Thinking Machines تطلق Inkling-Small الذكي والأكثر كفاءة
أعلنت شركة Thinking Machines Lab عن إطلاق Inkling-Small، وهو نموذج ذكاء اصطناعي مفتوح الأوزان يقدم أداءً قريباً من النموذج الأكبر Inkling، رغم احتوائه على عدد أقل بكثير من المعاملات، مع تفوقه في مهام التفكير والبرمجة الوكيلة.
تفاصيل إطلاق نموذج Inkling-Small وقدراته الجديدة
يعد Inkling-Small نموذجاً متقدماً من نوع Mixture-of-Experts، حيث يحتوي على 276 مليار معامل إجمالي، لكن يتم تفعيل 12 مليار معامل فقط أثناء التشغيل، مما يجعله أكثر كفاءة من النموذج الأساسي Inkling الذي يعتمد على 41 مليار معامل نشط.
تم تصميم النموذج ليقدم أداءً قوياً مع تقليل تكلفة التشغيل والحوسبة، حيث تمكن من تحقيق نتائج مشابهة للنموذج الأكبر في العديد من الاختبارات، بل وتفوق عليه في بعض مهام التفكير واستخدام الأدوات والبرمجة.
أبرز مميزات Inkling-Small:
- نموذج مفتوح الأوزان يسمح للمطورين باستخدامه وتعديله وتخصيصه.
- يدعم نافذة سياق طويلة تصل إلى مليون رمز، مما يسمح بمعالجة كميات كبيرة من المعلومات.
- يمتلك قدرات أصلية لفهم النصوص والصور والصوت ضمن نموذج واحد.
- يدعم مستويات مختلفة من جهد التفكير، مما يسمح بالموازنة بين سرعة الأداء والتكلفة.
- تم تدريبه باستخدام أنظمة NVIDIA GB300 NVL72 المتقدمة.
- يمكن استخدامه في المحادثات النصية وتحليل الصور والصوت وتطوير تطبيقات الذكاء الاصطناعي.
كما أصبح النموذج متاحاً للمطورين عبر منصة Tinker، مع إمكانية إجراء عمليات الضبط الدقيق لتخصيصه حسب الاستخدامات المختلفة.
تفوق Inkling-Small في التفكير والبرمجة الوكيلة
ركزت Thinking Machines Lab على تحسين قدرة النموذج في تنفيذ المهام المعقدة التي تحتاج إلى التخطيط واتخاذ القرارات، خاصة في مجالات البرمجة واستخدام الأدوات الخارجية.
أظهرت الاختبارات أن Inkling-Small حقق نتائج قوية مقارنة بالنموذج الأكبر Inkling، خصوصاً في مهام التفكير والاستدلال والبرمجة المستقلة.
ومن أبرز النتائج:
- سجل النموذج نسبة 31.6% في اختبار Humanity’s Last Exam للتفكير النصي، متفوقاً على Inkling الذي سجل 29.7%.
- تجاوز نسبة 80% في اختبار SWEBench Verified الخاص بحل مشاكل البرمجة.
- قدم أداءً قوياً في اختبار Terminal-Bench 2.1 لتقييم استخدام الأدوات وتنفيذ المهام البرمجية.
- حافظ على كفاءة عالية في استهلاك الرموز مقارنة بالنماذج الأكبر.
- أظهر قدرة محسنة على استخدام Python لتحليل الصور والرسوم البيانية والمستندات.
وتشير هذه النتائج إلى أن زيادة حجم النموذج ليست العامل الوحيد للحصول على أداء أفضل، حيث يمكن للتدريب المحسن والهندسة المعمارية الفعالة تحقيق نتائج قوية باستخدام موارد أقل.
قدرات الصوت والصورة والسلامة في Inkling-Small
لم يقتصر تطوير Inkling-Small على التفكير والبرمجة فقط، بل ركزت الشركة أيضاً على القدرات متعددة الوسائط، ليكون نموذجاً قادراً على التعامل مع أنواع مختلفة من البيانات.
يدعم النموذج:
- فهم الصور وتحليل المخططات والرسوم البيانية.
- التعامل مع البيانات الصوتية وفهم الكلام.
- تنفيذ مهام تعتمد على الجمع بين الرؤية والتفكير البرمجي.
- تحليل المستندات التي تحتوي على معلومات صغيرة أو معقدة بصرياً.
كما خضع النموذج لاختبارات أمان قبل الإطلاق، تضمنت تقييم قدرته على رفض الطلبات الضارة والتعامل مع الاستخدامات الحساسة، مع الحفاظ على أداء قريب من نموذج Inkling الأكبر.
أهداف Thinking Machines المستقبلية
تسعى Thinking Machines Lab إلى تطوير نماذج ذكاء اصطناعي أكثر كفاءة يمكن استخدامها على نطاق واسع من قبل المطورين والشركات.
وتشمل أهدافها المستقبلية:
- تطوير نماذج أصغر حجماً دون التضحية بالأداء.
- تحسين قدرات الذكاء الاصطناعي الوكيل لتنفيذ المهام بشكل مستقل.
- دعم المزيد من التطبيقات التي تعتمد على الصوت والصورة والنص معاً.
- توفير نماذج مفتوحة الأوزان تمنح المطورين مرونة أكبر.
- تحسين كفاءة تشغيل النماذج لتقليل تكلفة استخدام الذكاء الاصطناعي.
- مواصلة تطوير نماذج قادرة على تعزيز قدرات الإنسان في العمل واتخاذ القرار.
يمثل Inkling-Small خطوة مهمة نحو نماذج ذكاء اصطناعي أكثر كفاءة وأقل تكلفة، حيث يثبت أن النماذج الأصغر يمكن أن تنافس الإصدارات الأكبر عند تطويرها بطريقة مناسبة. ومع توجه الصناعة نحو تحسين الكفاءة، قد تصبح هذه النماذج خياراً عملياً واسع الاستخدام في المستقبل.
