Thinking Machines, குறைந்த அளவிலான சமநிலையுடன் Inkling Small-ஐ அறிமுகப்படுத்துகிறது

சிறிய reasoning models-க்காக Thinking Machines வாதம் முன்வைக்கிறது

முன்னாள் OpenAI CTO மிரா முராட்டி நிறுவிய AI ஆய்வகம் Thinking Machines, நிறுவனத்தின் முந்தைய Inkling model-ஐ விட மிகவும் சிறிய active footprint-இல் capability-க்கு போட்டியிடுவதற்காக வடிவமைக்கப்பட்ட open-weights reasoning model ஆன Inkling Small-ஐ வெளியிட்டுள்ளது. இந்த வெளியீடு AI சந்தையில் ஏற்கனவே பரிச்சயமான ஆனால் நாளுக்கு நாள் முக்கியமாவதாகும் மாற்றத்தை சுட்டிக்காட்டுகிறது: efficiency என்பது வெறும் தொழில்நுட்ப குறிப்பாக இல்லாமல், தனிப்பட்ட product feature ஆக மாறுகிறது.

வழங்கப்பட்ட source text-ன் படி, Artificial Analysis தனது Intelligence Index-இல் Inkling Small-க்கு 40 என்ற score-ஐ அளிக்கிறது, இது Inkling-ன் 41-ஐ விட ஒரு புள்ளி மட்டுமே குறைவு. அந்த இடைவெளி தலைப்பை தெளிவாக்கும் அளவுக்கு சிறியது. புதிய model, சில coding மற்றும் reasoning benchmarks-இல் அதைவிட மேலாக செயல்படுவதோடு, பெரிய model-ன் மொத்த நிலையை நெருங்கும் சிறிய system ஆக நிலைநிறுத்தப்பட்டுள்ளது.

Model-ன் reported size profile இந்தக் கண்ணோட்டத்தின் மையமாக உள்ளது. Inkling Small-க்கு மொத்தமாக 276 billion parameters மற்றும் 12 billion active parameters உள்ளதாக விவரிக்கப்படுகிறது; இது original Inkling-ன் அளவின் மூன்றில் ஒன்றுக்கும் குறைவானது என source கூறுகிறது. மேலும், சம அளவு அல்லது அதைவிட சிறிய எந்த open model-உம் அதன் index-இல் அதிக score பெறவில்லை என்றும் Artificial Analysis தெரிவிக்கிறது.

Benchmark முடிவுகள் இலக்கிடப்பட்ட முன்னேற்றங்களைச் சுட்டிக்காட்டுகின்றன

Benchmark கதை என்பது Inkling Small, அதன் முன்னோடியைப் போலவே மொத்தத்தில் கிட்டத்தட்ட வலுவானது என்பதைத்தான் மட்டும் சொல்லவில்லை. Source text-ன் படி, சில coding மற்றும் reasoning tests-இல் அது பெரிய Inkling-ஐ மிஞ்சுகிறது. குறிப்பிடப்பட்ட இரண்டு உதாரணங்கள் Humanity’s Last Exam; இதில் Inkling Small 32% score பெறுகிறது, Inkling-ன் 30% உடன் ஒப்பிடுகையில்; மேலும் GPQA Diamond, இதில் அது Inkling-ன் 87%க்கு எதிராக 89%-ஐ எட்டுகிறது.

இந்த எண்ணிக்கைகள் முக்கியமானவை, ஏனெனில் model வெறும் சுருக்கப்பட்ட பதிப்பு அல்ல, பெரும்பாலான திறன்களைப் பாதுகாப்பதாக இருப்பதற்கும் மேலாகச் செயல்படுகிறது என்பதைக் காட்டுகின்றன. குறைந்தது சில பணிகளில், அது பெரிய system-ஐ மிஞ்சக்கூடும் போலத் தெரிகிறது. அதிக செயல்திறனுக்கான இயல்பான பாதையாக பெரிய models-ஐ கருதி வந்த சந்தையில், இப்படியான முடிவு குறிப்பிடத்தக்கது.

அதே நேரத்தில், source Inkling Small-ஐ அனைத்து பயன்பாடுகளுக்கும் ஏற்ற upgrade எனக் காட்டவில்லை. Agent-based tasks மற்றும் factual knowledge ஆகியவற்றில் அது original Inkling-க்கு பின்னால் இருப்பதாக கூறப்படுகிறது. இந்த வரம்பு முக்கியமானது, ஏனெனில் அது வெளியீட்டை hype-க்கு பதிலாக tradeoffs-உடன் grounded ஆக வைத்திருக்கிறது. அதிக autonomous task execution அல்லது விரிவான recall தேடும் பயனர்கள், efficiency அதிகம் இருந்தாலும் கூட, பெரிய model-ஐ விரும்பக்கூடும்.

Efficiency தான் ஆழமான போட்டி செய்தி

மேலும் வலுவான வேறுபாடு token efficiency ஆக இருக்கலாம். Source-ன் படி, Inkling Small ஒரு task-க்கு சராசரியாக 24,000 output tokens-ஐ பயன்படுத்துகிறது; இது Deepseek V4 Flash-க்கு 45,000 மற்றும் GPT-5.4 mini-க்கு 78,000 என்பதுடன் ஒப்பிடுகையில் குறைவு. வெளிப்படையாகப் பார்க்கையில், இது சில போட்டி systems-களைவிட குறைவான generated output-உடன் பெரிய அளவிலான reasoning பணியைச் செய்யக்கூடிய model-ஐக் குறிக்கிறது.

அத்தகைய efficiency economics மற்றும் product design இரண்டிற்கும் முக்கியம். குறைவான output token பயன்பாடு inference cost-ஐ மற்றும் latency-ஐ குறைக்கலாம்; மேலும் throughput அல்லது budget raw benchmark strength அளவுக்கு முக்கியமான சூழல்களில் deployment-ஐ எளிமைப்படுத்தலாம். தயாரிப்புகளில் AI features-ஐ இணைக்கும் நிறுவனங்களுக்கு, குறைந்த output tokens-உடன் அதிகம் செய்யும் model, ஒவ்வொரு leaderboard-இலும் முதலிடம் பிடிக்காதிருந்தாலும் கூட, ஈர்ப்பை ஏற்படுத்தும்.

இதனால் இந்த launch, AI vendors முன்னேற்றத்தை எவ்வாறு விவரிக்கிறார்கள் என்பதில் பரந்த மாற்றத்தை சுட்டிக்காட்டுகிறது. Absolute frontier performance-ஐ மட்டும் வலியுறுத்துவதற்குப் பதிலாக, developers இப்போது quality-per-token சமன்பாட்டில் போட்டியிடுகிறார்கள். பொதுவான நிலைப்பாட்டில் பெரிய sibling-க்கு நெருக்கமாகத் தங்கி, efficiency profile-ஐ மேம்படுத்தும் model-ஐ வழங்குவதன் மூலம் Inkling Small அந்த pattern-க்கு பொருந்துகிறது, வழங்கப்பட்ட figures-ன் அடிப்படையில்.

Open weights மற்றும் multimodal input விரிவான ஈர்ப்பை வழங்குகின்றன

Thinking Machines model-ன் நடைமுறைப் பயன்பாட்டை விரிவுபடுத்தவும் முயல்கிறது. Source text-ன் படி, Inkling Small text, image, மற்றும் speech inputs-ஐ ஆதரிக்கிறது, மேலும் 256,000-token context window உடன் வருகிறது. இது Apache 2.0 license கீழ் வெளியிடப்பட்டுள்ளது, weights Hugging Face-இல் host செய்யப்பட்டுள்ளன.

இந்த விவரங்கள் முக்கியமானவை, ஏனெனில் அவை யார் model-ஐ பயன்படுத்த முடியும், எவ்வாறு விரைவில் அதைப் பொருந்தச் செய்ய முடியும் என்பதைக் தீர்மானிக்கின்றன. Apache 2.0 release experimentation-க்கும் commercial use-க்கும் உள்ள friction-ஐ குறைக்கிறது. Multimodal input support, text-only reasoning-ஐ விட பரந்த பயன்பாடுகளுக்கு system-ஐ தொடர்புடையதாக மாற்றுகிறது. மேலும், நீண்ட context window, பெரிய ஆவணங்கள், நீண்ட உரையாடல்கள் அல்லது விரிவான working memory தேவைப்படும் பணிகளில் அதன் ஈர்ப்பை அதிகரிக்கிறது.

Source-ன் படி, பயனர்கள் Tinker Playground மூலம் browser-இல் model-ஐ fine-tune செய்யவும் முடியும். அந்த feature, பயனர்களின் சொந்த data-வைப் பயன்படுத்தி customization செய்யும் அடித்தளமாக அதன் models-ஐ நிலைநிறுத்தும் Thinking Machines-ன் அணுகுமுறைக்கு பொருந்துகிறது. வேறு வார்த்தைகளில், நிறுவனம் ஒரு base model கதையை மட்டுமல்ல விற்பனை செய்கிறது. அந்த base model-ஐ குறுகிய இலக்குகளுக்காகப் பொருந்தச் செய்யும் workflow-ஐயும் விற்பனை செய்கிறது.

தற்போதைய model சந்தையில் இந்த release ஏன் முக்கியம்

AI developers நடைமுறை மதிப்பை நிரூபிக்க வேண்டிய அழுத்தம் அதிகரிக்கும் நேரத்தில் Inkling Small வருகிறது; வெறும் அளவை மட்டும் காட்டுவது போதாது. மேலும் பெரிய models-ஐ train செய்வது செலவானது, அவற்றை deploy செய்யும் product teams capability-க்கு இணையாக cost, speed, flexibility, மற்றும் licensing ஆகியவற்றை கணக்கில் கொள்ள வேண்டும். இதனால் பெரியது அல்லது மிக சக்திவாய்ந்தது இல்லாவிட்டாலும், முக்கிய பணிகளில் போதுமானதாகவும், இயக்குவதற்கு மேலும் திறமையானதாகவும் இருக்கும் models-க்கு இடம் உருவாகிறது.

Source, Inkling Small-ஐ அதே வகை offering ஆகவே அமைக்கிறது: அதன் அளவுக்கு ஒப்பிடும்போது அசாதாரணமாக நன்றாக செயல்படும் சிறிய open-weights reasoning model. இந்த நிலைமையாக்கம் பரந்த பயன்பாட்டில் நிலைபெற்றால், model development ஒரு மேலும் கட்டுப்படுத்தப்பட்ட கட்டத்துக்குள் நுழைகிறது என்பதற்கான வாதத்தை வலுப்படுத்தலாம்; அங்கு optimization மற்றும் deployment value, raw expansion-ஐப் போல் முக்கியமாகிறது.

அதே நேரத்தில், custom workflows-களில் fine-tune செய்து இணைக்கக்கூடிய open models என்ற வளர்ந்து வரும் market segment-இன்மீது கவனத்தைத் தொடர வைத்திருக்கிறது. Proprietary frontier systems பல headline comparisons-ஐ இன்னும் ஆதிக்கம் செலுத்தினாலும், open-weight releases strategic-ஆக முக்கியமானவையே; ஏனெனில் அவை ஒரு model-ஐ எவ்வாறு adapt செய்ய வேண்டும், host செய்ய வேண்டும், மற்றும் govern செய்ய வேண்டும் என்பதில் நிறுவனங்களுக்கு நேரடி கட்டுப்பாட்டை வழங்குகின்றன.

அதிகப்படுத்தும் முயற்சி அல்ல, அளவிட்ட ஒரு படி

Inkling Small பற்றிய மிகவும் சுவாரசியமான அம்சம் அது எதை வலியுறுத்தவில்லை என்பதுதான். வழங்கப்பட்ட text-ன் அடிப்படையில், Thinking Machines இதை ஒவ்வொரு category-யிலும் ஒரே சிறந்த model என முன்வைக்கவில்லை. அதற்கு பதிலாக, இந்த release ஒரு குறுகிய, நடைமுறை சார்ந்த முன்மொழிவை முன்வைக்கிறது: அதன் அளவுக்கு ஏற்ப top-tier performance-க்கு நெருக்கமாக இருப்பது, பெரிய sibling-ஐ விட சில benchmark wins, multimodal capability, long context, மற்றும் குறிப்பிடத்தக்க அளவில் குறைந்த output-token profile.

அது launch-ஐ spectacle-ஐ விட engineering priorities-ஐப் பற்றியதாக மாற்றுகிறது. நன்றாக reasoning செய்யும், open-ஆக இருக்கும், மேலும் token burn-ஐ குறைக்கும் சிறிய active models, AI deployment முதிர்ச்சியடையும் போது தொடர்ந்து ஈர்ப்பைத் தக்கவைத்துக்கொள்ள வாய்ப்புள்ளது. Inkling Small அந்த எதிர்காலத்தில் ஒரு நேரடி bet போலத் தெரிகிறது.

இங்கு வழங்கப்பட்ட summary figures-ஐத் தாண்டிய நிஜ உலக சோதனைகளின் அடிப்படையில் அது பரவலாகப் பயன்படுத்தப்படும் foundation model ஆகுமா என்பது தெரிய வேண்டும். ஆனால் கிடைத்த தகவல்களின் அடிப்படையில், strategic message ஏற்கனவே தெளிவாக உள்ளது. AI-யில் efficiency இனி ஒரு சமரச வகை அல்ல என்பதை Thinking Machines நிரூபிக்க முயல்கிறது. அது தனித்த ஒரு போட்டி பாதையாக மாறிக்கொண்டிருக்கிறது.

இந்தக் கட்டுரை The Decoder வழங்கிய செய்தியின்பேரில் அமைந்தது. மூலக் கட்டுரையைப் படிக்கவும்.