آیا می‌دانید یک مدل زبانی با ۹۷۵ میلیارد پارامتر می‌تواند در یک ثانیه معادل خواندن هزاران کتاب باشد؟ این سؤال امروز با انتشار Inkling، اولین مدل بزرگ Thinking Machines Lab، پاسخ داده و نشان می‌دهد که رقابت در สนาม هوش مصنوعی سطح بین‌المللی به یک مرحله جدید رسیده است.

مiras Murati، Former CTO OpenAI و یکی از kiếnه‌داران ChatGPT، در سال ۲۰۲۴ Thinking Machines Lab را تأسیس کرد تا به مدل‌های باز و کارآمد بپردازد. پس از چندین ماه تحقیق و تست داخلی، امروز (۱۶ ژوئیه ۲۰۲۶) این استارتاپ Inkling را به عنوان اولین محصول خود روی Hugging Face منتشر کرد و دسترسی از طریق پلتفرم Tinker نیز فراهم کرد.

پیشینه و تاریخچه

Thinking Machines Lab در اوایل ۲۰۲۴ توسط میرا موراتی و گروهی از veteranan OpenAI، Google DeepMind و Anthropic تأسیس شد. هدف اصلی آن، ساخت مدل‌های «open-weights» که هم بتوانند multimodal باشند (متن، تصویر، صدا) و هم بهینه‌سازی هزینه و سرعت inference را داشته باشند. قبل از Inkling، تیم در داخل شرکت روی چندین مدل آزمایشی با مقیاس ۲۰۰ تا ۵۰۰ میلیارد پارامتر کار کرده بود که نتایجشان در تست‌های agentic و کارهایmulti‑task وایژه بود.

این پیشینه نشان می‌دهد که Thinking MachinesLab صرفاً دنبال «بزرگتر» نیست، بلکه به دنبال یک مدل کارآمد، انعطاف‌پذیر و مناسب برای fine-tuning است. این فلسفة در اسناد انتشار Inkling به خوبی منعکس شده است.

جزئیات کامل خبر

بر اساس گزارش Artificial Analysis و اطلاعیه رسمی Thinking Machines Lab (https://thinkingmachines.ai/news/introducing-inkling/)، Inkling یک مدل Mixture-of-Experts (MoE) Transformer است که:

• تعداد کل پارامترها: ۹۷۵ میلیارد
• پارامترهای فعال در هر گام: ۴۱ میلیارد (حدود ۴.۲٪ از کل)
• پنجره Context: تا ۱ میلیون توکن
• پرسش multimodal: متن، تصویر، صدا به صورتnative
• مجموع داده‌های آموزش: ۴۵ تریلیون توکن از متن عمومی، داده‌های sintetیک تصویر و صدا
• وزن‌ها به صورت آزاد روی Hugging Face در مخزن thinkingmachines/inkling در دسترس است

در بخش‌های مختلف تحلیل، Artificial Analysis می‌گوید:

"Inkling در حال حاضر بهترین مدل open-weights آمریکا است و در وظایف agentic نسبت به رقبا مثل Kimi K2.6 و DeepSeek v4 Flash max پیشی دارد."

همچنین:

"Inkling نه قوی‌ترین مدل موجود امروز نیست، اما ترکیبی از پشتیبانی multimodal، پردازش کارآمد و گزینه‌های fine-tuning آن را متمایز می‌سازد."

از طرف دیگر، نقاط ضعف Inkling نیز vermeld شده است:

• نرخ Hallucination: ۶۳٪ (بالا)
• هزینه inference: بالاتر از مدل‌های معادل چینی مانند DeepSeek v2 و Yi‑Lightning
• دقت faktual: نسبت به بهترین مدل‌های چینی ضعیف‌تر است

این نتایج نشان می‌دهد که اگرچه Inkling در مقیاس و قابلیت‌های multimodal پیشرو است، اما برای کاربردهایی که دقت faktual و هزینه مهم است، هنوز راه دارد.

ویژگی‌های تکنیکی Inkling

Inkling به دلیل استفاده از معماری MoE، فقط بخشی از پارامترها در هر بار محاسبه فعال می‌شود؛ این کار باعث می‌شودToken efficiency بالایی داشته باشد و در сравنی با مدل‌های Dense مشابه، انرژی و زمان محاسبه کاهش یابد.

پنجره Context یک میلیون توكان امکان پردازش اسناد طولانی مانندContracts قانونی، کدهای بزرگ یا تحلیل‌های multimodal طولانی‌مدت را فراهم می‌سازد. این ویژگی برای شرکت‌های ایرانی که به دنبال پردازش اسناد حقوقی یا پزشکی با حجم بزرگ هستند، جذاب است.

مقایسه با رقبا

در جدول زیر، Inkling با دو rival اصلی ameryka و چینی مقایسه می‌شود (بر اساس داده‌های Artificial Analysis تا ژوئیه ۲۰۲۶):

Inkling (US)975411M63%1.0× Kimi K2.6 (US)72038512K58%0.9× DeepSeek v4 Flash max (CN)680351M55%0.7× Yi‑Lightning (CN)62030512K50%0.6×

از جدول可见 است که Inkling obwohl بزرگترین مدل است، اما در نرخ hallucination و هزینه به‌ویژه پشت سر مدل‌های چینی قرار دارد.

🔍 تحلیل نیکای

انتشار Inkling نشان می‌دهد که رقابت در حوزهٔ مدل‌های open-weights больше نیست مجرد cuestión از تعداد پارامترها؛ بلکه ترکیبی از multimodality، کارایی inferencing و możliwoсть fine-tuning است که determines superiority. برای بازار ایران، این مدل می‌تواند به‌عنوان پلاฟорм پایه برای ساخت Agent‌های سفارشی در حوزه‌های مالی، سلامت و تولید محتوا به‌کار رود، به شرطی که تیم‌ها بتوانند از ابزارهای Tinker برای کاهش هزینه و رفع hallucination استفاده کنند. در مقابل، شرکت‌های چینی همچنان با بهینه‌سازی هزینه و دقت faktual پیش می‌مانند؛ بنابراین استارتاپ‌های ایرانی که به دنبال توزیع مدل در سراسر کشور هستند، ممکن است از ترکیب Inkling با تکنیک‌های quantization و distillation برای بهینه‌سازی هزینه بهره ببرند. در horizons ۳‑۶ ماه آینده، انتظار می‌رود Thinking Machines Lab نسخه‌ای «Inkling‑Small» با تعداد پارامتر کمتر ولی hallucination کاهش‌یافته منتشر کند که می‌تواند Gap با مدل‌های چینی را کاهش دهد.

💡 نکات کلیدی

• Inkling با ۹۷۵ میلیارد پارامتر و ۴۱ میلیارد پارامتر فعال بزرگترین مدل open-weights آمریکا است.
• مدل multimodal (متن، تصویر، صدا) و پشتیبانی از Context تا ۱ میلیون توکن را دارا است.
• نرخ hallucination ۶۳٪ و هزینه inference بالاتر از rivalهای چینی مانند DeepSeek v4 Flash max است.
• وزن‌ها به صورت آزاد روی Hugging Face در دسترس هستند و دسترسی از طریق پلتفرم Tinker فراهم می‌شود.
• برای کاربران ایرانی، Inkling می‌تواند پایه‌ای برای Agent‌های سفارشی باشد با توجه به finesse multimodal، اما نیاز به بهینه‌سازی هزینه و دقت دارد.

🎯 برای چه کسانی مهم است؟

این مقاله برای:

• توسعه‌دهندگان هوش مصنوعی که به دنبال مدل multimodal با Context بزرگ برای ساخت Agent‌های سفارشی هستند.
• شرکت‌های استارتاپ و شرکت‌های فناوری ایرانی که می‌خواهند از مدل‌های open-weights برای محصولات خود استفاده کنند ولی به بهینه‌سازی هزینه و hallucination احتیاج دارند.
• تحقیق‌کنندگان و دانشجویان که به دنبال مطالعه معماری MoE و تکنیک‌های fine-tuning در مقیاس بزرگ هستند.
• Investorها و تحلیلگران تکنولوژی که می‌خواهند رقبای global در حوزهٔ مدل‌های open-weights را ارزیابی کنند.

سؤال: آیا استفاده از مدل‌های بزرگ مثل Inkling با hallucination بالا در تطبيقات حساس مانند پزشکی یا حقوقی می‌تواندjustify شود، یا بهتر است به مدل‌های کوچک‌تر و دقیق‌تر gravit کرد؟

منبع: The Decoder