مدل هوش مصنوعی Inkling 2 Mini با معماری حلقوی برای اجرای محلی روی رایانهها منتشر شد
استارتاپ Thinking Machines Lab مدل ۲۶ میلیارد پارامتری Inkling 2 Mini را با مجوز متنباز منتشر کرد. این مدل با تکرار لایههای میانی خود، توانایی استدلال را بدون نیاز به سختافزارهای گرانقیمت افزایش میدهد و روی لپتاپهای معمولی قابل اجراست.
به قلم آزاده ابراهیمی
این خبر را به اشتراک بگذارید
مدلهای زبانی محلی مانند Qwen 3.8 با ۲۷ میلیارد پارامتر، تاکنون استاندارد طلایی برای اجرای هوش مصنوعی روی رایانههای شخصی بودهاند. اما مدل جدید Inkling 2 Mini که در تاریخ ۲۰ نوامبر ۲۰۲۶ معرفی شد، در یک ویژگی بنیادین با آنها تفاوت دارد. این مدل از معماری حلقوی بهره میبرد.
این مدل به جای افزودن لایههای جدید برای افزایش قدرت پردازشی، لایههای موجود را چندین بار تکرار میکند. این رویکرد نوآورانه به شبکه عصبی اجازه میدهد تا پیش از تولید هر کلمه، زمان بیشتری را صرف پردازش و استدلال کند. در نتیجه، خروجی نهایی بسیار دقیقتر خواهد بود.
استارتاپ Thinking Machines Lab این مدل را با ۲۶.۴ میلیارد پارامتر کلی طراحی کرده است. با این حال، به لطف ساختار ترکیب خبرگان (Mixture-of-Experts)، در هر لحظه تنها بخش کوچکی از این پارامترها فعال میشوند. این طراحی هوشمندانه امکان اجرای مدل روی سختافزارهای محدود را فراهم میکند.[1]
در دنیای امروز هوش مصنوعی، رقابت بر سر اندازه مدلها جای خود را به رقابت بر سر کارایی داده است. اینکلینگ ۲ مینی با مجوز متنباز آپاچی ۲.۰ منتشر شده و استفاده تجاری از آن کاملاً رایگان است. انتشار این مدل نشاندهنده تغییر مسیر صنعت به سمت هوش مصنوعی غیرمتمرکز است.[1][2]
مکانیسم معماری حلقوی
معماری اینکلینگ ۲ مینی بر پایه یک ترانسفورمر ۲۴ لایهای بنا شده است که به چهار بلوک ششتایی تقسیم میشود. ترفند اصلی در دو بلوک میانی نهفته است؛ جایی که دادهها به جای یک بار عبور، سه بار در یک حلقه تکرار میشوند. این چرخش باعث میشود مدل رفتاری شبیه به یک شبکه ۴۸ لایهای داشته باشد.[1]
در واقع، با وجود تنها ۲۴ لایه فیزیکی، مدل ۴۸ بار عملیات لایهای را روی هر توکن اعمال میکند. در هر لایه، دادهها به ۸ خبره از میان ۱۲۸ خبره موجود هدایت میشوند. این مسیریابی هوشمند تضمین میکند که فقط بخشهای مرتبط شبکه درگیر پردازش شوند و منابع هدر نروند.[1][4]
مدل دارای ۳.۴ میلیارد پارامتر فعال است، اما با در نظر گرفتن تکرار لایهها، میزان فعالسازی پارامترها در هر توکن به معادل ۵.۴ میلیارد میرسد. این یعنی استدلال عمیقتر بدون اشغال فضای بیشتر در حافظه رم. این طراحی به مدل اجازه میدهد تا پردازشهای پیچیدهتری را مدیریت کند.[1]
به گزارش وبسایت Unite.ai، این طراحی یک مزیت کلیدی دارد: «حلقهسازی استدلال را بهبود میبخشد، بدون آنکه به وزنها اجازه دهد حقایق بیشتری را ذخیره کنند، زیرا دانش از تعداد کل پارامترها پیروی میکند.» این ویژگی باعث میشود مدل بدون نوشتن مراحل تفکر خود، به پاسخهای دقیقتری برسد.
در هر عبور از حلقه، لایهها یک پیام از خروجیهای عبور قبلی دریافت میکنند. یک کنترلکننده دروازهای کوچک تصمیم میگیرد که چه مقدار از ورودی فعلی را فراموش کند و چه مقدار از پیام قبلی را به آن بیفزاید. این مکانیسم حافظه کوتاهمدت، پایداری شبکه را در طول تکرارها حفظ میکند.[4]
استفاده از حلقهها در معماری شبکههای عصبی ایده کاملاً جدیدی نیست و پیش از این نیز آزمایش شده بود. اما رویکرد اینکلینگ در مدیریت پیامهای بین حلقهای و استفاده از دروازههای یادگیرنده، آن را متمایز میکند. این مدل در طول آموزش یاد میگیرد که چگونه اطلاعات را بهینهتر منتقل کند.[4]
سختافزار مورد نیاز و اجرای محلی
یکی از بزرگترین موانع در استفاده از هوش مصنوعی پیشرفته، نیاز به پردازندههای گرافیکی گرانقیمت و سرورهای ابری است. اما اینکلینگ ۲ مینی با حجم تقریبی ۲۰ گیگابایت، به گونهای فشرده شده که روی لپتاپهای مصرفی اجرا شود. رایانههای مک با پردازنده اپل سیلیکون و حداقل ۳۲ گیگابایت حافظه، میزبانهای ایدهآلی هستند.[1]
محققان شرکت سازنده در یک پرواز آزمایشی، مدل را در حالت آفلاین روی یک مکبوک پرو با ۴۸ گیگابایت رم اجرا کردند. این مدل توانست در عرض چند دقیقه و بدون هیچگونه اتصال به اینترنت، یک شبیهساز پرواز قابل بازی را برنامهنویسی کند. این سطح از استقلال، یک مزیت بینظیر محسوب میشود.[1]
علاوه بر دستگاههای اپل، این مدل روی سیستمهای مجهز به پردازندههای گرافیکی انویدیا و ایامدی نیز قابل اجراست. برای اجرای روان، داشتن حداقل ۳۲ گیگابایت حافظه ویدیویی توصیه شده است. همچنین، نسخههای فشردهشده با دقت ۴ بیت و ۸ بیت منتشر شدهاند که نیاز به حافظه را به شدت کاهش میدهند.[1][3]
نسخه ۴ بیتی این مدل تنها به حدود ۱۷.۶ گیگابایت فضا نیاز دارد و به راحتی روی سیستمهای میانرده اجرا میشود. اجرای محلی هوش مصنوعی نه تنها هزینههای عملیاتی را کاهش میدهد، بلکه حریم خصوصی کاربران را نیز به طور کامل تضمین میکند. هیچ دادهای از دستگاه کاربر خارج نمیشود.[3]
تمام پردازشها در همان رایانه صورت میگیرد و نیازی به ارسال اطلاعات به سرورهای خارجی نیست. این ویژگی برای شرکتهای مالی، حقوقی و درمانی که با دادههای حساس سروکار دارند، از اهمیت بالایی برخوردار است. امنیت دادهها در این روش به بالاترین سطح ممکن میرسد.
عملکرد در بنچمارکها و رقابت
در بنچمارکهای استاندارد صنعتی، عملکرد این مدل بسیار فراتر از انتظار بوده است. بر اساس دادههای منتشر شده توسط پلتفرم Artificial Analysis، اینکلینگ ۲ مینی توانسته در ۳۲ مورد از ۴۸ آزمون معتبر پیروز شود. این مدل توانست رقبای بزرگتری مانند Gemma 4 و Qwen 3.8 را به راحتی شکست دهد.[2][4]
در آزمون برنامهنویسی DeepSWE نسخه ۱.۱ که توانایی مدل در حل باگهای واقعی نرمافزاری را میسنجد، این مدل امتیاز ۴۸.۲ درصد را ثبت کرده است. در مقایسه، مدل Qwen 3.8 امتیاز ۴۲.۲ درصد را به دست آورده بود. این اختلاف نشاندهنده برتری معماری حلقوی در درک منطق کدها است.[1][3]
همچنین در آزمون SWE-Bench Verified، امتیاز درخشان ۷۹.۲ درصد برای اینکلینگ ۲ مینی به ثبت رسیده است. این امتیازات نشان میدهند که مدل در وظایف عاملگونه و خودکار بسیار توانمند است. پلتفرم Vals.ai نیز گزارش داده که این مدل در شاخص سایبربنچ با مدلهای قدرتمندی نظیر کلود اوپوس ۵.۵ برابری میکند.[3]
کارایی محاسباتی یکی دیگر از نقاط قوت این معماری است. به گفته تحلیلگران، اینکلینگ ۲ مینی برای رسیدن به امتیازات مشابه، حدود ۲.۸ برابر کمتر از مدل Qwen 3.8 محاسبات انجام میدهد. این کاهش بار پردازشی به معنای مصرف کمتر باتری در دستگاههای قابل حمل است.[2]
هزینه اجرای هر وظیفه در شاخص هوش مصنوعی تنها ۰.۵۹ دلار برآورد شده و ۹ دقیقه زمان میبرد. در حالی که همین وظیفه برای مدلهای رقیب بیش از ۳.۵ دلار هزینه در بر خواهد داشت. این تفاوت قیمت، استفاده از آن را برای استارتاپها بسیار جذاب میکند.[2]
قابلیتهای چندوجهی و بینایی ماشین
اینکلینگ ۲ مینی یک مدل چندوجهی بومی است و میتواند تصاویر و متن را به صورت همزمان دریافت و درک کند. تصاویر از طریق یک مبدل بینایی رمزگذاری شده و در یک فضای پنهان مشترک با متن پردازش میشوند. این کار نیاز به ابزارهای واسطه را از بین میبرد.[1][4]
این قابلیت در کارهای طراحی، تحلیل اسناد و اتوماسیون رابط کاربری بسیار کاربردی است. در آزمون OmniDocBench که توانایی خواندن و استخراج اطلاعات از اسناد پیچیده را میسنجد، این مدل امتیاز خیرهکننده ۹۲.۸ درصد را کسب کرده است. مدل میتواند جداول و نمودارها را با دقت بالایی تفسیر کند.[3]
همچنین در آزمون ScreenSpot Pro که به یافتن عناصر خاص روی صفحه نمایش اختصاص دارد، عملکرد قابل توجهی با امتیاز ۷۶.۵ درصد داشته است. این توانایی به توسعهدهندگان اجازه میدهد تا عاملهای هوشمندی بسازند که میتوانند مانند یک انسان با نرمافزارهای گرافیکی کار کنند.[3]
اکوسیستم نرمافزاری و ابزارهای توسعه
برای تسهیل استفاده از این مدل، ابزارهای متنوعی از همان روز اول در دسترس قرار گرفتهاند. پلتفرمهایی مانند Ollama، Llama.cpp و MLX پشتیبانی کامل از اینکلینگ ۲ مینی را آغاز کردهاند. کاربران میتوانند تنها با چند خط کد، مدل را روی سیستم خود اجرا کنند.[1][3][4]
نسخههای فشردهشده با فرمت GGUF در پلتفرم Hugging Face برای دانلود عموم قرار دارند. همچنین، این مدل به همراه یک ابزار پیشنویس به نام DSpark عرضه شده است. این ابزار کوچک با حجم ۰.۴ گیگابایت، سرعت تولید متن را از طریق تکنیک رمزگشایی گمانهزنی به شدت افزایش میدهد.[4]
ابزار DSpark کلمات بعدی را حدس میزند و مدل اصلی تنها آنها را تایید یا رد میکند. این کار بدون اشغال حافظه زیاد، سرعت پاسخگویی را چند برابر میکند. شرکت سازنده همچنین پشتیبانی از پلتفرمهای SGLang و vLLM را برای استقرار در سرورهای سازمانی فراهم کرده است.[1][4]
آینده مدلهای محلی
انتشار اینکلینگ ۲ مینی با مجوز آپاچی ۲.۰، گامی مهم در دموکراتیزه کردن هوش مصنوعی پیشرفته است. این مدل نشان میدهد که برای داشتن یک دستیار هوشمند قدرتمند، نیازی به اتصال دائمی به سرورهای غولپیکر ابری نیست. قدرت پردازش اکنون به لبه شبکه و روی میز کاربران منتقل شده است.[2]
انتشار اینکلینگ ۲ مینی با مجوز آپاچی ۲.۰، گامی مهم در دموکراتیزه کردن هوش مصنوعی پیشرفته است.
آینده هوش مصنوعی ممکن است در مدلهای کوچکتر، کارآمدتر و محلیتر نهفته باشد. مدلهایی که با استفاده از ترفندهای معماری مانند حلقههای تکرارشونده، بیشترین بهره را از سختافزارهای محدود میبرند. مرحله بعدی برای جامعه توسعهدهندگان، آزمایش این مدل در پروژههای واقعی خواهد بود.
با این حال، باید دید که آیا این معماری در مقیاسهای بزرگتر نیز به همین اندازه موفق عمل خواهد کرد یا خیر. در حال حاضر، اینکلینگ ۲ مینی یک ابزار قدرتمند و در دسترس برای هر کسی است که میخواهد مرزهای هوش مصنوعی محلی را جابجا کند.
نکات کلیدی
- استارتاپ Thinking Machines Lab مدل ۲۶.۴ میلیارد پارامتری Inkling 2 Mini را برای اجرای محلی منتشر کرد.
- این مدل با استفاده از معماری حلقوی، لایههای میانی خود را سه بار تکرار میکند تا استدلال عمیقتری داشته باشد.
- اجرای این مدل نیازمند سختافزارهای گرانقیمت نیست و روی رایانههای مک با ۳۲ گیگابایت رم به خوبی کار میکند.
- در بنچمارکهای برنامهنویسی و استفاده از ابزارها، این مدل توانسته رقبای بزرگتری مانند Qwen 3.8 را شکست دهد.
آنچه نمیدانیم
- آیا معماری حلقوی در مدلهای بسیار بزرگتر (بالای ۱۰۰ میلیارد پارامتر) نیز پایداری و کارایی خود را حفظ میکند؟
- عملکرد دقیق این مدل در زبانهای کمتر رایج و غیرانگلیسی مانند فارسی در محیطهای عملیاتی چگونه است؟
- پنهان ماندن زنجیره تفکر در لایههای تکرارشونده چه تأثیری بر قابلیت نظارت و ایمنی مدل در بلندمدت خواهد داشت؟
روند رویداد
۱۵ ژوئیه ۲۰۲۶
معرفی اولین نسل از خانواده مدلهای اینکلینگ توسط استارتاپ Thinking Machines Lab.
۵ نوامبر ۲۰۲۶
رونمایی از مدل Inkling 2 Small با ۵۹۴ میلیارد پارامتر برای سرورهای قدرتمند.
۲۰ نوامبر ۲۰۲۶
انتشار عمومی مدل Inkling 2 Mini با معماری حلقوی برای اجرای محلی روی رایانههای شخصی.
- توسعهدهندگان متنباز
- استقلال از فضای ابری و حفظ حریم خصوصی را مهمترین دستاورد مدلهای محلی میدانند.
- تحلیلگران کارایی
- بر کاهش هزینههای پردازشی و نسبت بالای هوش به میزان محاسبات در این معماری تمرکز دارند.
- پژوهشگران ایمنی
- نگران پنهان ماندن زنجیره تفکر مدل در لایههای تکرارشونده و دشواری نظارت بر آن هستند.
دیدگاههایی که این گزارش پوشش نداده
- توسعهدهندگان نرمافزارهای سازمانی
- کاربران نهایی غیرفنی
منابع
[1]Thinking Machinesپژوهشگران ایمنیInkling 2 Mini is an open-weights model small enough to run on your laptop
مطالعه در Thinking Machines →
[2]Artificial Analysisتحلیلگران کاراییThinking Machines has released Inkling 2 Mini, an open weights looped transformer
مطالعه در Artificial Analysis →
[3]Ollamaتوسعهدهندگان متنبازInkling 2 Mini is a small open-weights model from Thinking Machines
مطالعه در Ollama →
[4]Hugging Faceتوسعهدهندگان متنبازInkling 2 Mini is a new looped transformer model
مطالعه در Hugging Face →
بیشتر در هوش مصنوعی
مشاهده همه →سختافزار هوش مصنوعی
رونمایی گوگل از تراشههای تخصصی TPU 8tx و 8i Max؛ چالش جدی برای تسلط انویدیا در بازار هوش مصنوعی
7 منبع
رونمایی انویدیا از سری مدلهای زبانی نموترون ۳.۵ برای ارتقای عاملهای هوش مصنوعی
5 منبع
توافق نیمبند سازمان ملل برای تدوین مقررات تسلیحات خودکار تا سال ۲۰۲۸
4 منبع
بهروزرسانی جمینای
گوگل قابلیت بازیابی ابزارها را به رابط برنامهنویسی جمینای اضافه کرد
7 منبع
نظرات
هر زاویه. هر روز.
اخبار هوش مصنوعی با پوشش کامل منابع و تحلیل دیدگاهها، هر روز و رایگان.





