Oossa

Thinking Machines مدل بازوزن Inkling 2 Mini را منتشر کرد

این مدل ۲۶.۴ میلیاردپارامتری ورودی تصویر و متن می‌پذیرد و روی بعضی لپ‌تاپ‌ها اجرا می‌شود. تکرار لایه‌ها قرار است توان استدلال را افزایش دهد، بی‌آنکه وزن‌های بیشتری ذخیره شود.

نویسنده: منتشرشده توسط Oossa: 2 دقیقه مطالعه

Luca Bravo · Unsplash

Thinking Machines Lab در 20 نوامبر 2026 مدل Inkling 2 Mini را منتشر کرد. این مدل با وزن‌های باز، متن و تصویر می‌پذیرد، از پنجرهٔ زمینهٔ یک‌میلیون‌توکنی پشتیبانی می‌کند و برای استفادهٔ محلی به‌اندازهٔ کافی کوچک طراحی شده است. Artificial Analysis می‌گوید این مدل با مجوز Apache 2.0 عرضه شده است؛ Thinking Machines هم می‌گوید از طریق سرویس Tinker خود برای استنتاج و سفارشی‌سازی در دسترس است.

ویژگی نامتعارف این مدل آن است که برای هر توکن، 12 لایه از 24 لایه‌اش را سه بار اجرا می‌کند. لایه‌های تکرارشده از همان وزن‌ها استفاده می‌کنند و پیام‌ها میان اجراهای آن‌ها جابه‌جا می‌شوند. به این ترتیب، مدل برای هر توکن محاسبات بیشتری انجام می‌دهد، بی‌آنکه سه نسخهٔ جداگانه از آن لایه‌ها ذخیره کند. Thinking Machines می‌گوید این طراحی برای کمک به کارهایی در نظر گرفته شده که چند مرحله دارند، مانند عامل‌های برنامه‌نویسی.

اندازهٔ مدل چقدر است و چه کارهایی می‌تواند انجام دهد؟

تعداد پارامترها بسته به نحوهٔ محاسبهٔ کار تکرارشده متفاوت است. Thinking Machines تعداد کل پارامترها را 26.4 میلیارد، پارامترهای فعال را 3.4 میلیارد و با احتساب حلقه‌زنی، فعال‌سازی وزن‌ها به‌ازای هر توکن را 5.4 میلیارد اعلام کرده است. Artificial Analysis با احتساب گذرهای تکراری، 5.4 میلیارد پارامتر فعال را محاسبه می‌کند و می‌گوید مدل برای هر توکن متنی از 3.1 میلیارد وزن یکتا استفاده می‌کند. Hugging Face هم تعداد پارامترهای کل مدل را حدود 26 میلیارد و پارامترهای فعال آن را 3 میلیارد ذکر می‌کند.

Artificial Analysis دریافته است که Inkling 2 Mini در شاخص هوش این مؤسسه با Qwen3.8 27B در تنظیم xhigh و با Nanbeige4.3-33B هم‌سطح بوده، درحالی‌که پارامترهای فعال کمتری داشته است. برآورد این مؤسسه برای هر کار شاخص، هزینهٔ مدل را 0.59 دلار و زمان آن را نه دقیقه محاسبه می‌کند؛ در مقایسه، این ارقام برای Qwen3.8 27B برابر با 3.53 دلار و 38.2 دقیقه است. این برآورد هزینه بر پایهٔ قیمت‌های API منتشرشده از سوی Thinking Machines است و هزینهٔ اجرای محلی مدل را نشان نمی‌دهد.

Thinking Machines امتیازهای 48.2% در DeepSWE v1.1 و 77.9% در آزمون دشوار 51-task SWE-bench Pro v2 را گزارش کرده است. این شرکت هشدار می‌دهد که روش‌های ارزیابی مدل‌ها با یکدیگر تفاوت دارند. Hugging Face هم می‌گوید اعتبارسنجی بیشتری لازم است؛ بنابراین نباید این نتایج را اثباتی بر بهتر بودن کلی مدل از گزینه‌های دیگر دانست.

آیا می‌توان آن را روی رایانهٔ شخصی اجرا کرد؟

Thinking Machines می‌گوید حافظهٔ موردنیاز مدل حدود 20GB است و اجرای آفلاین آن را روی MacBook Pro مجهز به تراشهٔ M5 Pro و 48GB حافظه شرح می‌دهد. Hugging Face از پشتیبانی ابزارهایی از جمله Transformers، llama.cpp و MLX خبر می‌دهد. این ابزارها راه‌هایی برای آزمایش محلی مدل در اختیار کاربران فنی می‌گذارند، اما به این معنا نیست که مدل روی همهٔ لپ‌تاپ‌ها به‌خوبی اجرا خواهد شد.

Thinking Machines همچنین نسخه‌ای پژوهشی منتشر کرده است که می‌تواند از تعداد متغیری حلقه استفاده کند. این شرکت می‌گوید حلقه‌های کمتر، استنتاج را سریع‌تر می‌کنند، اما ممکن است کیفیت پاسخ را کاهش دهند؛ این نسخه را برای بررسی تأثیر حلقه‌زنی بر عملکرد و امکان نظارت بر استدلال مدل به کار برده است. این چک‌پوینت آزمایشی با نسخهٔ استاندارد Inkling 2 Mini تفاوت دارد.

چرا مهم است

برای توسعه‌دهندگانی که لپ‌تاپی به‌اندازهٔ کافی قدرتمند دارند، وزن‌های باز و پشتیبانی از ابزارهای استنتاج محلی راهی برای آزمایش یک مدل فراهم می‌کند، بی‌آنکه هر درخواست را برای یک چت‌بات میزبانی‌شده بفرستند. شرکت می‌گوید مدل حدود 20GB حافظه می‌خواهد، اما عملکرد آن روی لپ‌تاپ‌های معمولی مصرف‌کننده هنوز روشن نیست.

آیا این مقاله مفید بود؟
اشتراک‌گذاری

بیشتر بخوانید

Oossa · خبرنامه

هفتهٔ هوش مصنوعی، به زبان ساده

هر دوشنبه: خبرهایی که ارزش دانستن دارند، به زبان ساده. رایگان و بدون هرزنامه.