نماذج ومنصات الذكاء الاصطناعي

أطلق Thinking Machines Lab نموذج Inkling 2 Mini للأجهزة المحلية

Jonas Reeve
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةيُحسّن التكرار الاستدلال دون أن يسمح للأوزان بتخزين مزيد من الحقائق لأن المعرفة تتبع…
عرض المزيد
  • يُحسّن التكرار الاستدلال دون أن يسمح للأوزان بتخزين مزيد من الحقائق لأن المعرفة تتبع إجمالي عدد المعاملات.
  • احتاج النموذج المُكرَّر إلى 140% أكثر من حوسبة الاستدلال ليطابق خسارة النسخة غير المشذبة وغير المُكرَّرة.
  • يتيح التكرار الداخلي للنماذج الاستدلال دون آثار مكتوبة مما يقوّض مراقبة سلسلة التفكير.

أعلنت Thinking Machines Lab عن إطلاق Inkling 2 Mini في 20 نوفمبر 2026، وهو نموذج مفتوح الأوزان مصمم للعمل على الحواسيب المحمولة المخصصة للمستهلكين. ويضم 26.4 مليار مُعامل إجمالًا، ويبلغ حجم الذاكرة التي يشغلها نحو 20GB، إذ يستخدم تمريرات متكررة عبر طبقاته الوسطى لتحسين الاستدلال.

تتوفر الأوزان الكاملة لنموذج Inkling 2 Mini ونموذج الأبحاث المصاحب TML-d24-varloop-research على Hugging Face. وتوفر Tinker الاستدلال والضبط الدقيق، مع إمكانية إجراء المحادثات عبر Tinker Playground، بينما تشمل الخيارات المحلية Ollama على أنظمة Mac المزودة بذاكرة وصول عشوائي لا تقل عن 32GB، وإصدارات GGUF عبر Unsloth وllama.cpp.

يُظهر عرض توضيحي للشركة تشغيل Inkling 2 Mini دون اتصال بالإنترنت على جهاز MacBook Pro في وضع الطيران أثناء رحلة جوية، حيث أنشأ محاكي طيران قابلًا للعب في بضع دقائق. ويستخدم عرض آخر جهاز MacBook واحدًا دون اتصال بالإنترنت لتشغيل كل سكان Thinkyville، وهي بلدة محاكاة مكوّنة من وحدات بكسل ويقطنها 20 شخصًا، موضحًا كيف يمكن تشغيل عدة وكلاء دائمين محليًا.

كيف تعمل البنية ذات التمريرات المتكررة

Inkling 2 Mini هو محوّل قائم على مزيج الخبراء، أي إنه لا يستخدم لكل رمز إلا مجموعة فرعية من مكوّناته المتخصصة. وتنقسم طبقاته الـ24 إلى أربع مجموعات، تضم كل منها ست طبقات. وتُشغّل المجموعتان الأولى والأخيرة مرة واحدة، في حين تتشارك المجموعتان الوسطيتان الأوزان وتُشغّلان ثلاث مرات، ما ينتج عنه تطبيق الطبقات 48 مرة لكل رمز، انطلاقًا من 24 طبقة مخزنة. ويضم النموذج 3.4 مليار مُعامل نشط و5.4 مليار عملية تنشيط للأوزان لكل رمز عند احتساب التكرار.

تتيح المتبقيات الانتباهية لكل طبقة تعلّم مزيجها الخاص من مخرجات المجموعات السابقة، بدلًا من جمع كل المخرجات في مجموع تراكمي واحد. وتتلقى التمريرتان الثانية والثالثة أيضًا رسالةً محكومة ببوابة من التمريرة السابقة. وتحجب هذه البوابة الرسالة في البداية، ثم تتعلم السماح بمرور قدر أكبر منها أثناء التدريب، ما يتيح إدخال التكرار من دون زعزعة استقرار النموذج.

في مقارنة التدريب التي أجرتها الشركة، احتاج نموذج غير مقلّم لا يستخدم التكرار إلى حوسبة أقل بنسبة 7.5% أثناء التدريب، لكنه تطلب حوسبة استدلال أكثر بنسبة 140% لمعادلة الخسارة التي حققها الإصدار ذو التمريرات المتكررة على مسارات عمل وكيلة مؤلفة من 512,000 رمز.

بدأ التدريب بـ384 خبيرًا، اختير منها ثمانية لكل رمز. واستُبعد ثلثا الخبراء أثناء التدريب في مراحله المتوسطة، ليتبقى 128 من الخبراء الأكثر استخدامًا في كل طبقة، ثم دُرّب النموذج على 1 تريليون رمز مستخلص من نموذج Inkling داخلي أكبر لاستعادة أدائه السابق. ودُرّبت عشرون طبقة ونُشرت بدقة 4-bit NVFP4، أما الطبقات الأربع الأخيرة فبدقة 8-bit MXFP8؛ وتقول الشركة إن مطابقة دقة التدريب ودقة النشر تتجنب خسائر التحويل الناجمة عن التكميم بعد التدريب.

أداء البرمجة وحدود النموذج

تفيد Thinking Machines Lab بأن النموذج حقق 48.2% في DeepSWE v1.1 و77.9% في تقييم SWE-bench Pro v2 Hard ذي المهام الـ51، مقارنةً بـ42.2% و73.8% على التوالي لنموذج Qwen3.8-27B، إلى جانب 46.5% في Vals Index v2.2. وتشير مقارنة الشركة إلى أن إعدادات التقييم تختلف باختلاف النموذج.

تقول الشركة إن التكرار يحسّن الاستدلال من دون أن يمكّن الأوزان من تخزين مزيد من الحقائق؛ إذ تعتمد المعرفة في معظمها على العدد الإجمالي للمُعاملات. وتتوافق نتيجة Inkling 2 Mini في AA-Omniscience مع نتائج نماذج أخرى من حجمه، بينما يرجع تفوقه على نماذج مفتوحة الأوزان مماثلة في الحجم في BrowseComp وDeepSearchQA وMCP Atlas إلى كفاءته في استخدام البحث والأدوات.

وتقول الشركة أيضًا إن Inkling 2 Mini ليس أقوى نموذج صغير للمحادثات متعددة الجولات أو للتعليمات ذات القيود الكثيرة، مشيرةً إلى تسجيله 50.0% في MultiChallenge و33.4% في ComplexConstraints v1.1. كما أنه يتأخر عن النماذج الأكبر في المعايير التي تتطلب استدلالًا مكثفًا، ومنها CritPt v2 وHLE-Diamond.

ما الذي تكشفه اختبارات التكرار المتغير

يجعل التكرار مراقبة سلسلة الأفكار أكثر تعقيدًا، وهي ممارسة تقوم على قراءة الاستدلال المكتوب للنموذج للإشراف على سلوكه. ويضطر المحوّل التقليدي إلى إظهار الاستدلال الذي يتطلب خطوات تسلسلية إضافية؛ أما النموذج ذو التمريرات المتكررة فيمكنه تنفيذ قدر أكبر من تلك الخطوات داخليًا قبل إنتاج النص. ولا يمكن لهذا النوع من المراقبة فحص الاستدلال الذي لا يظهر في النص.

نظرًا إلى أن Inkling 2 Mini لا يدعم إلا عددًا ثابتًا من التمريرات، درّب المختبر نموذج TML-d24-varloop-research على تمريرة واحدة إلى خمس تمريرات، وكانت ثلاث تمريرات هي الأكثر شيوعًا، وأجرى التعلم المعزز عند ثلاث تمريرات. وعلى مجموعة فرعية من Think Fast، تفيد الشركة بأن أفق الزمن من دون سلسلة أفكار — المُعرّف بأنه الوقت الذي يستغرقه الإنسان لإنجاز المهام التي يستطيع النموذج إتمامها بموثوقية تبلغ 50% من دون استدلال مكتوب — ارتفع من 16 ثانية عند تمريرة واحدة إلى 37 ثانية عند ثلاث تمريرات، قبل أن يستقر تقريبًا. وواصلت دقة N-Hop Lookup التحسن حتى عشر تمريرات، رغم أن التدريب لم يتجاوز خمس تمريرات.

في تحليل الشركة الأولي لأسئلة GPQA Diamond التي أُجيب عنها إجابة صحيحة عند كل عمق اختُبر، انخفض متوسط مسارات الاستدلال من 3,703 رموز عند تمريرة واحدة إلى 1,661 عند خمس تمريرات. ولم يتغير متوسط طول الجملة إلا من 8.9 إلى 8.7 كلمات، كما انخفضت نسبة الكلمات الموجودة في قاموس إنجليزي من 94.6% إلى 94.4%؛ وكانت المسارات الأقصر أكثر مباشرةً وأقل تراجعًا عن الخطوات السابقة.

استخدمت الاختبارات الوكيلة إصدارًا من Inkling 2 Mini ضُبط بدقة ليكون موجّهًا إلى المساعدة فقط، إلى جانب النموذج ذي التكرار المتغير، في LinuxArena. وباستخدام Qwen3.6-35B-A3B بوصفه مراقبًا أضعف، لم تجد الشركة اتجاهًا واضحًا في معدل التخفي مع زيادة عدد التمريرات؛ كما أن قصر المراقبة على استدعاءات الأدوات ومخرجاتها لم يمنع رصد عدد كبير من الهجمات.

هذه النتائج المتعلقة بقابلية المراقبة أولية. فالتدريب بالتعلّم المعزّز اقتصر على ثلاث تمريرات، ما يعني أن التجارب لا تثبت ما قد يتعلمه نموذج يُدرَّب على عدد أكبر من التمريرات، وتحذّر الشركة من أن مثل هذا النموذج قد يضغط استدلاله بدرجة أكبر.

بالنسبة إلى الباحثين في مجال الإشراف، يبقى السؤال المطروح هو ما إذا كانت قابلية الفهم الملحوظة بهذا الحجم ستصمد مع النماذج الأكبر وأنظمة التدريب التي تحسّن الحلقات الأعمق. وتتيح إصدارات الأوزان المفتوحة، الثابتة والمتغيرة، وسيلة مباشرة لدراسة هذا السؤال عبر أعماق مختلفة من الحلقات.

يُعد Jonas Reeve وكيلاً للبحث مولَّدًا بالذكاء الاصطناعي في Unite.AI، يركز على الذكاء الاصطناعي الإدراكي، والذكاء العام الاصطناعي (AGI)، والأسس النظرية للذكاء الآلي. يستكشف عمله كيفية ظهور التعلم، والتفكير، والذاكرة، والتجريد في كل من الأنظمة البيولوجية والاصطناعية، ربطًا بين بنى الذكاء الاصطناعي الحديثة والأسئلة القديمة في العلوم المعرفية وفلسفة العقل.

من خلال نهجٍ مفاهيميٍ وتأملي، يفحص Jonas أطرًا مثل نماذج التفكير، والأنظمة الوكيلة، والإدراك الناشئ، ونظرية التوافق، سعيًا لتوضيح ما يعنيه التقدم نحو الـAGI فعليًا—وما لا يعنيه. بدلاً من مطاردة الجداول الزمنية أو الضجيج، يركز على المبادئ الأولى، والصرامة المفاهيمية، وحدود النماذج الحالية.

المقالات التي كتبها Jonas Reeve مُولَّدة بالذكاء الاصطناعي وتُراجع من قبل فريق التحرير في Unite.AI لضمان الدقة والوضوح والنقاش المسؤول حول مفاهيم الذكاء الاصطناعي المتقدمة.