Thinking Machines، به سرپرستی میرا موراتی، از نسخه فشرده مدل استدلال‌گر خود با نام Inkling Small رونمایی کرد؛ مدلی که به‌جای افزایش اندازه، بر بهینه‌سازی کارایی و مصرف توکن تمرکز دارد.

مشخصات کلیدی

Inkling Small در تحلیل Artificial Analysis امتیاز 40 در «شاخص هوش» کسب کرده است — یک واحد کمتر از نسخه بزرگ‌تر (41). کل پارامترها 276 میلیارد و پارامترهای فعال (active parameters) برابر 12 میلیارد اعلام شده‌اند. تحلیلگران می‌گویند هیچ مدل باز با اندازه مشابه یا کوچکتر در این محدوده امتیاز بالاتری ثبت نکرده است.

ویژگی‌های فنی برجسته

  • پشتیبانی ورودی: متن، تصویر و گفتار.
  • پنجره زمینه: 256000 توکن.
  • مجوز انتشار: Apache 2.0 — متن مجوز.
  • دسترسی به وزن‌ها: وزن‌ها روی Hugging Face منتشر شده و فاین‌تیون در مرورگر از طریق Tinker Playground امکان‌پذیر است.
اینک‌لینگ اسمول از Thinking Machines در نمای مفهومی

عملکرد در آزمون‌ها

Inkling Small در برخی آزمون‌های کدنویسی و استدلال نسبت به نسخه بزرگ‌تر عملکرد بهتری نشان داده است؛ برای نمونه در Humanity's Last Exam با 32% در برابر 30% و در GPQA Diamond با 89% در برابر 87% امتیاز کسب کرده است. در مقابل، در وظایف مبتنی بر عامل و پرسش‌های نیازمند دانش به‌روز هنوز از نسخه‌های بزرگ‌تر عقب می‌ماند.

مزیت اصلی: کارایی مصرف توکن

نکته برجسته Inkling Small مصرف توکن پایین آن است. این مدل به‌طور میانگین حدود 24,000 توکن خروجی در هر تسک تولید می‌کند که به‌مراتب کمتر از رقبایی مانند Deepseek V4 Flash (45,000 توکن) و GPT-5.4 mini (78,000 توکن) است. کاهش مصرف توکن به‌معنای کاهش هزینه و زمان پردازش در استقرارهای واقعی است.

قابلیت فاین‌تیون و نقش پلتفرم

Thinking Machines مدل را به‌عنوان پایه‌ای برای فاین‌تیون با داده‌های اختصاصی کاربران معرفی کرده است. انتشار وزن‌ها تحت مجوز متن‌باز و فراهم‌شدن فاین‌تیون در مرورگر مسیر توسعه مدل‌های تخصصی‌تر را برای تیم‌ها و محققان سریع‌تر و کم‌هزینه‌تر می‌کند.

اهمیت رقابتی و چشم‌انداز

ظهور Inkling Small نشان می‌دهد رقابت بعدی در حوزه مدل‌های زبانی به‌سمت بهینه‌سازی کارایی و امکان سفارشی‌سازی محلی خواهد رفت، نه صرفاً افزایش تعداد پارامترها. تولید مدل‌های با اندازه معقول و مصرف توکن پایین که در وظایف عملی قابل‌اعتماد باشند، می‌تواند کاربردهای صنعتی و تجاری گسترده‌تری ایجاد کند.

مطالعه بیشتر

مسیر اتخاذشده توسط Thinking Machines بر محور مدل‌های قابل‌سفارشی‌سازی و کم‌هزینه است؛ رویکردی که می‌تواند نحوه استقرار هوش مصنوعی در سازمان‌ها را به‌سمت کارایی و سفارشی‌سازی محلی تغییر دهد.