معجزهی کوچکسازی در هوش مصنوعی
مدل جدید میرا موراتی با یکچهارم پارامترها، از پرچمدار قبلی پیشی گرفت.
تنها دو هفته پس از عرضهی نخستین مدل خود، استارتاپ Thinking Machines Lab به رهبری میرا موراتی، مدیر سابق فناوری OpenAI، با مدل جدیدی غافلگیرکننده بازگشته است. Inkling-Small با وجود داشتن تنها یکچهارم پارامترهای نسخهی پرچمدار Inkling، در بنچمارکهای برنامهنویسی و استدلال از آن پیشی میگیرد و ثابت میکند که در دنیای هوش مصنوعی، بزرگی همیشه برتری نیست.
Thinking Machines Lab، استارتاپی که میرا موراتی در فوریهی ۲۰۲۵ تأسیس کرد، رسماً از مدل جدید خود با نام Inkling-Small رونمایی کرد. این مدل که با مجوز Apache 2.0 بهصورت متنباز (open-weight) منتشر شده، یک مدل استدلالی چندوجهی (multimodal reasoning) با معماری Mixture of Experts (MoE) است.
جزئیات فنی این مدل بهشرح زیر است:
| مشخصه | جزئیات |
|---|---|
| پارامترهای کل | ۲۷۶ میلیارد (۲۷۶B) |
| پارامترهای فعال | ۱۲ میلیارد (۱۲B) بهازای هر توکن |
| پارامترهای نسخهی پرچمدار (Inkling) | ۹۷۵ میلیارد کل / ۴۱ میلیارد فعال |
| حالتهای ورودی | متن، تصویر و صدا |
| پنجرهی زمینه (Context Window) | ۲۵۶ هزار توکن (نسخهی ۱ میلیون توکنی نیز موجود است) |
| مجوز | Apache 2.0 |
معماری MoE بهگونهای طراحی شده که از هر ۲۵۶ متخصص (expert)، تنها ۶ متخصص بههمراه ۲ متخصص اشتراکی در هر مرحله فعال میشوند. این مدل روی سیستمهای NVIDIA GB300 NVL72 آموزش دیده است.
عملکرد شگفتانگیز: کوچکتر اما قدرتمندتر
نکتهی کلیدی و غافلگیرکنندهی این انتشار، عملکرد خارقالعادهی Inkling-Small در بنچمارکهای برنامهنویسی و استدلال است. این مدل با وجود اندازهی بسیار کوچکتر، در چندین بنچمارک مهم از نسخهی پرچمدار خود پیشی گرفته است:
| بنچمارک | Inkling-Small | Inkling (پرچمدار) |
|---|---|---|
| SWE-bench Verified (برنامهنویسی) | ۸۰.۲٪ ✅ | ۷۷.۶٪ |
| Terminal Bench 2.1 (کدنویسی عاملمحور) | ۶۴.۷٪ ✅ | ۶۳.۸٪ |
| Humanity’s Last Exam (HLE) | ۳۱.۶٪ ✅ | ۲۹.۷٪ |
| GPQA Diamond (استدلال) | ۸۹٪ ✅ | ۸۷٪ |
| Artificial Analysis Intelligence Index | ۴۰ | ۴۱ |
در شاخص هوش مصنوعی Artificial Analysis، Inkling-Small با امتیاز ۴۰ تنها یک امتیاز از پرچمدار (۴۱) فاصله دارد، در حالی که کمتر از یکسوم پارامترهای آن را مصرف میکند. بهگفتهی این مرجع ارزیابی، هیچ مدل متنبازی در این اندازه یا کوچکتر امتیازی بالاتر از Inkling-Small کسب نکرده است.میرا موراتی در پست خود در شبکهی اجتماعی X تأکید کرده که وزنهای مدل بهصورت آزاد در دسترس است و کاربران میتوانند بلافاصله آن را از طریق پلتفرم Tinker شرکت تنظیم دقیق (fine-tune) کنند.
محدودیتها و هزینهها: کوچکسازی با هزینههایی همراه است
با وجود عملکرد چشمگیر در حوزهی کدنویسی و استدلال، Inkling-Small در برخی حوزهها ضعفهایی دارد. مهمترین محدودیت این مدل، عملکرد ضعیفتر در دانشِ واقعی (factual knowledge) است. در بنچمارک SimpleQA Verified، Inkling-Small امتیاز ۲۰.۶٪ را در برابر ۴۳.۹٪ پرچمدار کسب کرده است.
همچنین در شاخص AA-Omniscience، امتیاز منفی ۹- در برابر ۲+ پرچمدار نشان میدهد که تعداد پاسخهای نادرست این مدل از پاسخهای درست بیشتر است.از نظر هزینه، Inkling-Small بهمراتب اقتصادیتر از نسخهی پرچمدار است. قیمت خروجی این مدل ۱.۲۰ دلار بهازای هر میلیون توکن است که حدود ۷۰٪ ارزانتر از Inkling محسوب میشود. با این حال، اجرای این مدل همچنان به سختافزار قدرتمندی نیاز دارد: حداقل ۴ کارت گرافیک B300 یا ۸ کارت H200 برای اجرا در دقت BF16، و حتی با فشردهسازی NVFP4 نیز به یک کارت B300 نیاز است.
تحلیل: پیامی استراتژیک به صنعت هوش مصنوعی
انتشار Inkling-Small پیام روشنی به صنعت هوش مصنوعی دارد: کارایی و هوشمندی لزوماً با تعداد پارامترها نسبت مستقیم ندارد. این دستاورد با بهبود ترکیب دادههای پیشآموزش، استفاده از Inkling بهعنوان «معلم» برای تقطیر دانش (on-policy distillation) و دو هفته آموزش تقویتیِ متمرکز بر کدنویسی عاملمحور امکانپذیر شده است.
از منظر استراتژیک، Thinking Machines Lab با این حرکت نشان میدهد که اکوسیستم مدلهای متنباز آمریکایی میتواند با رقبای چینی خود رقابت کند. پیشازاین، بسیاری از مدلهای پیشروی متنباز در حوزهی کدنویسی و استدلال از شرکتهای چینی مانند DeepSeek و Zhipu منتشر میشدند. Inkling-Small اکنون جایگاهی در کنار مدلهایی مانند DeepSeek V4 Flash (با ۱۳ میلیارد پارامتر فعال و امتیاز ۴۰ در شاخص هوش مصنوعی) پیدا کرده است.
فورستر (Forrester) در تحلیلی اشاره کرده که مزیت رقابتی Inkling در «وزنهای باز، قابلیت چندوجهی، مکانیزم استدلال قابلکنترل و یکپارچگی عمیق با پلتفرم Tinker» نهفته است، نه صرفاً برتری در بنچمارکها.
چشمانداز آینده
Thinking Machines Lab که پیشاز عرضهی هر محصولی، ۲ میلیارد دلار با ارزشگذاری ۱۲ میلیارد دلاری جذب کرده بود، اکنون با دو مدل موفق در فاصلهی تنها دو هفته، جایگاه خود را بهعنوان یکی از جدیترین بازیگران جدید عرصهی هوش مصنوعی تثبیت کرده است. محققان این شرکت اشاره کردهاند که «خط لولهی تولید مدل»現在 بهخوبی راهاندازی شده و احتمالاً مدلهای بیشتری در آیندهی نزدیک منتشر خواهند شد.
با توجه به روند رو به رشد کاهش هزینههای محاسباتی و افزایش کارایی، میتوان انتظار داشت که رقابت در صنعت هوش مصنوعی بهسمتی حرکت کند که مدلهای کوچکتر و کارآمدتر، جایگاه مهمتری در استقرارهای سازمانی و کاربردی پیدا کنند.
Inkling-Small با ۲۷۶ میلیارد پارامتر کل و تنها ۱۲ میلیارد پارامتر فعال، در بنچمارکهای برنامهنویسی (SWE-bench Verified با ۸۰.۲٪) و استدلال از نسخهی ۹۷۵ میلیارد پارامتری Inkling پیشی گرفته، در حالی که هزینهی اجرای آن ۷۰٪ کمتر است. این دستاورد ثابت میکند که «کوچکسازی هوشمند» با بهینهسازی معماری و دادههای آموزشی، میتواند نتایجی فراتر از مدلهای بسیار بزرگتر بهارمغان آورد.
انتشار Inkling-Small توسط Thinking Machines Lab یک نقطهی عطف در صنعت هوش مصنوعی محسوب میشود. این مدل نشان میدهد که مسیر رقابت در حوزهی مدلهای بزرگ زبانی لزوماً بهسمت افزایش بیپایان تعداد پارامترها نیست، بلکه بهینهسازی معماری، کیفیت دادههای آموزشی و آموزش تقویتیِ هدفمند میتواند دستاوردهای چشمگیری بههمراه داشته باشد. برای سازمانهایی که بهدنبال استقرار مدلهای هوش مصنوعی قدرتمند با هزینههای معقول هستند، Inkling-Small گزینهای جذاب و رقابتی محسوب میشود و جایگاه Thinking Machines Lab را بهعنوان یکی از جدیترین رقبای جدید در اکوسیستم هوش مصنوعی تثبیت میکند.
