يحافظ Inkling 2 Small على وتيرته في البرمجة عبر 17 مليار معامل نشط — إلى أن تنظر إلى التباين

يلتقي خطّان في مخطط إطلاق Thinking Machines عند العدد نفسه. يحل Inkling 2 Small 54.25 من أصل 69 مهمة من PMPP-Hard في محاولة واحدة، و64 على مدى أربع محاولات. ويحل Claude Opus 5.5 60 في محاولة واحدة و64 على مدى أربع محاولات. صدر Inkling 2 Small في 5 نوفمبر 2026، وهو نموذج خليط خبراء بإجمالي 594B معاملًا و17B معاملًا نشطًا، ويقدّم ذلك المخطط أوضح بيان لما تتيحه هذه البنية وما لا تتيحه: سقف نموذج رائد في العمل الهندسي الصعب، من دون موثوقية المحاولة الواحدة التي يمتلكها أحدها.

الادعاء المتداول أضيق نطاقًا وأكثر إطراءً — أنه في معايير البرمجة يجاري بسهولة نماذج أكبر بكثير. هذا الادعاء قابل للاختبار مقابل جدول المورّد نفسه، صفًا بصف، ويصمد في بعض المواضع، ويفشل في أخرى، ويفشل على نحو أكثر إثارة للاهتمام مقابل نموذج أصغر منه بكثير. يتناول هذا المقال القراءة صفًا بصف، ثم يطرح السؤال الذي لا يستطيع الجدول الإجابة عنه: ما الذي تكلفه هذه الوتيرة لكل مهمة عندما يصبح النموذج فعليًا على فاتورتك.

ستة صفوف برمجية، تُقرأ دون شرح.

كل ما ورد أدناه مأخوذ من جدول التقييم الذي نشرته Thinking Machines مع الإعلان. وهو أداة تقييم تُشغّلها الشركة المصنعة — إذ تقول الشركة ذلك صراحةً، وتقول إن صفوف البرمجة تستخدم اختبارات وحدة مخفية وفحوصًا برمجية. ولم يُعَد إنتاج أي شيء مما ورد هنا بشكل مستقل، وهذا مهم لأن الجدول نفسه يعرض مؤشر Artificial Analysis Intelligence Index بقيمة 30.6 لـ Inkling 2 Small، بينما تعرض صفحة Artificial Analysis الحية الخاصة بها القيمة 31. هذا فرق تقريب، وليس خلافًا، لكنه يدل على أن الجدول لقطة أخذها المختبر وليس لوحة حية.

في مواجهة Kimi K3، أكبر نموذج مفتوح الأوزان في المقارنة، يصمد ادعاء الوتيرة حتى التعادل:

• FrontierCode v2.0 — Inkling 2 Small 25.4% مقابل Kimi K3 17.3%.

• DeepSWE v1.1 — 72.1% مقابل 68.5%.

• SWE-bench Pro v2 (الصعب) — 86.3% مقابل 88.2%.

• Vibe Code Bench v1.1 — 81.6% مقابل 85.0%.

• PostTrainBench v1.2 — 31.9% مقابل 31.5%.

• Terminal Bench Science v0.1 — 5.7% مقابل 8.1%.

ثلاثة صفوف لكلٍّ منها. نموذج يشغّل 17B معلمة لكل رمز يعادل نموذجًا أكبر منه بمرتبة قدر من حيث الحوسبة التي يستهلكها، ويفعل ذلك عند طرفي طيف البرمجة اللذين عادةً ما ينفصلان: معيار رقعة من الصفر في FrontierCode، واختبار وكيلي على مستوى المستودع في DeepSWE. وDeepSWE هو ما ينبغي أن يُوزن، لأنه الصف الذي يتعيّن فيه على النموذج أن يحافظ على تماسك الخطة عبر العديد من استدعاءات الأدوات بدلًا من إنتاج تغيير واحد جيد.

في مواجهة DeepSeek V4.1 Flash 1017 تنقلب الصورة، وهذه هي المقارنة التي تهم تجاريًا لا معماريًا، لأن طبقة flash من DeepSeek رخيصة. يتخلف Inkling 2 Small في أربعة من الصفوف الخمسة التي شغّلها كلا النموذجين — FrontierCode من 25.4% إلى 28.5%، وDeepSWE من 72.1% إلى 77.0%، وVibe Code Bench من 81.6% إلى 87.7%، وTerminal Bench Science من 5.7% إلى 12.9% — ويتقدم فقط في PostTrainBench، من 31.9% إلى 30.5%. ليس لدى DeepSeek أي مشاركة في SWE-bench Pro، وهو أمر سيئ الحظ لـ Thinking Machines، لأن 86.3% هو أفضل رقم برمجي لـ Inkling 2 Small وكان سيكون الصف الوحيد الأكثر إقناعًا للفوز به.

النموذج الأصغر هو الذي لا يواكبه.

المقارنة التي لا تتصدّر بها مواد الإطلاق هي Claude Haiku 5.5، وهي المقارنة التي ينبغي أن تجعل المشتري يتردّد. فـ Haiku هي الفئة الصغيرة الرخيصة في خط Anthropic — لا تشبه إطلاقًا نموذجًا بحجم 594B — وتفوز في ثلاثة من صفوف البرمجة الخمسة المشتركة بينهما: FrontierCode بنسبة 34.9% مقابل 25.4%، وVibe Code Bench بنسبة 90.4% مقابل 81.6%، وTerminal Bench Science بنسبة 20.0% مقابل 5.7%، حيث يتجاوز الفارق ثلاثة أضعاف.

يحقق Inkling 2 Small التفوق الحاسم في الاختبارين الآخرين: DeepSWE بنسبة 72.1% مقابل 59.9% وSWE-bench Pro بنسبة 86.3% مقابل 52.9%. وبقراءة النتائج مجتمعة، لا علاقة للنمط بالحجم إطلاقًا. يفوز Haiku في الصفوف التي تقيس قطعة أثرية واحدة مُنتَجة — فرقًا برمجيًا (diff)، أو واجهة مستخدم، أو جلسة طرفية تُدار حتى الإكمال. ويفوز Inkling 2 Small في الصفوف التي يتعين على النموذج فيها مواصلة العمل على مشكلة عبر خطوات عديدة وتحسين إجابته بنفسه. وبالمقارنة مع Gemini 3.8 Flash، يكون الفارق أقرب رغم ذلك: يحقق Inkling الفوز في FrontierCode وSWE-bench Pro وVibe Code Bench، ويخسر DeepSWE بفارق ضئيل بنسبة 72.1% مقابل 73.8%، ويخسر Terminal Bench Science بشكل كبير بنسبة 5.7% مقابل 10.0%.

ثمة تفصيل واحد من الإعلان يستحق أن يُحتفظ به لكل من يقرأ لوحات الصدارة. تقول Thinking Machines إنها اختبرت نقاط حفظ مبكرة من Inkling 2 Small على OpenCode تحت اسم Fledge-Alpha. أي نتيجة لـ Fledge-Alpha رأيتها على لوحة خاصة بالبرمجة قبل الإطلاق كانت لهذا النموذج، تحت اسم مستعار، ولم تكن الخاصة بالنسخة النهائية.

ما الذي تحققه أربع محاولات، وما الذي تكلفه 18.5 دقيقة

PMPP-Hard يتكوّن من 69 مهمة، وأربع محاولات مستقلة، وميزانية مدتها عشر ساعات، ويُحتسب تقييمه كمتوسط المهام المحلولة. نتيجة Inkling 2 Small البالغة 54.25 جيدة لكنها ليست لافتة — فهي تأتي خلف GPT-6 Astra عند 63، وKimi K3.1 Pro عند 60.5، وOpus 5.5 عند 60، وأمام Kimi K3 عند 55.75، وDeepSeek V4.1 Flash عند 55.25، وGLM 5.3 عند 52.5، وMistral Large 4 عند 50.25.

قيمة Pass@4 البالغة 64 هي النقطة التي يتوقف عندها الرقم عن كونه عاديًا. هذا الرقم يعادل 64 لدى Opus 5.5 ويتجاوز 63 لدى Astra و63 لدى Kimi K3.1 Pro. امنحها أربع محاولات تصل إلى السقف نفسه الذي تبلغه أفضل النماذج في المخطط؛ وامنحها محاولة واحدة تبقى متأخرة بنحو ست مهام. إذا كانت سير عملك تعتمد بالفعل على أخذ عينات من عدة محاولات واختيار الفائز عبر تشغيل الاختبارات، فإن الفجوة المهمة صغيرة. أما إذا كانت تأخذ عينة واحدة وتُطلق، فالفجوة هي القصة كلها.

يظهر عدم التماثل نفسه في مخطط البحث الذاتي عن النوى، وهو لا يصبّ هناك في صالح Inkling 2 Small. أفضل تسريع للنواة مقارنةً بخط الأساس: Claude Opus 5.5 بـ 18.80×، وGPT-6 Astra بـ 10.26×، وInkling 2 Small بـ 6.02×، وDeepSeek V4.1 Flash بـ 5.66×، وGLM 5.3 بـ 5.03×، وMistral Large 4 بـ 3.43×. أي نحو ثلث التسريع الذي تحققه نماذج الطليعة في المهمة نفسها، وهو ما يبعده كثيرًا عن مجاراة الإيقاع.

ثم هناك الزمن الفعلي. جرى تشغيل كل تقييم منشور عند مستوى الجهد 0.99 — وهو الإعداد الذي تسميه Thinking Machines ‏xhigh — وعند درجة حرارة 1.0. وتقيس Artificial Analysis، التي تختبر نقطة النهاية الحية بدلًا من أداة التطوير، 18.5 دقيقة لكل مهمة من مهام Intelligence Index مقابل وسيط أقران قدره 7.0، و154 مليون رمز إخراج مقابل وسيط قدره 89.8 مليون. وتبلغ تكلفة المهمة الواحدة في المؤشر 1.18 دولار، ما يضع النموذج في المرتبة 27 من 29 نموذجًا في تلك القائمة. وتبلغ سرعة الإخراج 135 رمزًا في الثانية مع 34.15 ثانية حتى أول رمز إجابة، مقابل وسيط قدره 11.57 ثانية. النموذج ليس بطيئًا لكل رمز. بل هو بطيء لأنه يفكر طويلًا ويكتب كثيرًا أثناء ذلك.

أين يُجدي الرقم النشط 17B فعليًا

تُحتسب نماذج مزيج الخبراء على أساس المعاملات النشطة، وهذه هي الحجة التجارية الكاملة لهذه البنية. يُسعّر Inkling 2 Small عند 0.30 دولار لكل مليون رمز إدخال و1.00 دولار لكل مليون رمز إخراج، مع خصم 90% على الإدخال المخزن مؤقتًا ليصبح 0.03 دولار — أي 0.18 دولار مختلطة لكل مليون عند نسبة 7:2:1 من إصابة الذاكرة المؤقتة إلى الإدخال إلى الإخراج، وفقًا لـ Artificial Analysis. ويتقاضى النموذج الوسيط في ذلك الجدول 0.24 دولار للإدخال و0.87 دولار للإخراج، لذا فإن Inkling 2 Small مسعّر مثل نموذج من الفئة المتوسطة، لا مثل نموذج بـ594B.

يفسّر مزيج التدريب هذا التركيز. فقد شكّلت البرمجة 38.5% من عمليات التوليد في التعلم المعزز و65% من الرموز — أكبر كتلة منفردة، وأكثر من ثلثي كل ما ولّده النموذج أثناء التعلم المعزز. وشكّلت الرؤية 13.9% من عمليات التوليد لكن 3% فقط من الرموز. ومهما كان هذا النموذج غير ذلك، فقد جرى تدريبه لاحقًا على كتابة الشيفرة وإصلاحها على نحو مستفيض.

إذن، الحساب الصادق يكون لكل محاولة ناجحة، لا لكل رمز. إن Inkling 2 Small بتكلفة 1.18 دولار لكل مهمة فهرسة وأربع محاولات للوصول إلى سقفه هي عملية شراء مختلفة عن نموذج بضعف السعر يصل إلى هناك في محاولة واحدة. لا أحد التكوينين خاطئ؛ فهما عقدان مختلفان مع ميزانية زمن الوصول لديك.

ما يمكنك الاتصال به اليوم، وما لا يمكنك

تتوفر Inkling 2 Small عبر Tinker للاستدلال والضبط الدقيق، بأوزان مغلقة ودون مزوّد ثانٍ. وتقول Thinking Machines إنها تعتزم نشر الأوزان الكاملة بموجب Apache 2.0 «الأسبوع المقبل»، بعد اختبارات السلامة الخارجية واختبار الفرق الحمراء، ولم يحدث ذلك حتى 6 نوفمبر 2026. وتُقدَّم نقطة النهاية عديمة الخوادم بسياق 256K، وهو أضيق من نافذة 1M التي دُرِّب النموذج على التعامل معها.

إنه ليس على OrcaRouter، وهذا المقال لن يدّعي غير ذلك. ما هو موجود على OrcaRouter هو معظم مجموعة المقارنة التي استعرضها هذا المقال للتو — Kimi K3 وDeepSeek V4.1 Flash 1017 وGLM-5.3 Flash وGemini 3.8 Flash وMiMo V2.6 Pro — يمكن الوصول إليها بمفتاح واحد عبر أكثر من 200 نموذج، مع سعر قائمة المزوّد الممرَّر دون تغيير ودون إضافة أي هامش ربح. وهذا مهم تحديدًا للاستخدام الذي يلمّح إليه هذا المقال: إذا أردت معرفة ما إذا كان نموذج MoE بنشاط 17B جيدًا بما يكفي لمستودعك، فإن أرخص تجربة هي تشغيل التقييم الخاص بك مقابل النماذج على جانبي هذه النماذج، على فاتورة واحدة، بدلًا من توقيع أربع عقود.

التبديل التلقائي عند الفشل هو النصف الآخر من ذلك. جدول معايير لا يقول شيئًا عن ما إذا كان تشغيل وكيلي طويل يصمد أمام عطل عابر لدى أحد المزوّدين عند الدقيقة الرابعة عشرة، والنماذج التي تبدو الأقرب على DeepSWE هي نفسها التي ستكون تتبادل بينها فعليًا.

ثلاثة أشياء من شأنها أن تغيّر هذه القراءة. إعادة تشغيل مستقلة لـ FrontierCode أو DeepSWE، لأن هذه الأرقام خاصة بالمختبر، وصف SWE-bench Pro يؤدي قدرًا كبيرًا من العمل الإقناعي. وإصدار الأوزان، لأن Apache 2.0 سيجعل نموذج 594B قابلًا للاستضافة الذاتية ويضع رقم $1.18-per-task تحت سيطرتك. وأي فئة منشورة أقل من xhigh، لأن كل رقم في هذا المقال أُنتج بأقصى جهد — إذا حقق إعداد أقل معظم الدقة بجزء يسير من 154M tokens، تتحسن حجة التكلفة ولم يُثبت أحد ذلك بعد.

المقارنة مضبوطة على مفتاح واحد

النماذج التي تُقاس مقابلها Inkling 2 Small في الصفوف أعلاه هي، باستثناءين، نماذج يمكنك استدعاؤها اليوم من نقطة نهاية واحدة. والاستثناءان هما Inkling 2 Small نفسه، الذي لا يتوفر إلا عبر Tinker، وClaude Haiku 5.5، غير الموجود في كتالوج OrcaRouter. أما بقية الجدول فهي: Kimi K3، النموذج مفتوح الأوزان الذي يتعادل معه Inkling 2 Small؛ وDeepSeek V4.1 Flash 1017، النموذج الرخيص الذي يتخلف عنه في أربعة من أصل خمسة صفوف؛ وGLM-5.3 Flash، النموذج الصغير الذي يتغلب عليه بسهولة؛ وGemini 3.8 Flash، النموذج المتوسط الحجم الذي يتقاسم معه النتيجة.

تلك المجموعة هي الجديرة بالتشغيل، لأن السؤال المثير للاهتمام بالنسبة إلى فريق ما ليس ما إذا كان نموذج خليط الخبراء النشط بحجم 17B مثيرًا للإعجاب من حيث المبدأ — فالجدول أعلاه يجيب عن ذلك بالفعل — بل ما إذا كان يتفوق على النموذج الموجود بالفعل في الإنتاج على المستودع أو مجموعة الاختبارات أو النواة المحددة التي تهتم بها. هذا سؤال لا يجيب عنه سوى التقييم الخاص بك، والإجابة عنه عبر أربعة نماذج باستخدام مفتاح واحد أرخص بكثير من الإجابة عنه عبر أربعة موردين.

ما يثبته الإطلاق أضيق نطاقًا مما توحي به ردود الفعل عليه. فنموذج بحجم 594 مليار معلمة، مع 17 مليار معلمة نشطة، يحقّق الآن تعادلًا أمام أكبر نموذج مفتوح الأوزان في البرمجة، ويفوز في الصفّين اللذين يكافئان العمل المستمر، ويخسر أمام نموذج مغلق صغير في الصفوف الثلاثة التي تقيّم مخرَجًا واحدًا. هذه نتيجة حقيقية، وليست نتيجة من طراز الحدود المتقدمة. وتكلفة معرفة أي جانب من الخط يقع عليه عبء عملك هي 0.30 دولار و1.00 دولار لكل مليون توكن، و18.5 دقيقة لكل مهمة صعبة، والاستعداد لأخذ أكثر من عيّنة.