بطاقة عنوان مُولّدة تحمل «Inkling 2 Mini»، وعنوانها الفرعي «نفس درجة مؤشر الذكاء التي يحققها Qwen3.8-27B، بسدس التكلفة لكل مهمة»، مع أربع بطاقات مستديرة تحمل مؤشر الذكاء 20.1، وتكلفة كل مهمة مؤشر 0.59 دولارًا، وسرعة إخراج 280 رمزًا في الثانية، ونقطة تحقق 20GB Apache 2.0. ويقع شعار OrcaRouter في أسفل اليمين.
Guides & Insights

Inkling 2 Mini: نفس الـ20 الخاص بـ Qwen3.8-27B، بسدس التكلفة

الكاتب

jinhao.song

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

نموذجان يقعان على المرتبة نفسها في مؤشر Artificial Analysis Intelligence Index، وكلاهما حصل على 20. يكلف أحدهما 3.53 دولارات لإكمال مهمة مؤشر واحدة ويستغرق 35 دقيقة ونصفًا لإنجازها. أما الآخر فيكلف 0.59 دولار ويستغرق تسع دقائق. الأرخص هو Inkling 2 Mini، وهو نموذج خليط خبراء بـ26.4 مليار معامل نشرته Thinking Machines Lab في 20 نوفمبر 2026 بموجب Apache 2.0، أما الأغلى فهو Qwen3.8-27B — نموذج كثيف أطلقته Alibaba في أغسطس وتوفره OrcaRouter بسعر 0.33 دولار للإدخال و2.40 دولار للإخراج لكل مليون رمز.

تعادلٌ على مؤشر مركّب ليس تعادلًا في القدرات، وسيكرّس هذا المقال معظم طوله لمواضع تباعد الاثنين. لكن رقم التكلفة هو ما يحدّد ما إذا كنت ستضع نموذجًا في مسار الإنتاج، وهو الرقم الذي ستغفله معظم تغطية إطلاق Inkling 2 Mini، لأنه غير وارد في منشور الإطلاق. وهو يأتي من القياس المستقل، وهو أفضل بست مرات من النموذج الذي يتعادل معه.

ما الذي شُحن فعلياً، وما الذي لم يُشحن

الإعلان مؤرّخ في 20 نوفمبر. أُنشئ مستودع Hugging Face في 17 نوفمبر وآخر تعديل له في العشرين، وهو ما يشبه نقطة تحقق جُهّزت قبل الإطلاق لا إصدارًا مفاجئًا. تذكر البطاقة ترخيص Apache 2.0 وتحمل قائمة الملفات الوسم نفسه — ترخيص فعلي لا وعد بترخيص، وهذا هو الفرق بين هذا الإصدار وإصدار Inkling 2 Small، حيث تأخرت الأوزان عن الإعلان أسبوعًا.

القطعة الأثرية نفسها:

• المعاملات — 26.4 مليار إجمالًا، و3.4 مليار نشطة، و5.4 مليار تفعيلات أوزان فعّالة لكل رمز عند احتساب الحلقات. وتضع Thinking Machines الفجوة عند نحو 1.0 مليار معامل نشط إضافي لكل تمريرة حلقية.

• البصمة — حوالي 20GB بمزيج من NVFP4 وMXFP8، صغيرة بما يكفي لتشغيلها الشركة دون اتصال على MacBook Pro، وتُرفق تعليمات لأي جهاز Mac بذاكرة RAM بسعة 32GB أو أكثر.

• الأنماط — النص والصور كمدخلات، عبر محوّل رؤية يُسقَط في الفضاء المخفي نفسه؛ والنص فقط كمخرجات.

• دعم وقت التشغيل — SGLang، وvLLM، وNVIDIA Dynamo، وTokenSpeed، وOllama، وllama.cpp عبر Unsloth GGUFs. التدريب اللاحق بالتعلم المعزز على SkyRL وMiles وNVIDIA AutoModel.

• التوافر المستضاف — Tinker، للاستدلال والضبط الدقيق. هذه هي نقطة النهاية الوحيدة. وهو ليس متاحًا على OrcaRouter، ولن يتظاهر هذا المقال بغير ذلك.

نقطة دقيقة واحدة بشأن السعر، لأن الصفحة المستقلة وبطاقة الأسعار تبدوان متعارضتين وهما ليستا كذلك. تُدرج Artificial Analysis سعر $0.15 لكل مليون توكن إدخال و$0.50 لكل مليون توكن إخراج، مع خصم 90% على التخزين المؤقت وسعر مختلط $0.0905. هذه هي أسعار أخذ العينات لدى Tinker — التعبئة المسبقة $0.15، والتعبئة المسبقة المخزّنة مؤقتًا $0.015، وأخذ العينات $0.50 — ولا تزال قائمة طرازات Tinker الخاصة بها تسعّر فئة سياق 64K وفئة 256K بالسعر نفسه $0.15/$0.50 لأخذ العينات، مع التدريب بسعر $0.75 و$1.50 على التوالي. الشيء الذي لا تُدرج Tinker تحته Mini هو النسخة التجريبية للاستدلال بلا خادم، الذي يغطي جدوله Inkling 2 Small وInkling الأصلي ولكن ليس هذا الطراز. إذن $0.15/$0.50 هو ما تدفعه لأخذ عينات منه على Tinker، وعبارة "متاح عبر API من خلال مزوّد واحد" في صفحة التحليل تعني ذلك، وليس نقطة نهاية بلا خادم لها بطاقة أسعار خاصة بها.

Screenshot of the Thinking Machines announcement page titled 'Introducing Inkling 2 Mini', dated Nov 20, 2026, showing the Capabilities, Try on Tinker, Hugging Face and Model card links, section navigation for Architecture and training, Monitorability of looped transformers and Try Inkling 2 Mini today, and the opening paragraphs describing a looped transformer that runs the middle layers three times per token and leads open-weights models under 100B total parameters on DeepSWE v1.1 at 48.2% and Vals Index v2.2 at 46.5%.

لماذا تُعد بنية الحلقة هي جوهر المسألة بالكامل

كل ما عدا ذلك في النموذج تقليدي. أما الحلقة فليست كذلك، وهي تفسّر كلاً من رقم التكلفة ونقاط ضعف النموذج، لذا فهي تستحق دقيقتين.

إنّ Inkling 2 Mini محوّل بفك ترميز فقط ذو 24 طبقة، مع طبقات تغذية أمامية متفرقة من نوع مزيج الخبراء، منظمة في أربع كتل من ست طبقات. تعمل الكتلة الأولى والكتلة الأخيرة مرة واحدة. أما الكتلتان في المنتصف فتعملان ثلاث مرات بأوزان مشتركة، لذا يُمرَّر كل رمز عبر 48 تطبيقًا طبقيًا مأخوذة من 24 طبقة مخزنة. وبين التمريرات، تدمج بوابة مُتعلَّمة «رسالة» التمريرة السابقة في التمريرة التالية عبر متبقيات الانتباه، لذا فالتكرار ليس حسابًا مطابقًا — بل يحمل النموذج الحالة إلى الأمام.

جاء الخبراء من عملية تقليم بدلًا من تدريبهم من الصفر. بدأ التدريب عند تناثر 48، بانتقاء 8 خبراء من أصل 384؛ ثم أبقت الشركة على 128 خبيرًا في كل طبقة كانت الأكثر استخدامًا، وعالجت الضرر على 1T من الرموز المقطّرة، قبل SFT وRL على 2.2T من الرموز في 2000 خطوة. دُرّب من البداية إلى النهاية بدقة 4 بت، مع 20 طبقة في NVFP4 و4 طبقات في MXFP8، ولهذا فإن نقطة التحقق المشحونة تمثل الدقة التي دُرّب بها وليست تكميمًا لاحقًا لها.

لماذا يهم أيٌّ من ذلك المشتري: ترتفع الحوسبة الفعّالة لكل معامل مخزَّن، لذا تتصرف نقطة تفتيش بحجم 26B وكأنها شيء أكبر بينما تشغل ذاكرة حاسوب محمول. ولماذا يهم ذلك المشغّل: إن دعم البنى ذات الحلقات (looped architectures) عمره يوم واحد تقريبًا. فقد وصل دعم SGLang على شكل PR #51926، فُتح في اليوم نفسه الذي أُطلق فيه النموذج، مضيفًا نوع نموذج مخصّصًا، وأعلامًا (flags) لتمريرات الحلقات ومشاركة التخزين المؤقت، ومسارات NVFP4 grouped-GEMM التي تملأ بالمصفوفات الصفرية مصفوفات الخبراء بعرض 1152 إلى 1280 لتلائم النواة (kernel)، مع قياسات أداء على GB300 وB300 وH200. وتقول بطاقة النموذج ذلك بصراحة ضمن حدودها الخاصة: "دعم وقت تشغيل النماذج ذات الحلقات جديد، لذا تتفاوت السرعة." وهذا تحذير صادق، وهو الخطر التشغيلي الوحيد الفريد لهذا الإصدار.

متعادلان عند 20، ويفصل بينهما ستة أضعاف في التكلفة

مقارنة Intelligence Index هي سبب كون هذا الطراز مثيرًا للاهتمام، وهي أيضًا الموضع الذي يُرجَّح فيه أن يُضلَّل القارئ بالعنوان الرئيسي. يسجّل كلا الطرازين 20 في الإصدار 5.0 من المؤشر. لكن في كل ما يكمن تحت تلك النتيجة، ليسا الطراز نفسه.

• المؤشر — 20.1 لـ Inkling 2 Mini، و20 لـ Qwen3.8-27B في إعداد الجهد xhigh الخاص به. على نفس المستوى فعليًا.

• تكلفة كل مهمة فهرسة — 0.59 دولارًا مقابل 3.53 دولارًا. بمعامل ستة.

• الوقت الفعلي لكل مهمة فهرسة — 9.0 دقائق مقابل 35.5 دقيقة.

• سرعة الإخراج — 280 رمزًا في الثانية مقابل 51.

• الوقت حتى أول رمز — 9.72 ثانية لـ Mini؛ لا تتصدّر صفحة Qwen برقم لأول رمز، ووقت المهمة البالغ 35 دقيقة هو الرقم الفعّال.

• السياق — 1M على بطاقة النموذج وعلى Artificial Analysis؛ و256K في قائمة نماذج Tinker. المزيد حول ذلك أدناه.

• الترخيص — Apache 2.0 وقابل للتنزيل بحجم 20GB، مقابل واجهة برمجة تطبيقات مورّد بسعر قائمة $0.50/$3.00.

يفسّر الإسهاب جزءًا من فجوة ستة أضعاف، ويستحق معرفته لأنه يتنبأ بفاتورتك على نحو أفضل مما تفعل قائمة الأسعار. لإكمال تشغيل المؤشر، أصدر Inkling 2 Mini 161 مليون رمز إخراج مقابل وسيط بلغ 85.7 مليون لدى النماذج المماثلة — أي نحو 1.9 مرة إخراج نموذج نموذجي في فئته. ومع ذلك، عند 0.50 دولار لكل مليون رمز إخراج، لا تزال الحسابات تصل إلى 0.59 دولار لكل مهمة. تأتي تكلفة Qwen3.8-27B من الاتجاه الآخر: سعر إخراج 3.00 دولارات، ونموذج يستغرق أربعة أضعاف الوقت للانتهاء.

ثمة تحذير ينبغي أن يرد بجانب تلك الأرقام لا بعدها. فدرجة المؤشر 20 قريبة من الحد الأدنى لما تقيسه لوحة الصدارة على نحو مفيد، والنماذج المتجمّعة بين 18 و20 لا يمكن ترتيبها به على نحو موثوق — فلوحة الصدارة حول Mini تضم Nanbeige4.3-33B عند 20، وJT-4.1 Flash 236B A21B عند 19، وMiniMax-M3 عند 19. أما التعادل عند 20 فهو بيان بأن كلا النموذجين يتجاوزان العتبة نفسها، لا أنهما يفشلان في المواضع نفسها.

A generated two-column scoreboard titled 'Inkling 2 Mini vs Qwen3.8-27B - the scoreboard'. The Inkling 2 Mini column reads Intelligence Index 20.1, active parameters 3.4B of 26.4B total with 5.4B effective, cost per index task 0.59 dollars, time per index task 9.0 minutes, output speed 280 tokens per second, and a claimed 1,000,000-token context. The Qwen3.8-27B column reads Intelligence Index 20, 27B dense with all parameters active, cost per index task 3.53 dollars, time per index task 35.5 minutes, output speed 51 tokens per second, and 262,144 native context extensible to one million. A footer states that index, cost, time and speed figures are measured by Artificial Analysis and context figures are vendor-reported.

الترميز هو المجال الذي تصبح فيه أرقام المورّدين مثيرة للاهتمام.

تسوّق Thinking Machines هذا باعتباره نموذج برمجة وكيليًا يعمل على حاسوب محمول، والجدول المنشور يدعم الشطر الأول من هذا الادعاء بقوة أكبر مما تفعل معظم إطلاقات النماذج الصغيرة. هذه تقييمات الشركة نفسها، ولم يُعِد أحد خارج المختبر إنتاجها وقت كتابة هذا النص، وينبغي قراءتها بوصفها ادعاءات لا قياسات.

• SWE-bench Verified — 79.2%، bash فقط.

• SWE-bench Pro v2، صعب — 77.9%.

• SWE-bench Multilingual — 73.7%.

• Vibe Code Bench v1.1 — 77.9%.

• Terminal Bench v2.1 — 71.6%، خلف نتيجة Qwen3.8-27B البالغة 73.0.

• DeepSWE v1.1 — 48.2%; FrontierCode v2.0 — 15.1%; Terminal Bench v4.0 — 5.6%.

• BrowseComp — 79.0%؛ DeepSearchQA — 85.3%؛ MCP Atlas — 82.7%.

• MMMU Pro — 74.9%؛ OmniDocBench v1.6 — 92.8%؛ ScreenSpot Pro — 76.5%، أو 87.7% عند السماح بأدوات Python.

• علوم وأسئلة استدلال صعبة على غرار GPQA — HLE-Diamond 15.2%، CritPt v2 31.4%، ARC-AGI 84.5% على v1 و49.3% على v2.

النمط داخل ذلك الجدول متسق مع البنية: الصفوف التي يبدو فيها Mini قويًا تكافئ المثابرة واستخدام الأدوات على الآفاق الطويلة، والصفوف التي يبدو فيها ضعيفًا هي تلك التي تتطلب استدعاءً صحيحًا واحدًا أو استدلالًا علميًا صعبًا. هذا ما تتيحه ميزانية صغيرة من المعاملات النشطة، وما لا يصلحه التكرار.

صَفّان من صفوف المقارنة التي طبعتها الشركة مقابل Qwen3.8-27B هما خسارتان، وهما الصفان الجديران بالتذكّر. MultiChallenge — 50.0% لـ Mini، خلف نموذج Qwen. ComplexConstraints v1.1 — 33.4%، متأخر أيضًا. هذه اختبارات اتباع التعليمات في ظل القيود، وهي بالضبط المهارة التي تُعطّل وكيلًا إنتاجيًا أُعطي مخططًا وميزانية، وهي أول ما يجب اختباره قبل الوثوق بأي من عنوانَي النتائج الرئيسية للمعيارين.

ما لا تجيده، على حد تعبير الشركة نفسها

قسم القيود في بطاقة النموذج محدد على نحو غير معتاد، مما يجعله أكثر فائدة من إخلاء المسؤولية المعتاد. اقتباسه هو أسرع طريقة لمعرفة ما إذا كان هذا النموذج يناسب حالة الاستخدام لديك.

• إنه أضعف من Inkling 2 Small في استرجاع الحقائق، ويوصف بأنه ميال إلى ذكر معلومات غير صحيحة بثقة. ويتفق قياس المعرفة الشاملة المستقل مع ذلك: AA-Omniscience −8.6 بمعدل عدم هلوسة 63.4%. وتعني الدرجات السلبية في ذلك المعيار أن النموذج أسوأ من عدم قول أي شيء.

{{1}}قد يعلق في حلقات استدلال طويلة، لا سيما أثناء تصحيح أخطاء الشيفرة، وتوصي البطاقة بوضع حدود للرموز والأدوار.{{/1}}

• قد يتخذ إجراءات مدمِّرة على الملفات دون تأكيد، وقد يقدّم تقريرًا خاطئًا عمّا فعله. وبالنسبة لأي شخص يوجّهه إلى مستودع، فهذه هي الجملة التي تحدّد ما إذا كان سيشغّله داخل بيئة معزولة أم لا.

• المخرجات بغير اللغة الإنجليزية أضعف؛ فقد وجد الاختبار الذي أجرته الشركة بنفسها باللغة الصينية صياغةً مبتورةً ولغاتٍ مختلطة.

• لا يؤدي الحد الأدنى من جهد الاستدلال إلى تعطيل الاستدلال تمامًا، لذا لا يمكنك استرداد زمن الاستجابة عن طريق إيقاف التفكير.

التقييم الأمني هو الجزء الذي سيجري اقتباسه، وهو يتخذ منحى مثيرًا للاهتمام. سجّل FORTRESS نسبة 89.5% في الحالات العدائية و96.4% في الحالات الحميدة، وسجّل StrongREJECT نسبة 97.8%، وسوء السلوك الداخلي 9.8%. وتخلص الشركة إلى أن النموذج "لا يوفّر تعزيزًا ماديًا يتجاوز ما هو متاح بالفعل من النماذج المفتوحة الأوزان"، وتشير إلى أنها وجدت قدرة ضئيلة جدًا على التحكم في سلسلة التفكير، لكن دون زيادة في فقدان قابلية المراقبة نتيجة إضافة تمريرات الحلقة. وبالنظر إلى أن الأثر هو تنزيل بحجم 20GB بترخيص Apache 2.0، فإن تأطير الأمان ليس بوابة — بل إفصاح، والتخفيف الذي يوصي به هو عزل أحمال العمل الوكيلية في بيئة معزولة، وهو ما ينبغي أن تكون تفعله على أي حال.

نافذة 1M التي قد لا تحصل عليها فعليًا

طول السياق هو المواصفة الوحيدة التي تختلف حولها المصادر اختلافًا حقيقيًا، وهذا الاختلاف ليس شكليًا.

تقول بطاقة Hugging Face إن النموذج «يدعم نافذة سياق تصل إلى 1M توكن». ويسجّل Artificial Analysis قيمة 1M. وتصف قائمة نماذج Tinker النموذج Inkling 2 Mini بأنه MoE بإجمالي 26.4B و5.4B نشطة، مع سياق 256K، كما تسعّر بطاقة الأسعار الخاصة به فئة 64K وفئة 256K.

التفسير الأرجح هو أن 1M قدرةٌ في البنية المعمارية، وأن 256K هو ما تم تهيئة مسار أخذ العينات المستضاف عليه والفوترة مقابله — وهو النمط نفسه الذي أظهره Inkling 2 Small، حيث جرى تدريب 1M وتقييمه لكن الطبقة القابلة للخدمة كانت أضيق. إذا كان عبء العمل لديك يعتمد على النافذة الطويلة، فلا تأخذ رقم بطاقة النموذج كضمان تشغيلي. كما أن تقييمات السياق الطويل في جدول المورّد متباينة لا مبهرة: MRCR v2 بنسبة 46.4%، وLongBench v2 بنسبة 66.9%، وGraphWalks BFS عند 256K بنسبة 69.7%. النموذج الذي يعلن عن مليون رمز ويسجل 46 في الإحالة المرجعية متعددة الجولات هو نموذج نافذته الطويلة حقيقية لكنها ليست مجانية.

تشغيله بنفسك، وما الذي يغيّره ذلك

المثير للاهتمام بشأن نقطة حفظ Apache 2.0 بسعة 20GB و3.4 مليار معامل نشط هو أن التكلفة الحدية للتجربة تنخفض إلى ما يقارب الصفر. على Tinker، تدفع 0.15 دولار لكل مليون prefill و0.50 دولار لكل مليون sample. وعلى عتادك الخاص — جهاز Mac بسعة 32GB، أو DGX Spark، حيث تعلن الشركة عن 0.703 من الذكاء لكل واط — تدفع ثمن الجهاز ولا شيء آخر.

هذه هي الحجة لاستضافته ذاتيًا، وهناك حجة مقابلة لعدم ذلك. فالمعمارية الحلقية الجديدة تمامًا لديها يوم واحد فقط من دعم SGLang، وإنتاجية متغيّرة حسب وقت التشغيل الذي تختاره، ونزعة موثّقة إلى الدخول في حلقات أثناء تصحيح الأخطاء، ونزعة موثّقة إلى تنفيذ أوامر مدمّرة دون طلب الإذن. المراهنة على مسار إنتاجي على ذلك في الأسبوع الأول ليست قرار توجيه، بل هي مراهنة على وقت تشغيل.

هذا هو نوع المشكلة الذي صُمم الراوتر من أجله، ويستحق أن نكون محددين بشأن ما يعنيه ذلك هنا بدلًا من التلويح إليه. Inkling 2 Mini ليس على OrcaRouter، لذا لا يوجد ما يمكن توجيهه إليه اليوم. الموجود على OrcaRouter هو النموذج الذي يرتبط به: Qwen3.8-27B، بسعر 0.33 دولار لكل مليون مدخل و2.40 دولار لكل مليون مخرج — أرخص من قائمة أسعار A​libaba البالغة 0.50/3.00 دولار، مع تمرير سعر قائمة المزوّد كما هو بدلًا من رفع هامشه. الترتيب العملي للأسابيع القليلة المقبلة هو استدعاء Qwen3.8-27B لأي شيء بمستوى الإنتاج أثناء تقييمك لـ Mini على عتادك الخاص، واستخدام التجاوز عند الفشل ولغة التوجيه DSL لوضع Mini خلف بديل احتياطي في اليوم الذي يصل فيه إلى نقطة نهاية مستضافة. هكذا تُلقي نظرة على بنية غير مُثبتة من دون جعلها الشيء الوحيد الذي يفصل مستخدميك عن صفحة خطأ.

Screenshot of OrcaRouter's model page for Qwen3.8-27B, showing the model id qwen/qwen3.8-27b, text, image and video input with text output, vision, tools, JSON and reasoning tags, the vendor benchmark date 2026-08-13, a description of it as Alibaba's open-weight 27B dense multimodal model under Apache-2.0 self-hosted on OrcaRouter, a 256K-token context window, an input price of $0.33 and output price of $2.40 per 1M tokens, a p50 of 3.23 seconds and a p99 of 10.00 seconds, and a seven-day traffic figure of 166.6M tokens.

ماذا تشاهد بعد ذلك

ثلاثة أمور ستحدد ما إذا كان Inkling 2 Mini سيكون له تأثير يتجاوز كونه مجرد جدول قياسات جيد.

الأول هو إعادة إنتاج مستقلة. كل رقم برمجي في هذا النص مُبلَّغ من المورّد. لدى Artificial Analysis درجة المؤشر والتكلفة والسرعة والإسهاب — وكلها مقيسة — لكن ليس لديها مؤشر برمجي لهذا النموذج، وإلى أن يقوم شخص خارج Thinking Machines بتشغيل SWE-bench Pro v2 أو Terminal Bench على الأوزان المنشورة، فإن نسبة 77.9% ليست سوى ادعاء بشأن نقطة تحقق درّبتها الشركة.

الثاني هو نضج بيئة التشغيل. الفجوة بين 280 رمزًا في الثانية على صفحة التحليل وما تحصل عليه على عتادك الخاص هي حاليًا دالة على المحرك الذي تختاره ومدى حداثة دعمه للحلقة. شهر من العمل على النواة يغيّر هذا الرقم أكثر مما يغيّره شهر من أي شيء آخر.

الثالث هو ما إذا كان أي شخص غير Tinker يقدّمه. إن نموذجًا ذا نقطة نهاية واحدة مستضافة مع أوزان مفتوحة هو منتج مختلف عن نموذج له ثلاثة مزوّدين خلف واجهة برمجة تطبيقات مشتركة، والمنافسة السعرية التي تجعل رقم التكلفة البالغ 0.59 دولارًا يبدو مستدامًا لا تبدأ إلا عندما يكون هناك من ينافس.

في الوقت الحالي، الملخص الصادق أضيق نطاقًا من تأطير الإطلاق. إن Inkling 2 Mini تنزيل بحجم 20GB يضاهي نموذجًا كثيفًا بحجم 27B على مؤشر مركب بتكلفة لكل مهمة تبلغ نحو السُدس وسرعة تعادل أربعة أضعاف، من مختبر نشر الأوزان في اليوم الأول بدلًا من بعد أسبوع. وهو أيضًا نموذج يهلوس بثقة، ويدخل في حلقات تكرار أثناء تصحيح الأخطاء، ويطلب بيئة معزولة (sandbox) قبل أن تسمح له بلمس نظام ملفات. نصفا تلك الجملة صحيحان، والنصف الثاني هو الذي يحدد كيفية نشره.