقه. يعكس Inkling هذا النهج. تُسوّقه Thinking Machines أقل كمنتج نهائي وأكثر كـ قاعدة للتخصيص: نموذج أساسي واسع ومتوازن تُكيّفه المؤسسات وفق سير عملها الخاص من خلال Tinker، منصة الضبط الدقيق التابعة للمختبر.

الحجة، المُوضَّحة في منشور شركة سبق الإطلاق، هي أن نموذجاً مُدرَّباً مركزياً ثم مُجمَّداً يؤدي أداءً أدنى من نموذج يمكن لكل مؤسسة تشكيله حول خبرتها الخاصة. هذا الرأي يكتسب دعماً خارجياً: حذّر Satya Nadella من Microsoft مؤخراً من أن الشركات التي تعتمد على النماذج المغلقة "تدفع مرتين" فعلياً — مرة في رسوم الاشتراك، ومرة أخرى بتغذية معرفتها الخاصة في إصدارات النماذج المستقبلية لشخص آخر (TechCrunch).

أوضح دليل تقدمه Thinking Machines هو مشروع مع صندوق التحوط Bridgewater Associates: ضبط الباحثون نموذجاً مفتوحاً دقيقاً على الخبرة المالية لـ Bridgewater، وأفادت التقارير بأنه سجّل 84.7% في اختبارات الاستدلال المالي مع تكلفة تشغيل تبلغ نحو أربعة عشر ضعفاً أقل من النماذج الاحتكارية الأفضل. تجدر الإشارة — هذه الأرقام مصدرها تقييم الشركتين أنفسهما، لا جهة مستقلة.

المقايضة هي ملكية المخاطرة. لأن العملاء يضبطون Inkling دقيقاً بأنفسهم، فهم — لا Thinking Machines — المسؤولون عن الحفاظ على تخصيصاتهم آمنة. والضبط الدقيق على هذا المستوى يتطلب كفاءة حقيقية في تعلم الآلة.

جهد التفكير القابل للتحكم

الميزة الأكثر صلة بالوكلاء هي جهد التفكير القابل للتحكم. يتيح لك Inkling ضبط الاستدلال صعوداً أو هبوطاً — مقايضة الدقة بالسرعة والتكلفة — ويمكن تعديل الإعداد من داخل بيئة الكود أو الوكيل. في Hugging Face transformers، يظهر كوسيطة reasoning_effort بمستويات مُسمَّاة.

لماذا يهم: التكلفة والكمون (latency) هما عادةً القيود الملزمة في وكلاء الإنتاج، لا ذروة نتائج المعايير. يمسح إصدار Inkling إعداد الجهد من 0.2 إلى 0.99 ويُظهر النموذج وهو يبلغ نتيجة معينة بعدد أقل من الرموز مقارنة بالمنافسين عند إعداداتهم الافتراضية. المثال الرئيسي: على Terminal Bench 2.1، يُطابق Inkling نتيجة NVIDIA Nemotron 3 Ultra مستخدماً نحو ثلث عدد الرموز.

والمثير للاهتمام أن هذه الكفاءة ظهرت جزئياً خلال التعلم المعزز. عبر أكثر من 30 مليون تمرير RL، أصبحت سلسلة تفكير Inkling أكثر إيجازاً من تلقاء نفسها — تتخلى عن أدوات الربط والوصل مع الحفاظ على الفهم والوصول إلى الإجابة ذاتها. الكفاءة وحدها هي ما دفعت إلى الضغط؛ لم تكن هدفاً تدريبياً مباشراً.

معايير أداء Inkling

يُموضَع Inkling كنموذج مفتوح الأوزان تنافسي لا كقائد مطلق. بعض النتائج التمثيلية من الإصدار (مُشغَّل عند جهد 0.99):

• SWEBench Verified: 77.6% — متقدم على Nemotron 3 Ultra (70.7%)، في مستوى تقريبي مع Kimi K2.6 (80.2%) وGLM 5.2 (80.0%)، متأخر عن النماذج المغلقة كـ Claude Fable 5 (95.0%).
• Terminal Bench 2.1 (أفضل بيئة): 63.8% — في المنتصف بين النماذج مفتوحة الأوزان؛ يتأخر عن GLM 5.2 (82.7%) هنا.
• GPQA Diamond: 87.2%؛ AIME 2026: 97.1% — استدلال قوي.
• FORTRESS (السلامة العدائية): 78.0% — أعلى ضمانات أمان مدمجة بين أي نموذج مفتوح الأوزان قارنه المختبر، دون رفض مفرط للاستعلامات الحميدة المشابهة.
• متعدد الوسائط: 73.5% على MMMU Pro (الرؤية)، 91.4% على VoiceBench (الصوت) — من بين أقوى نتائج النماذج مفتوحة الأوزان الشاملة.

النمط متعمد: واسع ومتوازن عبر النص والوكلاء ومتعدد الوسائط والسلامة، بدلاً من التفوق في لوحة متصدرين واحدة. التحقق المستقل سيكون مهماً هنا — تعتمد عدة نتائج على بيئات المختبر الخاصة أو المُبلَّغ عنها ذاتياً.

كيف بُني (وسؤال التقطير)

بعض ملاحظات البنية للمهتمين تقنياً. يتبع تصميم MoE إلى حد بعيد DeepSeek-V3 (256 خبيراً موجَّهاً، 2 مشتركاً، 6 نشطاً لكل رمز). يتناوب الانتباه (Attention) بين طبقات النافذة المنزلقة والطبقات العالمية بنسبة 5:1، و— والجدير بالملاحظة — تستخدم Thinking Machines تضمينات الموضع النسبية بدلاً من RoPE، مُبلِّغةً عن استقراء أفضل للطول. استخدم التدريب مُحسِّناً هجيناً Muon/Adam على أنظمة NVIDIA GB300 NVL72.

تحفظ صادق تُقرّ به الشركة: لتمهيد مرحلة ما بعد التدريب، أجرت ضبطاً دقيقاً إشرافياً أولياً على بيانات اصطناعية توليدها نماذج مفتوحة أخرى، بما فيها Kimi K2.5 من Moonshot AI — وهي ممارسة تُعرف بالتقطير (distillation). يقول المختبر إن هذا كان جزءاً صغيراً من الحوسبة وأن نموذجه التالي سيستخدم مرحلة ما بعد تدريب مكتفية ذاتياً بالكامل.

ادعاء السرعة جزء من عرض القيمة: استغرق OpenAI نحو خمس سنوات لإيصال تقنيته إلى السوق، وAnthropic نحو ثلاث؛ تقول Thinking Machines إنها أنجزت ذلك في نحو تسعة أشهر.

لماذا تهم النماذج مفتوحة الأوزان لوكلاء الذكاء الاصطناعي

بالنسبة للفرق التي تبني وكلاء، التحول المثير للاهتمام ليس عدد المعاملات — بل نموذج النشر. تُغيّر القاعدة مفتوحة الأوزان الاقتصاديات: بدلاً من الدفع لكل استدعاء API لمزود مغلق، يمكنك تشغيل النموذج على بنيتك التحتية الخاصة، وضبطه دقيقاً على مجالك، والاحتفاظ بالنموذج الناتج خاصاً. هذا هو منطق "امتلك قوتك العاملة" ذاته الذي يدفع الاهتمام بمكدسات الوكلاء المحلية المفتوحة بشكل عام.

جهد التحكم في Inkling والتدريب على بيئة الوكلاء يتناسبان جيداً مع هذا العالم. نموذج يمكنك إبطاؤه للخطوات الصعبة وتسريعه للخطوات الرخيصة — داخل حلقة وكيلك الخاصة — هو بالضبط ما تحتاجه سير العمل الطويلة متعددة الخطوات. إذا كنت تقيّم الخيارات المفتوحة، فإن استعراضاتنا لـ DeepSeek V4 Pro وGLM-5.2 وKimi K2.7 Code تغطي النماذج الأخرى مفتوحة الأوزان من الفئة الحدودية التي يُقاس بها Inkling.

افعل هذا مع قوتك العاملة من الذكاء الاصطناعي مفتوح المصدر

مقدمة Inkling بأكملها — أن الذكاء الاصطناعي القابل للتكيف والمستضاف ذاتياً يتفوق على الحل الواحد للجميع — هي الرهان ذاته وراء Eigent، تطبيق سطح المكتب "Cowork" مفتوح المصدر الذي يُشغّل قوة عاملة من وكلاء الذكاء الاصطناعي متعددين محلياً. حيث يكون Inkling نموذجاً أساسياً تضبطه دقيقاً، يكون Eigent طبقة القوى العاملة فوقه: فريق من الوكلاء يُؤتمتون سير عمل حقيقية متعددة الخطوات على جهازك الخاص، باستخدام النماذج التي تختارها. إذا أردت تشغيل النماذج مفتوحة الأوزان فعلياً بدلاً من مجرد قراءة المعايير، نزّل Eigent وابدأ ببناء سير عمل وكلائك الخاصة اليوم.