رونمایی شرکت Thinking Machines از مدل Inkling 2 Small؛ قوی‌ترین مدل با وزن‌های باز در خارج از چین

شرکت Thinking Machines مدل Inkling 2 Small را با امتیاز ۳۱ در شاخص ارزیابی هوشمندی عرضه کرد؛ برنامه این شرکت برای انتشار عمومی وزن‌ها، آن را بر اساس رتبه‌بندی‌های فعلی به قوی‌ترین مدل با وزن‌های باز در خارج از چین تبدیل خواهد کرد

مدل Inkling 2 Small در گام نخست به‌عنوان یک مدل اختصاصی عرضه شده و از طریق پلتفرم Tinker و محیط آزمایشی Tinker Playground متعلق به شرکت Thinking Machines در دسترس است، اما وزن‌های آن در تاریخی دیگر به‌صورت عمومی منتشر خواهد شد. امتیاز این مدل نسبت به نسخه قبلی یعنی Inkling Small شاهد جهشی ۱۸ واحدی بوده و در هر وظیفه حدود ۴ برابر توکن خروجی بیشتری تولید می‌کند. این مدل در نسخه ۵.۰.۱ شاخص ارزیابی هوشمندی (Intelligence Index) با مدل Gemini 3.8 Flash (در حالت high) از Google DeepMind برابری می‌کند و مدل MiMo-V2.6-Pro شیائومی را پشت سر می‌گذارد.

نکات کلیدی:

➤ پیشرفت چشمگیر نسبت به Inkling Small، به‌ویژه در وظایف ایجنتی: عملکرد مدل در بنچمارک AutomationBench-AA از ۵ درصد به ۴۶ درصد و در آزمون FrontierCode 2.0 از ۵ درصد به ۲۵ درصد جهش یافته است. هم‌چنین امتیاز آن در آزمون HLE-Diamond از ۱۲ درصد به ۲۹ درصد رسیده است.

➤ نقاط قوت متفاوت در کدنویسی در مقایسه با Claude Sonnet 5.5 (حالت medium): مدل Inkling 2 Small در بنچمارک FrontierCode 2.0 امتیاز ۲۵ درصد را در برابر ۱۱ درصدِ مدل Claude Sonnet 5.5 (حالت medium) کسب کرده است، اما در آزمون Terminal-Bench 4.0 امتیاز ۱۳ درصد را در مقابل ۳۰ درصدِ رقیب خود به ثبت رسانده است.

➤ عملکرد ایجنتی خلاقانه بالاتر از Claude Haiku 5.5 و Grok 4.7 در آزمون AA-3D: مدل Inkling 2 Small در هر دو بنچمارک AA-3D و Code2Video-AA بالاتر از Gemini 3.8 Flash قرار می‌گیرد، اما در هر دو مورد پایین‌تر از Claude Sonnet 5.5 می‌ایستد.

➤ بهبود در فیزیک سطح پژوهشی، اما همچنان عقب‌تر از Gemini 3.8 Flash (حالت high): مدل Inkling 2 Small در آزمون CritPt v2 امتیاز ۵۶ درصد را کسب کرده که نسبت به امتیاز ۳۴ درصدی Inkling Small پیشرفت بزرگی محسوب می‌شود، اما همچنان پایین‌تر از امتیاز ۶۵ درصدی Gemini 3.8 Flash (حالت high) است.

➤ کاهش نرخ توهم به‌واسطه پاسخ‌دهی گزینشی‌تر: در بنچمارک AA-Omniscience v1.1، نرخ توهم مدل از ۶۱ درصد در Inkling Small به ۲۷ درصد کاهش یافته است؛ درحالی‌که دقت پاسخ‌ها از ۳۲ درصد به ۳۴ درصد رسیده و نرخ اقدام به پاسخ‌گویی نیز از ۷۷ درصد به ۵۳ درصد پایین آمده است.

➤ تولید حدود ۴ برابر توکن خروجی بیشتر: مدل Inkling 2 Small به‌طور میانگین حدود ۱۵۰ هزار توکن خروجی به ازای هر وظیفه در شاخص هوشمندی تولید می‌کند؛ رقمی که برای Inkling Small حدود ۳۷ هزار، برای Claude Sonnet 5.5 (حالت medium) حدود ۳۱ هزار و برای Gemini 3.8 Flash (حالت high) حدود ۹۹ هزار توکن است.

➤ هزینه تقریباً ۶ برابری نسبت به Inkling Small، اما ارزان‌تر از چندین مدل هم‌تراز در شاخص هوشمندی: اجرای هر وظیفه شاخص هوشمندی با Inkling 2 Small حدود ۱.۱۸ دلار هزینه دارد؛ درحالی‌که این رقم برای Inkling Small معادل ۰.۲۰ دلار، برای Gemini 3.8 Flash (حالت high) معادل ۷.۷۷ دلار و برای Claude Sonnet 5.5 (حالت medium) معادل ۱۰.۰۲ دلار است.

مشخصات کلیدی مدل:

➤ نوع مدل: مدل استدلالی اختصاصی در زمان عرضه؛ برنامه‌ریزی‌شده برای انتشار وزن‌ها تحت مجوز Apache 2.0 (تاریخ دقیق هنوز تأیید نشده است)

➤ ورودی و خروجی‌ها: ورودی متن و تصویر، خروجی متن

➤ اندازه مدل: مجموعاً ۵۹۴ میلیارد پارامتر و ۱۷ میلیارد پارامتر فعال

➤ قیمت‌گذاری: ۰.۳۰ دلار برای هر ۱ میلیون توکن ورودی و ۱.۰۰ دلار برای هر ۱ میلیون توکن خروجی (۰.۰۳ دلار به ازای هر ۱ میلیون توکن ورودی کش‌شده)

➤ دسترسی در زمان عرضه: پلتفرم Tinker و Tinker Playground

مدل Inkling 2 Small در بنچمارک AA-Briefcase امتیاز Elo را ۶۱۵ واحد نسبت به Inkling Small ارتقا داده و نرخ قبولی معیارهای ارزیابی را ۲.۵ برابر کرده است.

بنچمارک AA-Briefcase گردش‌کارهای تجاری بلندمدت نیازمند به صفحه‌گسترده‌ها (اسپردشیت‌ها)، فایل‌های ارائه و یادداشت‌های سازمانی را می‌آزماید. مدل Inkling 2 Small در این بخش امتیاز ۱۵۲۷ Elo را کسب کرده، درحالی‌که امتیاز Inkling Small برابر با ۹۱۲ Elo، مدل Claude Sonnet 5.5 (حالت medium) معادل ۱۴۳۹ Elo و مدل Gemini 3.8 Flash (حالت high) معادل ۱۲۰۳ Elo بوده است.

این مدل ۵۰ درصد از بررسی‌های معیار (Rubric) را با موفقیت پشت سر می‌گذارد که در مقایسه با نرخ ۲۰ درصدی Inkling Small جهش قابل توجهی است و کیفیت تحلیلی آن ۱۶۳۴ Elo و کیفیت ارائه آن ۱۵۶۴ Elo ارزیابی شده است.

مدل Inkling 2 Small پیشرفت بزرگی نسبت به Inkling (حالت xhigh) در آزمون‌های AA-3D و Code2Video-AA ثبت کرده و امتیازاتی نزدیک به Muse Spark 1.3 و Qwen3.8 Max به دست آورده است.

بنچمارک AA-3D توانایی مدل‌ها را در ساخت تجربه‌های تعاملی سه‌بعدی می‌سنجد. مدل Inkling 2 Small در این آزمون امتیاز ۱۰۲۱ Elo را کسب کرده که بالاتر از امتیاز ۹۶۶ Elo در مدل Gemini 3.8 Flash از Google DeepMind و نزدیک به امتیاز ۱۰۳۳ Elo در مدل Muse Spark 1.3 (حالت max) از شرکت متا است.

در بنچمارک Code2Video-AA نیز که توانایی مدل‌ها را در تولید ویدیو از طریق کدنویسی آزمایش می‌کند، Inkling 2 Small امتیاز ۱۰۲۰ Elo را ثبت کرده است؛ درحالی‌که امتیاز Gemini 3.8 Flash برابر با ۸۹۹ Elo و امتیاز مدل Qwen3.8 Max (نسخه ۰۹۰۲ در حالت xhigh) از شرکت علی‌بابا برابر با ۱۰۲۱ Elo بوده است.

در مقایسه با مدل Inkling (حالت xhigh)، این نسخه جدید ۴۳۸ واحد Elo در آزمون AA-3D (۱۰۲۱ در برابر ۵۸۳) و ۵۵۳ واحد Elo در آزمون Code2Video-AA (۱۰۲۰ در برابر ۴۶۷) پیشرفت داشته است.

مدل Inkling 2 Small عمدتاً به‌دلیل پاسخ دادن به سؤالات کمتر، دچار توهم کمتری می‌شود و دقت آن تنها اندکی بهبود یافته است.

در بنچمارک AA-Omniscience v1.1، امتیاز خالص این مدل از منفی ۹ در Inkling Small به مثبت ۱۶ ارتقا یافته، اما همچنان پایین‌تر از Gemini 3.8 Flash (حالت high با امتیاز ۲۳) و Claude Sonnet 5.5 (حالت medium با امتیاز ۱۹) قرار می‌گیرد. نرخ توهم این مدل از ۶۱ درصد در Inkling Small به ۲۷ درصد کاهش یافته، درحالی‌که نرخ اقدام به پاسخ‌گویی از ۷۷ درصد به ۵۳ درصد رسیده و دقت از ۳۲ درصد به ۳۴ درصد افزایش پیدا کرده است.

مدل Inkling 2 Small به‌طور میانگین حدود ۱۵۰ هزار توکن خروجی در هر وظیفه از شاخص هوشمندی تولید می‌کند که حدود ۴ برابرِ میانگین ۳۷ هزار توکنی در Inkling Small است.

این مدل هم‌چنین توکن‌های خروجی بیشتری نسبت به Gemini 3.8 Flash (حالت high با حدود ۹۹ هزار توکن) و Claude Sonnet 5.5 (حالت medium با حدود ۳۱ هزار توکن) مصرف می‌کند.

هزینه اجرای هر وظیفه با Inkling 2 Small در شاخص هوشمندی ۱.۱۸ دلار است که تقریباً ۶ برابر بیشتر از Inkling Small محسوب می‌شود.

قیمت توکن‌ها برای مدل Inkling 2 Small به ترتیب ۰.۳۰ دلار برای ورودی، ۱.۰۰ دلار برای خروجی و ۰.۰۳ دلار برای توکن‌های بازیابی‌شده از حافظه پنهان (Cache) به ازای هر ۱ میلیون توکن تعیین شده است.

نتایج کامل ارزیابی‌ها در نسخه ۵.۰.۱ شاخص هوشمندی در جدول زیر قابل مشاهده است: