
Inkling 2 Mini: نموذج MoE محلي بـ26B مع سياق 1M رموز
بقلم علي المنتصر — محلل ومحرر تقني أول
أطلقت Thinking Machines Lab نموذج Inkling 2 Mini، وهو محوّل متعدد الوسائط بنمط Mixture-of-Experts بحجم 26 مليار معامل إجمالي و3 مليارات معامل نشط فقط لكل رمز، مع سياق يصل إلى مليون رمز ودعم الصور والنصوص. يعتمد النموذج على تقنية الحلقات المتكررة (looped transformer) لتحقيق أداء يعادل 48 طبقة منطقية بـ24 طبقة فعلية فقط، ويُشحن بصيغ NVFP4 وMXFP8 مع دعم transformers وllama.cpp وMLX وSGLang. يتفوق على Gemma 4 31B وQwen3.8-27B في 32 من 48 اختباراً معيارياً، ما يجعله خياراً محورياً لبيئات الذكاء الاصطناعي المحلية.
الموجز الإحصائي السريع
أعلنت Thinking Machines Lab عبر مدونة Hugging Face الرسمية عن إطلاق نموذج Inkling 2 Mini، وهو محوّل متعدد الوسائط بنمط Mixture-of-Experts مصمم لبيئات الذكاء الاصطناعي المحلية (Local AI Setups). النموذج متاح فوراً عبر أطر transformers وllama.cpp وMLX وSGLang، ويأتي بحجم 26 مليار معامل إجمالي و3 مليارات معامل نشط لكل رمز، مع سياق يصل إلى مليون رمز ودعم مدخلات الصور والنصوص.
📊 بطاقة البيانات والمواصفات التقنية الرسمية
| المحور التقني | البيانات الرسمية المؤكدة |
|---|---|
| 💰 الأسعار وتكلفة الاستخدام | نموذج مفتوح الأوزان (Open Weights) مجاني للتحميل والتشغيل المحلي عبر Hugging Face، دون تسعير رسمي لكل مليون رمز. تكلفة التشغيل تعتمد على العتاد المحلي أو السحابي للمستخدم. |
| 🌐 المنصات والتوفر الفوري | Hugging Face (الأوزان الأصلية)، transformers، llama.cpp / Llama App (macOS وWindows)، MLX (mlx-lm عبر mlx-community)، SGLang (دعم Day-0 للنشر الإنتاجي على أجهزة مراكز البيانات بشرط SM103). |
| ⚡ الأداء ومؤشرات السرعة | يتصدر 32 من 48 اختباراً معيارياً مقابل Gemma 4 31B وMuse Glimmer وQwen3.8-27B وNemotron 3.5 Super VL. يتصدر FrontierCode v2.0، يتعادل مع Qwen3.8-27B في Terminal-Bench 4.0. قياسات سرعة التوليد على وحدة NVIDIA B300 واحدة بمطالبة 1024 رمزاً وتوليد 1024 رمزاً عند تزامن 1 و4 و16 و64. دعم DSpark drafter لتسريع إضافي بتكلفة ذاكرة صغيرة. |
| 🛡️ الأمان ومقاومة الاختراق | يتصدر فئة السلامة والمحاذاة (Safety and Alignment) ضمن 48 اختباراً معيارياً. لا توجد تصنيفات أمنية رقمية منفصلة معلنة في البيان الرسمي. |
| 🧠 سياق الذاكرة (Context Window) | 1,000,000 رمز (1M-token context size)، مع نافذة انتباه محلية (sliding window) بحجم 1,024 رمزاً في كل كتلة من ست طبقات. |
| 🌍 دعم اللغة العربية والمنطقة | لا يذكر البيان الرسمي تقييماً منفصلاً للعربية. النموذج متعدد اللغات بطبيعته كونه محوّلاً متعدد الوسائط، لكن لا توجد أرقام أداء عربية مؤكدة في المصدر. |
تفاصيل الإعلان والميزات التقنية الجديدة
يعتمد Inkling 2 Mini على بنية المحوّل المتكرر (Looped Transformer) التي تُعد أبرز ابتكاراته المعمارية: إذ يحتوي النموذج على 24 طبقة فك ترميز فيزيائية فقط، لكن الطبقات الـ12 الوسطى (من 6 إلى 17) تُنفَّذ ثلاث مرات في حلقة متكررة، ما يجعله يعمل كأنه يمتلك 48 طبقة منطقية (6 + 3×12 + 6) مع إعادة استخدام نفس الأوزان في كل تمريرة. هذا التصميم يقلل عدد الطبقات المميزة التي تخزنها نقاط الحفظ (checkpoint) مع الحفاظ على 48 زيارة طبقة لكل رمز، وكل زيارة تحتفظ بحالتها الخاصة من KV والالتفاف القصير (short-convolution).
يستخدم النموذج بنية Mixture-of-Experts حيث يوجّه كل رمز إلى 8 خبراء من أصل 128 خبيراً SwiGLU في كل طبقة (مقابل 384 خبيراً في Inkling 2 Small)، مع تطبيع الدرجات المختارة وتوسيع الأوزان بمعامل 8. يبلغ عرض فك الترميز النصي 2,304 (مقابل 4,608 في Small)، والعرض الوسيط لكل خبير 1,152. تعتمد آلية الانتباه على 24 رأس استعلام و8 رؤوس KV، مع استخدام لوغاريتمات الموضع النسبية المتعلمة، ومصب (sink) متعلم، وبوابة إخراج، بينما تستخدم طبقات الانتباه الكامل التفافات ديناميكية للمفاتيح والقيم.
يُشحن النموذج بصيغة دقة مختلطة (mixed-precision) تجمع بين أوزان الخبراء بصيغتي NVFP4 وMXFP8، مع تضمين DSpark drafter لتسريع إضافي بتكلفة ذاكرة صغيرة. كما أُصدر بحثي (TML-d24-varloop-research) يشارك نفس المعمارية لكنه مدرب لقبول عدد متغير من التمريرات عبر الحلقة (1 أو 2 بدلاً من 3)، ما يسرّع الاستدلال بشكل كبير مع احتمال انخفاض طفيف في الجودة.
المقارنة المعيارية والأداء التنافسي
وفق البيان الرسمي، يتصدر Inkling 2 Mini فئته في مؤشر Artificial Analysis Intelligence Index v5 (AAv5)، ويتفوق على Gemma 4 31B وMuse Glimmer وQwen3.8-27B وNemotron 3.5 Super VL في 32 من أصل 48 اختباراً معيارياً تغطي البرمجة والبحث الآلي، والبحث الوكيلي واستخدام الأدوات، وتفسير الرؤية وإنشائها، والاستدلال والمعرفة، والسلامة والمحاذاة. في اختبارات البرمجة المحلية، يتصدر FrontierCode v2.0، ويتعادل مع Qwen3.8-27B في Terminal-Bench 4.0، ويتخلف عنه في AutomationBench-AA v1.0.6. كما أشار الفريق إلى أن النموذج "على الأقل قابل للمقارنة" مع Qwen 3.8 27B في اختبارات الانطباع (vibe tests)، مع تأكيد الحاجة إلى مزيد من التحقق.
ماذا يعني هذا للمطور والمستخدم العربي؟ (The Localization Edge)
يمثل Inkling 2 Mini فرصة عملية للمطورين العرب لبناء تطبيقات ذكاء اصطناعي محلية دون الاعتماد على واجهات برمجية سحابية مكلفة، إذ يتيح تشغيله على أجهزة macOS وWindows عبر llama.cpp وMLX، ما يخفض تكاليف التطوير للمشاريع الناشئة في المنطقة بشكل جوهري. بفضل سياقه المليوني، يمكن معالجة مستندات عربية طويلة (كتب، عقود، أرشيفات) في تمريرة واحدة، بينما تتيح بنية MoE بـ3 مليارات معامل نشطة فقط كفاءة عالية في استهلاك الذاكرة والطاقة. دعم الصور والنصوص معاً يفتح حالات استخدام في تحليل الوثائق الممسوحة ضوئياً والخرائط والمحتوى البصري العربي. غير أن غياب تقييم عربي رسمي في البيان يستدعي اختباراً ميدانياً من المطورين المحليين قبل الاعتماد الإنتاجي الكامل.
الخلاصة والتطلعات القادمة
يمثل Inkling 2 Mini خطوة معمارية جريئة نحو نماذج محلية عالية الكفاءة، تجمع بين حجم فيزيائي معتدل (26B) وقدرة حسابية تعادل 48 طبقة منطقية بفضل الحلقات المتكررة. مع دعم فوري لأربعة أطر تشغيل رئيسية وتفوق في 32 من 48 اختباراً، يضع النموذج معياراً جديداً لفئة النماذج المحلية متعددة الوسائط. التطلع القادم هو التحقق المستقل من أدائه في اللغات غير الإنجليزية، وخاصة العربية، وتوسيع دعم SGLang ليشمل عتاداً أوسع.
المصدر الإعلامي: Hugging Face | البيان الرسمي للشركة: المصدر الأصلي | تدقيق وتحليل البيانات: AI Tools Oasis
أسئلة شائعة

فريق AI Tools Oasis
نقدم لك أحدث الأخبار والتحليلات في عالم الذكاء الاصطناعي بدقة ومصداقية. تابعنا للحصول على كل جديد.


