Thinking Machines تكشف عن Inkling Small مع مقايضة لصالح الحجم الأصغر

Thinking Machines تدافع عن نماذج الاستدلال الأصغر

أطلقت Thinking Machines، مختبر الذكاء الاصطناعي الذي أسسته نائبة الرئيس التنفيذي التقني السابقة في OpenAI ميرا موراتي، نموذج Inkling Small، وهو نموذج استدلال بأوزان مفتوحة صُمم للمنافسة من حيث القدرة مع استخدام بصمة نشطة أصغر بكثير من نموذج Inkling السابق للشركة. ويشير هذا الإطلاق إلى تحول مألوف لكنه يزداد أهمية في سوق الذكاء الاصطناعي: فالكفاءة أصبحت ميزة منتج بحد ذاتها، لا مجرد تفصيل تقني هامشي.

وفقًا للنص المصدر المقدم، تمنح Artificial Analysis نموذج Inkling Small درجة 40 على مؤشر Intelligence Index الخاص بها، أي أقل بدرجة واحدة فقط من Inkling الذي حصل على 41. وهذه الفجوة ضيقة بما يكفي لتوضيح العنوان. ويُوضَع النموذج الجديد كنظام أصغر يقترب من المستوى العام للنموذج الأكبر، مع تحسينات عليه في بعض معايير البرمجة والاستدلال.

ويُعد ملف الحجم الخاص بالنموذج جوهريًا في هذه الفكرة. فوفقًا للوصف، يحتوي Inkling Small على 276 مليار معلمة إجمالية و12 مليار معلمة نشطة، وهو أقل من ثلث حجم Inkling الأصلي بحسب المصدر. كما تقول Artificial Analysis إنه لا يوجد نموذج مفتوح بالحجم نفسه أو الأصغر يحقق درجة أعلى على مؤشرها.

تُظهر نتائج المعايير مكاسب مستهدفة

قصة الاختبارات المعيارية لا تقتصر على أن Inkling Small يقارب سلفه في القوة العامة. فالنص المصدر يقول إنه يتفوق على Inkling الأكبر في عدة اختبارات للبرمجة والاستدلال. ومن الأمثلة المذكورة Humanity’s Last Exam، حيث يسجل Inkling Small نسبة 32% مقابل 30% لـ Inkling، وGPQA Diamond، حيث يصل إلى 89% مقابل 87% لـ Inkling.

هذه الأرقام مهمة لأنها تشير إلى أن النموذج ليس مجرد نسخة مضغوطة تحتفظ بمعظم القدرات. ففي بعض المهام على الأقل، يبدو أنه قادر على التفوق على النظام الأكبر. وهذا النوع من النتائج لافت في سوق كثيرًا ما اعتُبرت فيه النماذج الأكبر الطريق الافتراضي نحو أداء أعلى.

وفي الوقت نفسه، لا يقدم المصدر Inkling Small باعتباره ترقية شاملة. إذ يُذكر أنه يتأخر عن Inkling الأصلي في المهام المعتمدة على الوكلاء وفي المعرفة الواقعية. وهذه المحدودية مهمة لأنها تبقي الإطلاق ضمن إطار المقايضات الواقعية بدلًا من الضجيج التسويقي. فقد يظل المستخدمون الذين يبحثون عن تنفيذ ذاتي أقوى للمهام أو استرجاع أوسع للمعرفة يفضلون نموذجًا أكبر، حتى لو كان الأصغر أكثر جاذبية من ناحية الكفاءة.

الكفاءة هي الرسالة التنافسية الأعمق

قد يكون الفارق الأقوى هو كفاءة الرموز. ويقول المصدر إن Inkling Small يحقق في المتوسط 24000 رمز خرج لكل مهمة، مقارنةً بـ 45000 لدى Deepseek V4 Flash و78000 لدى GPT-5.4 mini. وعلى الظاهر، يشير ذلك إلى نموذج يستطيع إنجاز قدر كبير من الاستدلال مع خرج مولد أقل من بعض الأنظمة المنافسة.

هذا النوع من الكفاءة مهم لكل من الاقتصاد وتصميم المنتج. فخفض استخدام رموز الخرج يمكن أن يقلل تكلفة الاستدلال وزمن الاستجابة، وقد يبسط النشر في البيئات التي يكون فيها معدل الإنتاج أو الميزانية مهمين بقدر قوة الأداء الخام. وبالنسبة للشركات التي تدمج ميزات الذكاء الاصطناعي في منتجاتها، يمكن أن يصبح نموذج يفعل المزيد بعدد أقل من رموز الخرج جذابًا حتى لو لم يتصدر كل لوحة ترتيب.

لذلك يشير هذا الإطلاق إلى تحول أوسع في الطريقة التي يعرض بها مزودو الذكاء الاصطناعي التقدم. فبدلًا من التركيز فقط على الأداء الأقصى المطلق، يتنافس المطورون بشكل متزايد على معادلة الجودة لكل رمز. وينسجم Inkling Small مع هذا النمط عبر تقديم نموذج، استنادًا إلى الأرقام المقدمة، يبقى قريبًا من شقيقه الأكبر في المستوى العام مع تحسين ملف الكفاءة.

الأوزان المفتوحة والإدخال متعدد الوسائط يوسّعان الجاذبية

كما تحاول Thinking Machines توسيع النطاق العملي للنموذج. ويقول النص المصدر إن Inkling Small يدعم مدخلات النص والصورة والصوت، ويأتي مع نافذة سياق تبلغ 256000 رمز. وقد أُصدر بموجب ترخيص Apache 2.0، مع استضافة الأوزان على Hugging Face.

هذه التفاصيل مهمة لأنها تحدد من يمكنه استخدام النموذج وبأي سرعة يمكن تكييفه. فإصدار Apache 2.0 يقلل الاحتكاك أمام التجريب والاستخدام التجاري. كما يجعل دعم الإدخال متعدد الوسائط النظام مناسبًا لطيف أوسع من التطبيقات مقارنةً بالاستدلال النصي فقط. وتزيد نافذة السياق الطويلة من جاذبيته للمهام التي تتطلب التعامل مع مستندات كبيرة أو محادثات طويلة أو ذاكرة عمل واسعة.

ويقول المصدر أيضًا إن المستخدمين يمكنهم ضبط النموذج بدقة داخل المتصفح عبر Tinker Playground. وتتسق هذه الميزة مع تموضع Thinking Machines لنماذجها باعتبارها أساسًا للتخصيص باستخدام بيانات المستخدم الخاصة. وبعبارة أخرى، لا تبيع الشركة قصة نموذج أساسي فقط، بل تبيع أيضًا سير عمل يكيّف فيه المستخدمون هذا النموذج الأساسي لتحقيق أهداف أضيق.

لماذا يكتسب هذا الإصدار أهمية في سوق النماذج الحالي

يأتي Inkling Small في لحظة يواجه فيها مطورو الذكاء الاصطناعي ضغوطًا لإثبات القيمة العملية، لا مجرد الحجم. فاستمرار تدريب نماذج أكبر فأكبر لا يزال مكلفًا، وعلى فرق المنتجات التي تنشرها أن توازن بين التكلفة والسرعة والمرونة والترخيص إلى جانب القدرة. وهذا يخلق مجالًا لنماذج قد لا تكون الأكبر أو الأقوى على جميع المستويات، لكنها جيدة بما يكفي في المهام الرئيسية وأكثر كفاءة في التشغيل.

ويعرض المصدر Inkling Small على أنه بالضبط هذا النوع من العروض: نموذج استدلال بأوزان مفتوحة أصغر يحقق أداءً جيدًا بشكل غير معتاد بالنسبة لحجمه. وإذا صمد هذا التموضع أمام الاستخدام الأوسع، فقد يعزز الحجة القائلة إن تطوير النماذج يدخل مرحلة أكثر انضباطًا، حيث تصبح قيمة التحسين والنشر مهمة بقدر التوسع الخام.

كما أنه يواصل تسليط الضوء على شريحة متنامية في السوق: النماذج المفتوحة التي يمكن ضبطها ودمجها في سير عمل مخصص. ولا تزال الأنظمة الاحتكارية الرائدة تهيمن على كثير من المقارنات العناوينية، لكن إصدارات الأوزان المفتوحة تظل مهمة استراتيجيًا لأنها تمنح المؤسسات تحكمًا مباشرًا أكثر في كيفية تكييف النموذج واستضافته وحوكمته.

خطوة محسوبة لا خطوة قصوى

قد يكون أكثر ما يلفت في Inkling Small هو ما لا يدّعيه. فاستنادًا إلى النص المقدم، لا تعرضه Thinking Machines باعتباره أفضل نموذج في كل فئة. بدلًا من ذلك، يدافع الإصدار عن طرح أضيق وأكثر عملية: أداء قريب من القمة بالنسبة لحجمه، وانتصارات في بعض المعايير على شقيقه الأكبر، وقدرة متعددة الوسائط، وسياق طويل، وملف خرج أقل استهلاكًا للرموز بشكل ملحوظ.

وهذا يجعل الإطلاق أقل صلة بالاستعراض وأكثر صلة بأولويات الهندسة. ومن المرجح أن تظل النماذج الأصغر ذات المعاملات النشطة الأقل، القادرة على الاستدلال الجيد والبقاء مفتوحة وتقليل استهلاك الرموز، جذابة مع نضج نشر الذكاء الاصطناعي. ويبدو أن Inkling Small رهان مباشر على ذلك المستقبل.

أما ما إذا كان سيصبح نموذجًا أساسيًا واسع الاعتماد، فسيعتمد على الاختبار الواقعي بما يتجاوز الأرقام الملخصة هنا. لكن من المعلومات المتاحة، الرسالة الاستراتيجية واضحة بالفعل. تحاول Thinking Machines إثبات أن الكفاءة في الذكاء الاصطناعي لم تعد فئة تنازلية. إنها تتحول إلى مسار تنافسي جاد بحد ذاته.

تعتمد هذه المقالة على تغطية The Decoder. اقرأ المقال الأصلي.