مقدمة تحليلية

في 31 يوليو 2026، كشفت شركة Thinking Machines، بقيادة المديرة التقنية السابقة لـ OpenAI، ميرا موراتي، عن نموذجها اللغوي Inkling-Small، بعد أسبوعين فقط من إطلاق Inkling الأصلي. هذا النموذج الجديد، ذو 276 مليار معلمة، حقق 40 نقطة على مؤشر Artificial Analysis Intelligence Index، متفوقاً أو مقترباً من أداء سلفه Inkling الذي يمتلك 975 مليار معلمة، والذي سجل 41 نقطة. اللافت في Inkling-Small أنه يستخدم 12 مليار معلمة نشطة لكل رمز، مقارنة بـ 41 مليار معلمة نشطة لـ Inkling. هذه الخطوة لا تمثل مجرد تخفيض في الحجم، بل تتجاوز Inkling الأكبر في العديد من المعايير، مثل SWE-bench Verified وTerminal Bench 2.1، ما يعيد تعريف معيار الكفاءة في نماذج الذكاء الاصطناعي مفتوحة المصدر للاستخدام المؤسسي.

التحليل التقني

Inkling-Small هو نموذج Mixture-of-Experts (MoE) متفرق، وهو ما يفسر قدرته على تقليل عدد المعلمات النشطة بشكل كبير دون تضحية بالأداء. وفقاً للبطاقة التقنية المنشورة من Thinking Machines، يعتمد فك التشفير المكون من 42 طبقة على توجيه كل رمز إلى ستة من أصل 256 خبيراً متخصصاً، بالإضافة إلى خبيرين مشتركين يبقيان نشطين لكل رمز. هذه البنية تتيح للنظام الاحتفاظ بمجموعة كبيرة من القدرات المتعلمة، ولكنه ينشط جزءاً صغيراً منها فقط خلال كل خطوة استدلال. النموذج أيضاً متعدد الوسائط بشكل أصلي، حيث تُدمج المدخلات النصية والصورية والصوتية في تمثيل مشترك ويتم معالجتها بواسطة فك التشفير، مما يلغي الحاجة إلى أنظمة خارجية منفصلة.

من حيث الأداء، أظهرت الاختبارات المستقلة والداخلية ما يلي:

Artificial Analysis Intelligence Index: سجل Inkling-Small 40 نقطة، مقابل 41 لـ Inkling. لم يسجل أي نموذج مفتوح الأوزان بحجم Inkling-Small أو أصغر منه درجة أعلى على المؤشر.
SWE-bench Verified: تفوق Inkling-Small بنسبة 80.2%، مقارنة بـ 77.6% لـ Inkling.
Terminal Bench 2.1: حقق Inkling-Small 64.7%، مقابل 63.8% للنموذج الأكبر.
مجالات التفوق الأخرى: تفوق Inkling-Small أيضاً في SciCode، Humanity’s Last Exam، GPQA Diamond، وCritPt.
نقاط ضعف: احتفظ Inkling الأصلي بميزة واضحة في المعرفة الواقعية وبعض مهام الوكيل. سجل Inkling-Small 15.5% في τ³-Banking، مقابل 23.7% لـ Inkling. وسجل AA Omniscience لـ Inkling-Small سلبياً، مما يعكس تغطية واقعية أضعف، رغم أن معدل الهلوسة المبلغ عنه كان أقل قليلاً.

يدعم النموذج نافذة سياق تصل إلى مليون رمز. تتضمن متطلبات التشغيل الأساسية لنسخة BF16 ما لا يقل عن 600 GB من ذاكرة GPU الكلية، مع تكوينات مدعومة مثل 4x NVIDIA B300 GPUs أو 8x NVIDIA H200 GPUs. أما نسخة NVFP4 الكمية، فتتطلب حوالي 180 GB من ذاكرة VRAM الكلية، ويمكن تشغيلها في وضع W4A4 على وحدة NVIDIA B300 واحدة، أو في وضع W4A16 على وحدتي H200 GPU. يتم الإعلان عن خصم 50% لفترة محدودة على أسعار API لنموذج Inkling-Small القياسي بـ 64 ألف رمز سياق:

0.58 دولار لكل مليون رمز إدخال (prefill).
1.44 دولار لكل مليون رمز إخراج (sampled).
1.73 دولار لكل مليون رمز تدريب.
0.116 دولار لكل مليون رمز لطلبات prefill المخزنة مؤقتاً.

تتوفر أيضاً نسخة 256 ألف رمز سياق بأسعار أعلى لم يتم الكشف عنها.

السياق وتأثير السوق

إن تقليص حجم Inkling-Small بنسبة 3.5X مقارنة بسلفه Inkling، مع الحفاظ على الأداء، هو عامل جذب رئيسي للمؤسسات. هذا التخفيض المادي يترجم مباشرة إلى متطلبات حوسبة أقل، وتكاليف استدلال منخفضة، وبصمة نشر أصغر، مما يجعله مناسباً للشركات التي تمتلك عدداً محدوداً من وحدات معالجة الرسوميات (GPUs). النموذج ليس مناسباً لأجهزة الكمبيوتر المحمولة أو محطات العمل التقليدية، لكنه يوسع قاعدة المنظمات القادرة على استضافته ذاتياً. يعد إصدار الأوزان الكاملة للنموذج على Hugging Face، ودعم التعديل الدقيق عبر واجهة برمجة تطبيقات Tinker، دليلاً على التزام Thinking Machines بالبيئة مفتوحة المصدر.

تعتبر رخصة Apache 2.0، التي صدر بها Inkling-Small، معياراً ذهبياً للنماذج مفتوحة المصدر للمؤسسات. تمنح هذه الرخصة المنظمات مرونة قانونية واسعة لاستخدام النموذج وتعديله وتعديله بدقة وإعادة توزيعه وتسويقه تجارياً، بما في ذلك استخدامه داخل المنتجات الخاصة، شريطة الامثال لمتطلبات الترخيص والإسناد. هذا يضع Inkling-Small في موقع تفضيلي مقارنة بالعديد من تراخيص الذكاء الاصطناعي “المفتوحة” المخصصة، والتي قد تفرض قيوداً على الإيرادات، أو التزامات العلامة التجارية، أو شروطاً إضافية للنشر التجاري واسع النطاق. على سبيل المثال، قامت شركة Moonshot الصينية بإتاحة أوزان نموذجها Kimi K3 بترخيص “مفتوح” مخصص يتضمن شروطاً تجارية إضافية، مما يزيد من التعقيد القانوني. بالنسبة للفرق القانونية والمشتريات والمنصات، يمكن أن يبسط ترخيص Apache 2.0 عملية الاعتماد بشكل كبير.

كما تشير تعليقات الباحث هوراس هي من Thinking Machines على X، حيث وصف إطلاق Inkling-Small بأنه “روتيني” مقارنةً بـ Inkling، إلى أن الشركة طورت عملية هندسية قابلة للتكرار. هذا يعني أن Inkling-Small استفاد من تحسينات في مزيج بيانات ما قبل التدريب وتغييرات في وصفة التعلم الآلي، مما يشير إلى مسار تطوير نماذج أكثر كفاءة واستدامة في المستقبل. المديرة التنفيذية ميرا موراتي أكدت هذه النقطة، مشيرة إلى أن Inkling-Small يضاهي Inkling في ربع الحجم، مع إمكانية التعديل الدقيق الفوري عبر Tinker. هذا يشير إلى أن Thinking Machines تتحرك نحو وتيرة منتظمة لإنتاج وتطوير ونشر أنظمة متعددة الوسائط مفتوحة الأوزان.

رؤية Glitch4Techs

Inkling-Small هو إنجاز هندسي واضح في ضغط النماذج وتحسين خطوط الإنتاج، وليس اختراقاً ثورياً يغير قواعد اللعبة. إنه حل براغماتي للمؤسسات التي تسعى إلى تقليل تكاليف الاستدلال والنشر دون تضحية كبيرة بالأداء الكلي. ومع ذلك، فإن التسمية “Small” مضللة لغالبية المستخدمين، حيث يظل النموذج بعيداً عن التشغيل على الأجهزة الاستهلاكية. ففي حين أنه يوفر أداءً مقارباً لنموذج Inkling الأكبر بنقطة واحدة فقط على مؤشر Artificial Analysis Intelligence Index، إلا أن متطلباته الدنيا لـ 180 GB من ذاكرة VRAM للنسخة الكمية تحصره في خوادم GPU المؤسسية ومجموعات الحوسبة السحابية.

هذا الواقع العملي يقوض جاذبيته “المصغرة” لأي كيان لا يمتلك بنية تحتية مخصصة، مما يجعله مجرد خيار آخر في سوق متخصصة، لا حلاً واسع النطاق. إنه تحسين تكراري في سوق متطلب، لا قفزة نوعية في إمكانية الوصول.

الذكاء الاصطناعي التوليدي

Thinking Machines تطلق Inkling-Small: أداء قريب بربع الحجم