Thinking Machines Inkling-Small: نموذج 276B يتفوق على نظيره الأكبر

أصدرت Thinking Machines Lab نموذج Inkling-Small، وهو نموذج Mixture-of-Experts مفتوح الأوزان يضم 276B معامل إجمالي و12B معامل نشط — أي ما يعادل ربع حجم نموذجها الأول Inkling تقريباً، مع مضاهاته أو تجاوزه في الاستدلال وبرمجة الوكلاء. القصة هنا ليست في الحجم؛ بل في الكفاءة. يتناول هذا الدليل مواصفات Inkling-Small وأرقام معاييره المستقاة مباشرة من الإصدار، وتكلفة تشغيله، وما يعنيه نموذج مفتوح الأوزان عالي الكفاءة إذا كنت تبني وكلاء ذكاء اصطناعي.

ما هو Inkling-Small؟

Inkling-Small هو النموذج الثاني من Thinking Machines Lab، الشركة الناشئة التي أسستها المديرة التقنية السابقة لـ OpenAI، Mira Murati. وصل بعد نحو أسبوعين من Inkling، أول إصدار مفتوح الأوزان للمختبر، وهو مبني على فكرة واحدة: الحفاظ على القدرة مع تقليص الحوسبة.

الحقائق الرئيسية، من منشور الإصدار وبطاقة النموذج:

• 276B معامل إجمالي، 12B معامل نشط — محوّل MoE متفرق. هذا ما يعادل ربع Inkling تقريباً (975B إجمالي / 41B نشط).
• نافذة سياق بسعة مليون رمز.
• متعدد الوسائط بشكل أصلي — يستدل على النصوص والصور والصوت، باستخدام نفس البنية الخالية من المشفر كـ Inkling.
• جهد تفكير متغير — ضبط الاستدلال صعوداً أو هبوطاً للموازنة بين الدقة والسرعة والتكلفة.
• أوزان مفتوحة بموجب Apache 2.0، على Hugging Face — بما في ذلك نقطة تفتيش مكمّمة NVFP4 للاستدلال الفعّال.
• مدرَّب على أنظمة NVIDIA GB300 NVL72.

من الناحية المعمارية، هو محوّل فك تشفير فقط من 42 طبقة يوجّه كل رمز إلى 6 من أصل 256 خبيراً، بالإضافة إلى خبيرين مشتركين نشطين على كل رمز (بطاقة النموذج). وصفة MoE تتبع نفس النسب كـ Inkling.

المفاجأة: النموذج الصغير يتفوق على الكبير

الجزء المفاجئ هو أن Inkling-Small لا يكتفي بمقاربة Inkling — بل يتقدم عليه في عدة معايير. تشرح Thinking Machines السبب في الإصدار: بدأ تدريب Inkling-Small بعد نظيره الأكبر، مما أتاح للفريق تحسين مزيج بيانات التدريب المسبق ووصفته، ثم التدريب اللاحق لنقطة تفتيش مبكرة باستخدام التقطير على السياسة مع Inkling كمعلم. ومن هناك، قاموا بتوسيع نطاق التعلم المعزز لبرمجة الوكلاء لأسبوعين إضافيين (منشور الإصدار).

النتيجة، بكلمات المختبر نفسه: تجاوز Inkling-Small نموذج Inkling في الاستدلال وبرمجة الوكلاء، بينما يحتفظ Inkling بميزة في تغطية المعرفة والدقة الواقعية. مثال ملموس — على اختبار Humanity's Last Exam (نص فقط) يسجل 31.6%، متقدماً على Inkling بـ 29.7%، ويُفيد المختبر بأن هذه الميزة تتحقق عند كل ميزانية تفكير.

معايير أداء Inkling-Small

جميع الأرقام أدناه مأخوذة من الإصدار، مُشغَّلة عند جهد 0.99. النمط هو نموذج عام متوازن وشامل بدلاً من نموذج متخصص في قوائم المتصدرين. حيث يتضمن الأمر تسخير تقارير ذاتية، نشير إلى ذلك.

*يستخدم SWEBench Verified وTerminal Bench 2.1 تسخيرات البرمجة الخاصة بالمختبر لنماذج Inkling؛ أما النماذج الخارجية فتستخدم أرقاماً ذاتية التقرير. ضع هذا التحفظ في الاعتبار عند المقارنة بين النماذج — سيكون للتحقق المستقل أهميته.

استنتاجان. أولاً، في مهام البرمجة والاستدلال الأكثر أهمية للوكلاء، يكون النموذج الصغير متعادلاً على الأقل مع الكبير. ثانياً، المقايضة هي الدقة الواقعية: على SimpleQA Verified، ينخفض Inkling-Small إلى 20.6% مقابل 43.9% لـ Inkling — عدد أقل من المعاملات يعني معرفة أقل بالعالم محفوظة في الذاكرة، وهو بالضبط المجال الذي تُثبت فيه الاسترجاع أو الأدوات قيمتها.

مقارنةً بفئة وزنه الفعلية، يُنافس Inkling-Small نظراءه من النماذج مفتوحة الأوزان مثل DeepSeek V4 Flash وQwen3.5-397B-A17B وGLM 5.2 — يتبادل الفوز حسب المعيار بدلاً من الهيمنة.

حجة الكفاءة: التكلفة والحوسبة

العرض الحقيقي هو منحنى الأداء مقابل الدولار. لأن 12B معامل فقط نشطة لكل رمز، فإن Inkling-Small أرخص في الخدمة من Inkling عند مستوى جودة مماثل.

• سعر الإخراج: Inkling-Small مُدرج بـ $1.20 / مليون رمز مقابل $4.05 / مليون رمز لـ Inkling (منشور الإصدار) — ما يعادل ثلث التكلفة تقريباً.
• الحد الأدنى للأجهزة: تحتاج نقطة التفتيش BF16 إلى 600 جيجابايت على الأقل من VRAM المجمّع (مثلاً 4× NVIDIA B300 أو 8× H200). أما نقطة التفتيش المكمّمة NVFP4 فتخفض ذلك إلى 180 جيجابايت ويمكن تشغيلها على B300 واحد (بطاقة النموذج، MarkTechPost).

مسار وحدة المعالجة الرسومية الواحدة هو العنوان الرئيسي للفرق الأصغر: نموذج متعدد الوسائط بـ 276B معامل يمكن لشركة ناشئة استضافته ذاتياً على B300 واحد مستأجر، بدلاً من الحاجة إلى مجموعة حوسبة على مستوى المختبرات الرائدة.

تعدد الوسائط والمعرفية والسلامة

تعدد الوسائط. يستخدم Inkling-Small نفس التصميم متعدد الوسائط الأصلي الخالي من المشفر كـ Inkling — الصوت كمطيافات dMel، والصور مقسّمة إلى رقع 40×40 — ويقول المختبر إنه حسّن قدرة النموذج على استخدام Python للمهام البصرية مثل الاقتصاص والتكبير في المخططات والمستندات. يضاهي Inkling في معظم تقييمات تعدد الوسائط بتكلفة أقل.

المعرفية. دُرِّب المعايرة بالتعلم المعزز وفق قواعد التسجيل الصحيحة على أسئلة التنبؤ الواقعية. على ForecastBench (بدون بحث) يسجل مؤشر Brier بـ 61.3 ± 0.46، متقدماً قليلاً على Inkling بـ 60.1 (منشور الإصدار).

السلامة. يرث وصفة سلامة Inkling. يبلغ StrongREJECT 98.4%، وعلى FORTRESS يسجل 71.6% عدائي / 96.9% حميد. يوصي المختبر بإضافة طبقات إشراف تدفق بيانات مثل Llama Guard في النشرات الموجهة للمستهلكين (MarkTechPost). كما هو الحال مع Inkling، تمتلك الفرق التي تضبط الأوزان المفتوحة دقيقاً مسؤولية سلامة تخصيصاتها.

كيفية تشغيله

لديك ثلاثة مسارات (بطاقة النموذج):

1. تنزيل الأوزان من Hugging Face — BF16 أو نقطة التفتيش المكمّمة NVFP4.
2. الضبط الدقيق على Tinker، منصة الضبط الدقيق للمختبر، التي توفر أيضاً وصولاً عبر API وبيئة Playground للدردشة النصية والصورية والصوتية.
3. مزودو الاستدلال من أطراف ثالثة عبر API للفرق التي لا تريد استضافته بنفسها.

لماذا يهم النموذج المفتوح الأوزان عالي الكفاءة لوكلاء الذكاء الاصطناعي

بالنسبة للفرق التي تبني وكلاء، يُعمّق Inkling-Small التحول ذاته الذي بدأه Inkling: يمكنك تشغيل نموذج قادر ومتعدد الوسائط على بنيتك التحتية الخاصة، وضبطه دقيقاً على مجالك، والاحتفاظ بالنتيجة خاصة — دون دفع رسوم لكل استدعاء API لمزود مغلق. الفارق الآن هو الاقتصاد. نموذج بربع الحجم وثلث السعر، مع مسار مكمّم على وحدة معالجة رسومية واحدة، ينقل الاستضافة الذاتية من "ميزانية مختبر رائد" إلى "نسخة واحدة مستأجرة".

جهد التفكير المتغير هو الميزة الأصلية للوكلاء: أبطئ النموذج في خطوات التخطيط الصعبة، وأسرعه في الخطوات الرخيصة، كل ذلك داخل حلقتك الخاصة — وهو بالضبط ما تحتاجه سير العمل الطويلة متعددة الخطوات. إذا كنت تقارن الخيارات المفتوحة، فإن مقالتنا عن Thinking Machines Inkling الأصلي تغطي النموذج الأكبر وأطروحة الضبط الدقيق الذاتي بمزيد من العمق.

افعل هذا مع قوى عاملة ذكاء اصطناعي خاصة بك

الفرضية الكاملة لـ Inkling-Small — أن نموذجاً فعّالاً مستضافاً ذاتياً يمكنك تشكيله بنفسك يتفوق على الحل الموحد للجميع — هي نفس الرهان وراء Eigent، تطبيق سطح المكتب "Cowork" مفتوح المصدر الذي يشغّل قوى عاملة من وكلاء الذكاء الاصطناعي محلياً. حيث يُعدّ Inkling-Small نموذجاً أساسياً تضبطه دقيقاً، يُمثّل Eigent طبقة القوى العاملة فوقه: فريق من الوكلاء يؤتمت سير العمل الحقيقية متعددة الخطوات على جهازك، باستخدام النماذج التي تختارها. لتشغيل النماذج مفتوحة الأوزان بدلاً من مجرد قراءة جداول المعايير، نزّل Eigent وابدأ في بناء سير عمل الوكلاء الخاصة بك.