Inkling 2 Mini نموذج حلقي مفتوح الأوزان بتصميم مزيج الخبراء ومعاملات تبلغ 26.4 مليار، أطلقته Thinking Machines Lab في 20 نوفمبر 2026. تُطرح نقطة التحقق التي يبلغ حجمها نحو 20GB بترخيص Apache 2.0 وتستخدم دقة مختلطة من NVFP4 وMXFP8، وهي موجهة للبرمجة باستخدام الوكلاء محليًا على أجهزة Apple silicon ذات ذاكرة 32GB أو أكثر، أو وحدات معالجة رسومات بذاكرة VRAM لا تقل عن 32GB، أو NVIDIA DGX Spark.
ماذا أعلنت Thinking Machines Lab في 20 نوفمبر 2026؟
أطلقت Thinking Machines Lab نموذج Inkling 2 Mini في 20 نوفمبر 2026 عبر منشور إعلان رسمي، وسلسلة إطلاق على X في اليوم نفسه، وأوزان مفتوحة بترخيص Apache 2.0 على بطاقة النموذج في Hugging Face. وكتبت Thinking Machines في منشور X: «رأى بعضكم أن Inkling 2 Small كبير جدًا بمعاملاته البالغة 594B. لقد استمعنا إليكم: Inkling 2 Mini محوّل حلقي بمعاملات لا تتجاوز 26B، وهو صغير بما يكفي للعمل على حاسوبكم المحمول وقوي بما يكفي لعمل الوكلاء، محققًا 20.1 في AA Index».
مع أن منشور X يقرّب الرقم إلى «26B فقط»، فإن المدونة الرسمية وبطاقة النموذج وصفحة عائلة Inkling وكتالوج Tinker تذكر جميعها إجمالي 26.4B معامل. وضمن مجموعة النماذج مفتوحة الأوزان في 2026، يشغل Inkling 2 Mini الفئة الأساسية في عائلة تضم ثلاثة نماذج:
- Inkling 2 Mini: إجمالي 26.4B معامل، منها 3.4B نشطة في كل مرور؛ وهو محوّل حلقي مناسب للحاسوب المحمول للبرمجة باستخدام الوكلاء.
- Inkling 2 Small: إجمالي 594B معامل، منها 17B نشطة؛ وهو النموذج الرائد من الجيل الثاني للبرمجة باستخدام الوكلاء والرؤية.
- Inkling: إجمالي 975B معامل، منها 41B نشطة؛ ويغطي النصوص والصور والصوت.
كيف تعمل بنية MoE الحلقية في Inkling 2 Mini؟
يجمع Inkling 2 Mini بين تصميم مزيج الخبراء (Mixture-of-Experts أو MoE) وتكرار الطبقات ذات الأوزان المشتركة، بحيث يستطيع نموذج بحجم 26.4B إنفاق قدرة حوسبة إضافية لكل رمز دون زيادة استهلاك الذاكرة. في مرور واحد عبر طبقات مفكك الترميز الأربع والعشرين، يُوجَّه كل رمز إلى 8 خبراء من أصل 128 عبر مزيج من طبقات الانتباه المحلية والعالمية، فتُنشَّط 3.4B من المعاملات.
تنقسم الطبقات الـ24 إلى أربع كتل، تضم كل منها ست طبقات. تُنفَّذ الكتلتان الأولى والأخيرة مرة واحدة، بينما تتكرر الطبقات الـ12 الوسطى ثلاث مرات بأوزان مشتركة، ما ينتج 48 تطبيقًا للطبقات لكل رمز باستخدام أوزان 24 طبقة. وتضيف كل مرة إضافية عبر الطبقات الوسطى نحو 1.0B من المعاملات النشطة الفعلية، ليصل إجمالي تنشيطات الأوزان إلى 5.4B لكل رمز. وهذا يفسر ذكر صفحة العائلة 3.4B معامل نشط، بينما يذكر كتالوج منصة Tinker 5.4B: يحسب الرقم الأول الخبراء في كل مرور، فيما يعكس الثاني مرات المرور الحلقية الثلاث كلها.
بنت Thinking Machines نموذج Inkling 2 Mini بتقليم شبكة متناثرة أكبر حجمًا ثم استعادة أدائها. بدأ التدريب بتفعيل 8 من أصل 384 خبيرًا في كل طبقة، قبل تقليم ثلثي الخبراء والإبقاء على أكثر 128 خبيرًا استخدامًا في كل طبقة. ثم خضع النموذج المقلَّم لعملية «استعادة» باستخدام 1T رمز عبر تقطير النموذج من نموذج Inkling داخلي أكبر، وضبط دقيق خاضع للإشراف، وتعلم معزز باستخدام 2.2T رمز على مدى 2,000 خطوة، وتقطير قائم على السياسة لأغراض المواءمة.
على خلاف نقاط التحقق المضغوطة بعد التدريب، دُرِّب Inkling 2 Mini ونُشر أصلًا بدقة منخفضة مختلطة: 20 طبقة بتنسيق NVFP4 ذي 4 بتات، والطبقات الأربع الأخيرة بتنسيق MXFP8 ذي 8 بتات، متجنبًا خسارة التحويل بعد التدريب التي يتناولها شرح تكميم الذكاء الاصطناعي. والنتيجة نقطة تحقق واحدة بحجم نحو 20GB تقبل النصوص والصور المكونة من بكسلات (يوصى بأحجام من 40px إلى 4096px)، وتنتج نصوصًا بالإنجليزية مع دعم عام للغات متعددة. لكن بطاقة النموذج تحذر من أن اختبارات الصينية أظهرت عبارات مبتورة واختلاطًا بين اللغات.
متطلبات الأجهزة الرسمية وحدود السياق وأماكن الحصول على Inkling 2 Mini
يحتاج Inkling 2 Mini إلى نحو 20GB لنقطة التحقق الأصلية، ويستهدف أجهزة ذات ذاكرة موحدة أو VRAM بسعة 32GB على الأقل، وفق وثائق Thinking Machines Lab الرسمية حتى 21 نوفمبر 2026.
إرشادات الأجهزة الرسمية وعرض MacBook Pro
تذكر بطاقة النموذج الرسمية ثلاثة أنواع من الأجهزة المحلية المدعومة:
- أجهزة Mac المزودة بـ Apple silicon: أجهزة MacBook وMac mini وMac Studio ذات ذاكرة موحدة بسعة 32GB أو أكثر.
- وحدات معالجة الرسومات المنفصلة والمنصات الأخرى: يوصى بذاكرة VRAM بسعة 32GB أو أكثر.
- أجهزة محطات العمل: جهاز NVIDIA DGX Spark واحد، إلى جانب تسريع النواة على منصة GB300 من NVIDIA لتشغيل NVFP4/MXFP8.
نشرت Thinking Machines أيضًا «عرض محاكي الطيران PlaneBench» دون اتصال، ويُظهر باحثين يشغلون Inkling 2 Mini في وضع الطيران على MacBook Pro (M5 Pro، 48GB) لبناء محاكي طيران قابل للعب خلال بضع دقائق، مع تسريع معظم اللقطات بمقدار 15 مرة. يوضح المقطع جلسة واحدة دون اتصال، ولا يمثل الحد الأدنى للمواصفات أو اختبار سرعة معياريًا.
حدود السياق وأماكن تشغيل الأوزان
تشير الوثائق الرسمية إلى حدين مختلفين للسياق حسب مكان تشغيل النموذج. تذكر بطاقة النموذج في Hugging Face أن Inkling 2 Mini يدعم نافذة سياق تصل إلى 1M رمز، بينما يحدد كتالوج Tinker الرسمي حاليًا الحد الأقصى لسياق Inkling 2 Mini المستضاف عند 256K.
يمكن للمطورين تنزيل أوزان Apache 2.0 الخاصة بـ Inkling-2-Mini والنسخة متغيرة عدد الحلقات المخصصة للبحث فقط TML-d24-varloop-research مباشرة من Hugging Face. تذكر Thinking Machines دعم الاستدلال مفتوح المصدر في SGLang وvLLM وOllama وUnsloth وNVIDIA Dynamo وTokenSpeed وLlama App. وتشير بطاقة النموذج أيضًا إلى llama.cpp لبناءات GGUF المكمَّمة وExo Labs على Apple silicon، بالإضافة إلى SkyRL وMiles وNVIDIA AutoModel للتدريب اللاحق بالتعلم المعزز. ويتوفر الاستدلال المستضاف والضبط الدقيق والمحادثة التفاعلية عبر Tinker وTinker Playground. وحتى 21 نوفمبر 2026، تذكر الصفحات العامة الرسمية التي روجعت لهذا التقرير أن تخزين نقاط تحقق Tinker يكلف $0.10 لكل GB شهريًا، وأن أسعار التدريب والاستدلال تختلف باختلاف النموذج وطول السياق، ولا تنشر جدول أسعار كاملًا لكل رمز لـ Inkling 2 Mini.
كيف يسجل Inkling 2 Mini في الاختبارات المعيارية الرسمية؟
تفيد Thinking Machines Lab بأن Inkling 2 Mini يتصدر النماذج مفتوحة الأوزان التي يقل إجمالي معاملاتها عن 100B في DeepSWE v1.1 وVals Index v2.2، مع منافسة متقاربة مع Qwen3.8-27B وNemotron 3.5 Super VL (إجمالي 124.5B) في مجموعات اختبارات البرمجة والتصفح واستخدام الأدوات. تأتي جميع الأرقام أدناه من المدونة الرسمية وبطاقة نموذج Thinking Machines حتى 21 نوفمبر 2026، وتختلف بيئات التقييم باختلاف النموذج.
| الاختبار المعياري (ملاحظة عن بيئة التقييم الرسمية) | Inkling 2 Mini (5.4/26.4B) | Qwen3.8-27B (27.0/27.0B) | Nemotron 3.5 Super VL (12.0/124.5B) |
|---|---|---|---|
| AA Index (v5.0) | 20.1 | 20.1 | 13.6 |
| Vals Index (v2.2) | 46.5% | — | 29.8% |
| DeepSWE v1.1 (mini-swe-agent v2.4.6) | 48.2% | 42.2% | 24.7% |
| SWEBench Pro v2 Hard (mini-swe-agent v2.4.6) | 77.9% | 73.8% | 44.1% |
| SWEBench Verified (باستخدام bash فقط) | 79.2% | 77.8% | 71.1% |
| Terminal Bench v2.1 (pi v0.83.0 لـ Mini) | 71.6% | 73.0% | 60.7% |
| PMPP-Hard (AUC, 0–10h, pi v0.83.0) | 455.82 | 262.50 | — |
| BrowseComp (Mini مع ضغط السياق) | 79.0% | 61.6% | 78.9% |
| DeepSearchQA (Mini مع ضغط السياق) | 85.3% | 79.7% | 77.7% |
| MCP Atlas Public | 82.7% | 77.3% | 67.7% |
| LongBench v2 | 66.9% | 52.3% | 62.1% |
| HLE-Diamond | 15.2% | 15.3% | 8.8% |
| CritPt v2 Full / Hard | 31.4% / 17.0% | 10.6% / 4.0% | 36.9% / 13.5% |
في اختبارات أكاديمية مبكرة نقلتها المدونة الرسمية، قاس باحثون من Hazy Research Lab وScaling Intelligence Lab في Stanford أداء Inkling 2 Mini أيضًا عند 0.703 على مقياسهم «الذكاء لكل واط» باستخدام NVIDIA DGX Spark (128GB) بتنسيق MXFP8 وجهد استدلال منخفض. وتقدم بذلك على Qwen3.6-35B-A3B (0.430) وGemma-4-26B-A4B (0.159) وQwen3.5-27B (0.036)، التي اختُبرت بتنسيقي NVFP4 وINT4.
ما حدود Inkling 2 Mini ونتائج دراسة قابليته للمراقبة؟
وفق إفصاحات Thinking Machines Lab الرسمية، يضحي Inkling 2 Mini باتساع استرجاع الحقائق والالتزام الصارم بالتعليمات عبر أدوار متعددة مقابل أداء أقوى في برمجة الوكلاء وتنفيذ الأدوات.
الحدود العملية وضمانات الوكلاء
توضح المدونة الرسمية: «Inkling 2 Mini ليس أقوى نموذج صغير للمحادثات متعددة الأدوار أو التعليمات ذات القيود الكثيرة؛ إذ يسجل 50.0% في MultiChallenge و33.4% في ComplexConstraints v1.1، خلف Qwen3.8-27B في كليهما. كما يتأخر عن النماذج الأكبر في الاختبارات الكثيفة الاستدلال مثل CritPt v2 وHLE-Diamond». (للمقارنة، يذكر جدول بطاقة النموذج على نحو منفصل أن Qwen3.8-27B يسجل 30.1% في ComplexConstraints v1.1 وأن Muse Glimmer يسجل 35.6%.)
تبرز بطاقة النموذج قيودًا إضافية يجدر معرفتها قبل نشر الوكلاء المحليين:
- فجوات المعرفة: لا تستطيع الحلقات تخزين حقائق إضافية في الأوزان، ما يجعل Inkling 2 Mini يتأخر عن Inkling 2 Small في استرجاع الحقائق (درجة -8.6 في AA-Omniscience v1.1 ومعدل عدم هلوسة 63.4%) وأكثر ميلًا إلى تقديم معلومات غير دقيقة بثقة دون أدوات بحث.
- حلقات تصحيح الأخطاء: أظهرت الاختبارات الداخلية أن النموذج كان يعلق أحيانًا في إعادة فحص الشيفرة أو في تكرار لا ينتهي، ما دفع Thinking Machines إلى التوصية بحدود صارمة لرموز المخرجات وأدوار الوكيل.
- خطر الإجراءات المدمرة عبر الأدوات: تحذر بطاقة النموذج صراحة من أنه «قد يتخذ إجراءات مدمرة، مثل حذف الملفات أو الكتابة فوقها، دون تأكيد».
- الحد الأدنى للحوسبة: لا يؤدي ضبط جهد الاستدلال على الحد الأدنى إلى تعطيل الاستدلال تمامًا، وتعني مرات المرور الثلاث عبر الطبقات الوسطى أن الحوسبة لكل رمز تتجاوز ما توحي به 3.4B معامل نشط، بينما لا يزال دعم التشغيل المحلي للنماذج الحلقية حديثًا.
الحلقات وقابلية مراقبة سلسلة التفكير
لأن المحولات الحلقية تستدل داخليًا عبر مرات المرور دون تدوين كل شيء، أصدرت Thinking Machines نموذج TML-d24-varloop-research (دُرِّب على 1 إلى 5 مرات مرور، ولا سيما 3) لاختبار قابلية المراقبة. دون سلسلة تفكير، ارتفعت قدرة الأفق الزمني من 16 ثانية عند مرور واحد إلى 37 ثانية عند ثلاثة، واستمر أداء N-Hop Lookup المتسلسل في الارتفاع حتى 10 حلقات. وفي مسارات GPQA Diamond التي حُلَّت بصورة صحيحة عند أعداد المرور الخمسة كلها، انخفض متوسط طول الاستدلال من 3,703 رمزًا عند مرور واحد إلى 1,661 رمزًا عند 5 مرات مرور، مع ثبات طول الجمل واختيار الكلمات. ولم تظهر اختبارات التخريب بواسطة الوكلاء اتجاهًا تصاعديًا مع زيادة الحلقات.
لخصت Thinking Machines النتيجة على X بأنها «لا تظهر انخفاضًا ذا مغزى في قابلية المراقبة». وفي الوقت نفسه، أظهر كل من Inkling 2 Mini ونموذج الحلقات المتغيرة ذي مرات المرور الثلاث تحكمًا ضعيفًا في سلسلة تفكيره، إذ اتبعا تعليمات CoT في 0.1% من الحالات على الأكثر ضمن مسارات بطول 750–1,250 رمزًا. تصف هذه الملاحظات السلوك عند حجم 26.4B ولا تصادق على سلامة النشر دون إشراف.
لمن صُمم Inkling 2 Mini بالفعل؟
صُمم Inkling 2 Mini للمطورين الذين يشغلون وكلاء محليين للبرمجة والبحث واستخدام أدوات MCP على أجهزة Mac المزودة بـ Apple silicon وذاكرة 32GB أو أكثر، أو وحدات معالجة رسومات بذاكرة VRAM لا تقل عن 32GB، أو أنظمة DGX Spark، ويريدون أوزان Apache 2.0 يمكنهم فحصها أو ضبطها بدقة. ومن قراءتي لملاحظات الإصدار، فإن أفضل استخدام له هو مهام هندسة البرمجيات المنظمة التي تستند فيها إجابات النموذج إلى مخرجات الأدوات والاختبارات والبحث، وتحد فيها قيود الأدوار من الحلقات.
إذا كنتم تقررون كيفية اختيار نموذج ذكاء اصطناعي للمحادثات متعددة الأدوار أساسًا، أو للأسئلة والأجوبة الغنية بالحقائق دون استرجاع معلومات، أو للعمل المستقل على نظام الملفات دون مراقبة، فتبقى النماذج الأكبر مثل Inkling 2 Small أو البدائل المخصصة للمحادثة خيارات أكثر أمانًا.
أسئلة شائعة عن Inkling 2 Mini
لماذا تذكر Thinking Machines أن لدى Inkling 2 Mini كلاً من 3.4B و5.4B معامل نشط؟
ينشّط Inkling 2 Mini عدد 3.4 مليار معامل في مرور واحد عبر طبقاته الـ24، وهو ما يطابق الرقم الوارد في صفحة عائلة Thinking Machines. ولأن طبقاته الـ12 الوسطى تتكرر ثلاث مرات لكل رمز، تضيف كل مرة إضافية نحو 1.0 مليار معامل نشط فعلي. وبذلك يصل إجمالي التنشيطات الفعلية لكل رمز إلى 5.4 مليار، وهو الرقم المذكور في Tinker.
هل يمكن تشغيل Inkling 2 Mini على حاسوب محمول بذاكرة RAM سعتها 16GB؟
لا تدرج Thinking Machines Lab ذاكرة RAM بسعة 16GB ضمن الإعدادات المدعومة في وثائقها الرسمية حتى 21 نوفمبر 2026. يبلغ حجم نقطة التحقق الرسمية نحو 20GB بدقتي NVFP4 وMXFP8 المختلطتين، وتحدد الإرشادات الرسمية أجهزة Mac المزودة بـ Apple silicon وذاكرة 32GB أو أكثر، أو وحدات معالجة رسومات بذاكرة VRAM سعتها 32GB أو أكثر، أو جهاز NVIDIA DGX Spark.
ما الفرق بين حدي السياق 1M و256K في Inkling 2 Mini؟
يعكس الرقمان قدرة النموذج محليًا مقابل حدود الاستضافة الحالية. تنص بطاقة Inkling 2 Mini الرسمية على Hugging Face على أن البنية تدعم نوافذ سياق تصل إلى مليون رمز. أما صفحة كتالوج Tinker الرسمية فتحدد حاليًا الحد الأقصى لسياق Inkling 2 Mini المستضاف عند 256K، مثل النماذج الأخرى على المنصة.
هل Inkling 2 Mini مفتوح الأوزان فعلًا ومجاني للاستخدام التجاري؟
توضح بطاقة Inkling 2 Mini الرسمية على Hugging Face أنه مُصدر بموجب ترخيص Apache 2.0 المتساهل، الذي يسمح بالاستخدام التجاري والمحلي وفق شروطه. وبالنسبة للوصول المستضاف على Tinker، تذكر الصفحات الرسمية التي روجعت في 21 نوفمبر 2026 سعر $0.10 لكل GB شهريًا لتخزين نقاط التحقق، ولا تنشر جدول أسعار عامًا كاملًا لكل رمز.
كيف يقارن Inkling 2 Mini بنموذج Inkling 2 Small؟
Inkling 2 Small نموذج أكبر بكثير، بإجمالي 594 مليار معامل و17 مليار معامل نشط، بينما يضم Inkling 2 Mini إجمالي 26.4 مليار معامل، منها 3.4 مليار نشطة في كل مرور. وتفيد Thinking Machines بأن Mini يحاكي نقاط قوة Small في برمجة الوكلاء، لكنه يتأخر في استرجاع الحقائق والمعرفة العامة الواسعة واختبارات الاستدلال المكثف.



