مراجعة نموذج Inkling AI: أول نموذج مفتوح الأوزان من Thinking Machines، تم اختباره وشرحه

هذهمراجعة نموذج Inkling AIتنظر عن كثب إلى الإصدار الأول من مختبرات Thinking Machines، الشركة الناشئة التي يقودها الرئيس التنفيذي للتكنولوجيا السابق في OpenAI ميرا موراتي. Inkling هو نموذج مفتوح الأوزان ومتعدد الوسائط من نوع Mixture-of-Experts (MoE) مع نافذة سياقية تبلغ مليون رمز ومقبض تحكم في "جهد التفكير". إنه سريع ورخيص الاستضافة الذاتية، ومصمم للتخصيص بدلاً من الهيمنة على لوحات المتصدرين. أدناه، نفصل المعايير التي أبلغت عنها الشركة عن القياسات المستقلة، ونستعرض الهندسة المعمارية، ونوضح كيفية تشغيله، ونشرح بالضبط من يجب (ولا يجب) أن يتبناه.

اعتبارًا من: 2026-07-16 — بعد يوم واحد من الإطلاق. هذه مراجعة مدفوعة بالبحث؛ لا توجد أي اختبارات عملية طويلة الأمد بعد لأي طراز بهذا الجِدَّة، ونحن نُشير إلى كل رقم غير مُتحقق منه أدناه.

ملاحظة للبناة: إذا كنت ترغب في تجربة Inkling جنبًا إلى جنب مع نماذج أخرى،OrcaRouterفهو يواجه النماذج المتاحة عبر واجهة برمجة التطبيقات (API) بنقطة نهاية واحدة متوافقة مع OpenAI، بحيث يمكنك المقارنة والتبديل دون تكاملات جديدة.

- TL;DR الخلاصة: Inkling هو نموذج مفتوح قادر وفعّال بحق، يبرز في الضبط الدقيق والنشر الحساس للتكلفة، لكنه ليس رائدًا في المجال وصانعه يقول ذلك صراحة. إذا كنت تريد قاعدة قابلة للتخصيص وخالية من حقوق الملكية مع نافذة سياق ضخمة، فهو واحد من أكثر الإطلاقات إثارة للاهتمام في عام 2026. إذا كنت تريد أقوى نموذج منفرد متاح، فابحث في مكان آخر.

- ما هو: نموذج استدلال MoE مفتوح الأوزان (Apache 2.0). لمن هو: الممارسون الذين يرغبون في الضبط الدقيق والاستضافة الذاتية بدلاً من الدفع مقابل واجهة برمجة تطبيقات حدودية مغلقة.

النقاط الرئيسية

الصانع والتاريخ: Thinking Machines Lab; تم إطلاقه في 15 يوليو 2026 كأول نموذج للمختبر.

البنية: MoE المتناثرة، 975B إجمالي / 41B معلمات نشطة، 66 طبقة، سياق يصل إلى 1M رمز في الأوزان (256K عبر واجهات برمجة التطبيقات المستضافة).

الترخيص: Apache 2.0 — الأوزان الكاملة على Hugging Face، مجاني للاستخدام التجاري والاستضافة الذاتية.

تحديد موقف صريح: تصرّح الشركة صراحةً أنها “ليست أقوى نموذج متاح اليوم، سواء كان مغلقًا أو مفتوحًا”.

النتيجة المستقلة: 41/100 في مؤشر Artificial Analysis Intelligence Index — #10 من 97 نموذجًا، ومتقدمة على عدة نماذج مفتوحة (انظر التسوية أدناه).

التكلفة: الأوزان خالية من حقوق الملكية للاستضافة الذاتية؛ تبدأ تكلفة الوصول المستضاف من حوالي 1.87 دولار لكل مليون رمز إدخال.

ملاحظة: تقريبًا جميع معايير الأداء الرئيسية يتم الإبلاغ عنها من قبل البائعين ولا يتم تدقيقها بشكل مستقل.

من وراء Inkling

- صندوق المؤسس. إنكلينغ هو النموذج الأول من Thinking Machines Lab (thinkingmachines.ai)، التي أسسها Mira Muratiالتي كانت سابقًا رئيسة قسم التكنولوجيا في OpenAI. عمل المختبر في سرية نسبية قبل هذا الإطلاق واتخذ موقفًا مفتوح الأوزان يتناقض مع نهج النموذج الرائد المغلق لصاحب العمل السابق لموراتي. تقوم Thinking Machines لابتحقيق أرباح من النموذج نفسه — تتدفق الإيرادات من خلال Tinker منصة الضبط الدقيق وشركاء الاستضافة الخارجيين. نموذج العمل هذا أساسي لفهم إنكلينغ: الأوزان هي منحدر مجاني، وتحقق الشركة أرباحًا عندما تقوم بالتخصيص أو التوسع.

ما هو Inkling؟

إنكليغ هو نموذج لغوي كبير واستدلالي مفتوح الأوزان، متعدد الوسائط، خليط من الخبراء، أعلنته مختبرات Thinking Machines Lab في 15 يوليو 2026 وتم إصداره تحت المسموح به Apache 2.0الترخيص مع الأوزان الكاملة على Hugging Face.

ما يجعل هذا الإطلاق ملحوظًا هو التأطير. بدلاً من ادعاء تاج الريادة، تصف Thinking Machines Inkling بأنه نموذج مفتوح متعدد الاستخدامات وفعال وقابل للتخصيص. في اعتراف صريح بشكل غير معتاد ليوم الإطلاق، تذكر الشركة أن Inkling "ليس أقوى نموذج متاح اليوم، سواء كان مغلقًا أو مفتوحًا." هذا الصدق يحدد نغمة هذه المراجعة بأكملها: Inkling هو أداة مصممة للتكيف والاستضافة الذاتية والضبط الدقيق، وليست كأسًا للمقارنة.

التغطية من Fortune وTechCrunch ردّدت هذا التفسير. فقد رأت TechCrunch أن Inkling لا تُشكّل تهديدًا لـ OpenAI أو Anthropic أو Google على مستوى الحدود المتقدمة، بل تضغط على الطبقة الوسطى من مزودي استضافة الأوزان المفتوحة ومنصات الضبط الدقيق. وصفت Forbes استراتيجية موراتي للأوزان المفتوحة بأنها أقرب إلى نهج النماذج الصينية المفتوحة (DeepSeek، Qwen، Kimi) منها إلى الرائدات الأمريكية المغلقة — أي سردية أوزان مفتوحة بين الولايات المتحدة والصين تتخلّل الكثير من التعليقات المصاحبة للإطلاق.

الهندسة المعمارية والمواصفات

تحت الغطاء، إنكلينغ هو محول متناثر من الخبراء (Mixture-of-Experts). جزء صغير فقط من معلماته يتم تنشيطه لكل توكن، وهذا ما يجعل الاستدلال فعالاً على الرغم من العدد الكبير الإجمالي للمعلمات. التفاصيل موثقة في بطاقة النموذج الرسمية ومدونة Hugging Face.

إجمالي المعلمات: 975B

المعلمات النشطة: 41B (MoE متناثر)

الطبقات: محول فك الترميز فقط ذو 66 طبقة

خبراء: 256 موجهة + 2 مشتركة؛ 6 من 256 موجهة لكل رمز (المشتركتان نشطتان دائمًا)

التوجيه: سيجمويد / بدون خسارة مساعدة

تنبيه: هجين، نافذة منزلقة بنسبة 5:1 (محلية) إلى عالمية؛ 8 رؤوس KV

ترميز الموضع: المُتعلمةالتضمينات الموضعية النسبية (ليس RoPE)

تعدد الوسائط: بدون مشفر — الصوت كمخططات طيف dMel، والصور كقصاصات 40×40، تُغذى مباشرة

إضافات: التلافيف القصيرة (SConv); طبقات MTP لفك التشفير التخميني

العددية: BF16, MXFP8, NVFP4 (نقطة تفتيش NVFP4 لـ NVIDIA Blackwell)

نافذة السياق: حتى 1,000,000 رمز في الأوزان (256K على واجهات برمجة التطبيقات المستضافة)

النموذج الأصغر: Inkling-Small، 276B إجمالي / 12B نشط (معاينة، الأوزان لم تُصدر بعد)

بعض الخيارات التصميمية تميز Inkling عن MoE العادية:

تخطيط الخبراء. مع 256 خبيرًا موجهًا بالإضافة إلى خبيرين مشتركين، ويتم تفعيل 6 خبراء موجهين لكل رمز، يعمل الزوج المشترك كـ"مصرف خبراء" دائم التشغيل يلتقط العمليات الحسابية الشائعة بينما يتخصص الخبراء الموجهون. يتجنب التوجيه السيني الخالي من فقدان الإضافات مصطلح عقوبة توازن الحمل المستخدم في العديد من تصاميم MoE.

تمثيلات الموضع النسبي، ليس RoPE. معظم النماذج الحديثة ذات السياق الطويل تعتمد على التمثيلات الدوارة؛ بينما تستخدم Inkling بدلاً من ذلك تمثيلات الموضع النسبي المُتعلمَة، وهو اختيار غير مألوف بهذا الحجم.

تعددية الوسائط بدون مشفر. بدلاً من إضافة مشفرات رؤية/صوت منفصلة، يقوم Inkling بإدخال قطع صور 40×40 ورسوم طيفية صوتية dMel مباشرة إلى كومة المحولات. هذا يبسط المسار وهو جزء من سبب وصف النموذج بأنه متعدد الوسائط أصلاً.

MTP لفك الترميز التخميني. تعمل طبقات التنبؤ متعدد الرموز (MTP) كمسودة مدمجة، مما يسرع التوليد دون نموذج مسودة منفصل.

ملاحظة المحرر — أضف صورة:مخطط كتلة مُسمّى لطبقة Inkling واحدة — الاهتمام بالنافذة المنزلقة مقابل الاهتمام العالمي (5:1)، موجه الخبراء 256+2 مع تمييز 6 خبراء نشطين، SConv، ورأس الصياغة MTP.

التدريب ومقياس “جهد التفكير”

تم تدريب Inkling مسبقًا على 45 تريليون رمز متعدد الوسائط تشمل النصوص والصور والصوت والفيديو، باستخدام محسن هجين (Muon للأوزان المصفوفية الكبيرة، Adam للباقي) على أنظمة NVIDIA GB300 NVL72. استخدم التدريب اللاحق تعلم التعزيز غير المتزامن واسع النطاق الذي تجاوز 30 مليون+ عملية طرح عبر تشغيلين طويلين متواصلين، تم تعزيزه من خلال الضبط الدقيق الخاضع للإشراف الأولي على البيانات الاصطناعية.

الميزة المميزة هي معلمة جهد التفكير القابلة للتحكم، والتي تم توضيحها بمسح من حوالي 0.2 إلى 0.99، حيث تعني القيم الأعلى مزيدًا من التفكير وتكلفة أكبر. وهذا يتيح للمشغلين الموازنة بين زمن الاستجابة والإنفاق مقابل عمق التفكير. تم تشغيل جميع أرقام المعايير أدناه عند Effort = 0.99.

جهد التفكير القابل للتحكم: دليل تشغيلي

في النشر، يتم عرض التحكم في الجهد كتعداد reasoning_effort مع المستويات لا شيء / الحد الأدنى / منخفض / متوسط / مرتفع / مرتفع جدًا / أقصى. لا يوجد إعداد واحد "صحيح" — إنه رافعة حية للمقايضة بين زمن الاستجابة والتكلفة والجودة. استخدم الجدول أدناه كخريطة أولية (إرشادات نسبية؛ تم قياس جودة مستوى المرجع عند أعلى النطاق):

لا شيء / الحد الأدنى. زمن الوصول النسبي وتكلفة الرموز: الأدنى; الأفضل لـ: التصنيف، الاستخراج، التنسيق، التوجيه، غراء الاسترجاع

منخفض. زمن الوصول النسبي وتكلفة الرموز: منخفض; الأفضل لـ: أسئلة وأجوبة قصيرة، تلخيص بسيط، وظائف دفعة عالية الحجم

متوسط. زمن الاستجابة النسبي وتكلفة الرمز: معتدل؛ الأفضل لـ: الدردشة العامة، الصياغة، معظم استدعاءات أدوات الوكيل

عالي. زمن الوصول النسبي وتكلفة الرمز: أعلى؛ الأفضل لـ: التفكير متعدد الخطوات، إنشاء الكود، التحليل

xhigh / أقصى. زمن الاستجابة النسبي وتكلفة الرمز: الأعلى; الأفضل لـ: الرياضيات الصعبة، التفكير على غرار المسابقات، تكافؤ المعايير (Effort=0.99)

هل يمكنك تشغيله محليًا؟ الأجهزة وذاكرة VRAM

نظرًا لأن Inkling هو نموذج يحتوي على 975 مليار معلمة، فإن كلمة "محلي" تعني فعليًا خادمًا متعدد وحدات معالجة الرسوميات، وليس جهاز كمبيوتر محمول. المتطلبات التقريبية (وفقًا للتغطية الإطلاقية والأدوات المجتمعية):

BF16 (كامل). ذاكرة VRAM المجمعة التقريبية: ~2 تيرابايت؛ أمثلة على التكوينات: 8× NVIDIA B300، أو 16× H200

NVFP4 (quantized). ذاكرة VRAM المجمعة تقريبًا: حوالي 600 جيجابايت; أمثلة على التهيئات: 4× NVIDIA B300، أو 8× H200

GGUF (المجتمع). ذاكرة VRAM المجمّعة تقريبًا: يختلف حسب الكم; أمثلة على التكوينات: توجد إصدارات Unsloth GGUF للبصمات الأصغر/المكممة

تخفيض نقطة التحقق NVFP4 — المُصمَّم خصيصًا لـ NVIDIA Blackwell — الفاتورة الذاكرة بحوالي الثلثين مقارنة بـ BF16، وهو الفرق بين عقدة B300 مكونة من 8 وحدات GPU وأخرى من 4 وحدات. بالنسبة لمعظم الفرق، لا يزال هذا يُشير إلى مزود خدمة مستضافة أو عقدة GPU مستأجرة بدلاً من الأجهزة المملوكة. توسّع التكميمات Unsloth GGUF نطاق الوصول إلى المستويات الأدنى من الأجهزة للتجربة، على حساب بعض الجودة.

بداية سريعة للنشر

إنكلينغ تعرض واجهة واجهة برمجة تطبيقات متوافقة مع OpenAIلذا تعمل معظم رموز العميل الحالية كبديل مباشر مع تغيير عنوان URL الأساسي واسم النموذج. المسارات الثلاثة الشائعة للخدمة:

vLLM — خادم ذو أمر واحد (الإعداد الافتراضي للمنفذ 8000):

vllm serve thinkingmachines/Inkling --port 8000
# ثم استدعِ نقطة النهاية المتوافقة مع OpenAI على http://localhost:8000/v1

SGLang — تقسيم عبر 8 وحدات معالجة رسومية (الافتراضي إلى المنفذ 30000):

python -m sglang.launch_server \
--model-path thinkingmachines/Inkling \
--tp 8 --port 30000

Hugging Face transformers — تحميل عبر الفئة التلقائية متعددة الوسائط:

من transformers استيراد AutoModelForMultimodalLM, AutoProcessor

نموذج = AutoModelForMultimodalLM.from_pretrained("thinkingmachines/Inkling")
معالج = AutoProcessor.from_pretrained("thinkingmachines/Inkling")
# قم بتمرير reasoning_effort في {none, minimal, low, medium, high, xhigh, max}

نظرًا لأن نقطة النهاية متوافقة مع OpenAI، فإن ترحيل تطبيق موجود عادةً ما يكون مجرد توجيه SDK الخاص بك إلى عنوان URL الأساسي الجديد وتعيين reasoning_effort حسب الرغبة. تشمل بيئات التشغيل الإضافية عند الإطلاق TokenSpeed وUnsloth.

أين يمكن تشغيله: توفر inference-provider

إذا كنت تفضل عدم إدارة وحدات معالجة الرسومات (GPUs)، فهناك عدة شركاء يستضيفون Inkling. خيارات “تشغيل Inkling على X” عند الإطلاق:

Tinker (Thinking Machines). الدور: ضبط دقيق; ملاحظات: خيارات سياق 64K و256K; 50% خصم إطلاق لفترة محدودة (مدفوع)

Together AI. الدور: استدلال مستضاف؛ ملاحظات: نقاط نهاية متوافقة مع OpenAI

Fireworks. الدور: الاستدلال المُستضاف; الملاحظات: —

وضع. الدور: استدلال مستضاف / GPU بدون خادم; ملاحظات: —

Databricks. الدور: الاستدلال المستضاف; ملاحظات: عبر Unity AI Gateway

Baseten. الدور: الاستدلال المستضاف; ملاحظات: —

المعايير: ادعاءات البائع مقابل القياس المستقل

هذا هو القسم الأكثر أهمية في أي صادقة Inkling review 2026، لأن الأرقام تأتي من مكانين مختلفين جدًا.

إفصاح:باستثناء مؤشر Artificial Analysis الوحيد، كل معيار Inkling أدناه هو مُبلَّغ عنه ذاتيًا من البائع عند الإطلاق (الجهد = 0.99، درجة الحرارة 1.0) وله لم يتم تدقيقه بشكل مستقل. أرقام المنافسين مصدرها أطراف ثالثة (MarkTechPost، Artificial Analysis) أو تم إعادة تشغيلها بواسطة Thinking Machines، وهي بالمثل غير مدققة بشكل مستقل هنا. بعض الأرقام تحمل مؤهلات تسخير أو مجموعة فرعية. تعامل معها جميعًا كإرشادية وليست قطعية.

درجات المورد المُبلغ عنها ذاتياً

وفقًا لمواد الإطلاق الخاصة بـ Thinking Machines:

AIME 2026 (رياضيات): 97.1%

GPQA Diamond (الاستدلال العلمي): 87.2%

SWE-bench Verified (برمجة, أداة تقييم bash-only): 77.6%

SWE-bench Pro (عام): 54.3%

MMMU Pro (متعدد الوسائط): 73.3%

VoiceBench (صوتي): 91.4%

MMAU (صوتي): 77.2%

IFBench (اتباع التعليمات): 79.8%

Terminal Bench 2.1 (الطرف الوكيل): 63.8

FORTRESS Adversarial: 78.0%

تم التحقق من SimpleQA: 43.9%

على الورق، تبدو هذه قوية، خاصة أرقام التفكير الرياضي والعلمي. لكن الشركة قارنت Inkling بإصدارات المنافسين القريبة في المستقبل (GPT 5.6 Sol, Claude Fable 5, Gemini 3.1 Pro, DeepSeek V4 Pro, Kimi K2.5/K2.6, GLM 5.2, Nemotron 3 Ultra) باستخدام نتائج أنتجتها بنفسها. قد لا تتطابق أرقام المنافسين هذه مع الأرقام المبلغ عنها من قبل المنافسين أنفسهم، لذلك يجب التعامل مع المقارنات المباشرة بحذر.

مقارنة وجهاً لوجه بين نماذج متعددة (منافسون ذو أوزان مفتوحة)

إن أوضح مقارنة جنبًا إلى جنب بين Inkling والنماذج مفتوحة الوزن الأخرى تأتي من جدول المقارنة الخاص بـ MarkTechPost (منشورة أدناه، منسوبة إلى MarkTechPost). وهي مفيدة تحديدًا لأنها تضع المنافسين في إطار واحد:

HLE. Inkling: 29.7%; Nemotron 3 Ultra: 26.6%; Kimi K2.6: 35.9%; GLM 5.2: 40.1%; DeepSeek V4 Pro: 35.9%

AIME 2026. إنكلينج: 97.1%; نيموترون 3 ألترا: 94.2%; كيمي K2.6: 96.4%; GLM 5.2: 99.2%; ديب سيك V4 برو: 96.7%

SWE-bench Verified. Inkling: 77.6%; Nemotron 3 Ultra: 70.7%; Kimi K2.6: 80.2%; GLM 5.2: 80.0%; DeepSeek V4 Pro: 80.6%

Terminal Bench 2.1. Inkling: 63.8%; Nemotron 3 Ultra: 56.4%; Kimi K2.6: 71.3%; GLM 5.2: 82.7%; DeepSeek V4 Pro: 64%

FORTRESS (adversarial). Inkling: 78.0%; Nemotron 3 Ultra: 77.6%; Kimi K2.6: 65.6%; GLM 5.2: 71.3%; DeepSeek V4 Pro: 36.0%

MarkTechPost. لم يتم تدقيقه بشكل مستقل.

النمط واضح ومتسق مع تواضع شركة Thinking Machines نفسها. Inkling تتصدر في FORTRESS (السلامة العدائية) وتتفوق على Nemotron 3 Ultra في جميع المجالات، لكنها تتخلف عن GLM 5.2 وKimi K2.6 وDeepSeek V4 Pro في HLE وSWE-bench Verified وخاصة Terminal Bench 2.1 (63.8% مقابل 82.7% لـ GLM 5.2). إذا كانت البرمجة الوَكيلية والمهام الطرفية هي أولويتك، فإن النماذج الصينية المفتوحة الرائدة هي المتقدمة اليوم.

قياس مستقل (Artificial Analysis)

للحصول على قراءة أكثر حيادية، قامت Artificial Analysis بتقييم Inkling في 2026-07-15 ووضعتها عند 41/100 على مؤشر Intelligence Index الخاص بها، وتحتل المرتبة #10 من 97 نموذجًا. نقطتان حول كيفية قراءة هذا التصنيف بشكل منصف:

إنها عرض قوي لنموذج مفتوح، وليس #1 بشكل عام.وفقًا لـ Artificial Analysis، مؤشر Inkling البالغ 41 يقعأمام Nemotron 3 Ultra (38)، وGemma 4 31B (29)، وgpt-oss-120b (24) — لذا بين أقران ذوي الأوزان المفتوحة، فهو تنافسي إلى رائد. ولكن #10 من 97 يعني أن تسعة نماذج تتفوق عليه بشكل عام، وهو ما يتوافق مع إطار "قادر، ليس متقدم".

الكفاءة هي ما تبرز فيه. تشير تحليلات Artificial Analysis إلى كفاءة رموز قوية — حوالي 25 ألف رمز لإكمال مجموعة التقييم مقابل 37–43 ألفًا لنماذج المقارنة — وحاصل Elo قدره 1238 وفقًا لـ GDPval-AA v2، متقدمًا على Kimi (1190) وDeepSeek V4 Flash (1189)، بالإضافة إلى تفوق صغير (+2) على AA-Omniscience.

سرعة الإخراج المقاسة 72.7 رمزًا/ثانية مع وقت الوصول إلى أول رمز 1.75 ثانية. باختصار: مركز محترم ضمن العشرة الأوائل، وأداء فعال حقًا — لكننا نتجنب عمدًا المبالغة في وصفه بأنه فوز في لوحة المتصدرين.

القدرات المتعددة الوسائط وطويلة السياق

يقبل Inkling النص (UTF-8) والصور (من 40 بكسل إلى 4096 بكسل عبر مشفر تصحيح هرمي) والصوت (WAV بتردد 16 كيلو هرتز، حتى حوالي 20 دقيقة، باستخدام تشفير رمزي منفصل). الإخراج هو نص فقط — لا يوجد توليد للصور أو الصوت، لذا خطط لنموذج فهم وليس نموذج توليد. تم استخدام الفيديو أثناء التدريب المسبق لكنه ليس مدخلًا مدعومًا أو مُقيَّمًا عند الإطلاق، لذا لا تخطط حوله بعد.

إن القدرة الرئيسية هي النافذة السياق التي تبلغ مليون رمز في الأوزان المُصدرة، التي تفتح الباب أمام تحليل كود المستودع بالكامل، وتجميع المستندات الطويلة، وجلسات الوكيل متعددة الدورات الممتدة دون تجزئة عدوانية. لاحظ الفارق العملي: واجهات برمجة التطبيقات المستضافة تُظهر حتى 256 ألف رمز، لذا فإن المليون الكاملة هي ميزة مستضافة ذاتيًا اليوم. وبالاقتران مع تصميم الانتباه ذي النافذة المنزلقة وفك الترميز التخميني، تظل قصة السياق الطويل واحدة من أكثر نقاط البيع العملية لـ Inkling.

التسعير، والطبقات، والتكلفة الإجمالية للملكية

Inkling مفتوح حقًا. الأوزان الكاملة (نقطة تفتيش BF16 بالإضافة إلى نقطة تفتيش NVFP4) موجودة على Hugging Face بموجب ترخيص Apache 2.0، لذا الاستضافة الذاتية خالية من الإتاوات — أنت تدفع فقط مقابل الحوسبة. لا تحقق شركة Thinking Machines أرباحًا من النموذج نفسه؛ تتدفق الإيرادات عبر Tinker والمضيفين الآخرين.

التسعير المستضاف لكل رمز (لكل Artificial Analysis)، حسب طبقة السياق:

64 كيلو. الإدخال / 1 مليون: $1.87; الإدخال المخبأ / 1 مليون: $0.374; الإخراج / 1 مليون: $4.68

256K. الإدخال / 1M: $3.74; الإدخال المخبأ / 1M: $0.748; الإخراج / 1M: $9.36

يعكس خصم إطلاق لفترة محدودة بنسبة 50%؛ الأرقام الدقيقة لكل رمز Tinker موجودة في الوثائق وستتغير.

الاستضافة الذاتية مقابل API — كيف تفكر في TCO.الاقتصاديات تعتمد على الحجم والاستفادة:

API (Tinker / partners): صفر تكلفة ثابتة، الدفع لكل رمز، بدء فوري تقريبًا. الأفضل للحجم المنخفض أو المتقطع، أو أثناء النمذجة الأولية.

الاستضافة الذاتية (وحدات معالجة رسومية مستأجرة أو مملوكة): أنت تدفع مقابل عقدة تحتوي على 4–8 وحدات معالجة رسومية سواء كانت مشغولة أم لا، لكن التكلفة الحدية للرمز تقترب من تكلفة الكهرباء الخام. نظرًا لأن Inkling ينشط فقط 41 مليار معامل وهو فعال في استخدام الرموز (~25 ألف مقابل 37–43 ألف وفقًا لمجموعة Artificial Analysis)، فإن الإنتاجية لكل ساعة وحدة معالجة رسومية مواتية، ويمكن لأحمال العمل الثقيلة والمستقرة أن تكون أرخص بشكل كبير من تسعير واجهة برمجة التطبيقات لكل رمز بمجرد أن تكون العقدة مستغلة جيدًا. صوّرت التعليقات حول الإطلاق الاستضافة الذاتية للأوزان المفتوحة بأنها أرخص بنحو 40–60% من استخدام واجهة برمجة التطبيقات المغلقة المماثلة على نطاق واسع — وهو ادعاء اتجاهي، وليس رقمًا مدققًا.

ملاحظة المحرر — أضف رسمًا بيانيًا:مخطط نقطة التعادل — حجم الرموز الشهرية (x) مقابل التكلفة الإجمالية (y) مع ثلاثة خطوط: closed frontier API، وInkling hosted API، وInkling self-hosted على عقدة GPU مستأجرة — يظهر نقطة التقاطع حيث يفوز الاستضافة الذاتية.

السلامة، المواءمة، والرقابة

الأمان هو أحد أقوى قصص Inkling وأكثرها تميزًا. في FORTRESS العدائي معيار يسجل 78.0% — الأفضل بين النماذج مفتوحة الوزن في مقارنة MarkTechPost، متقدمًا على GLM 5.2 (71.3%) وKimi K2.6 (65.6%) ومتقدمًا بفارق كبير على DeepSeek V4 Pro (36.0%). كما تؤكد Thinking Machines على المعايرة غير المؤكدة في مخرجات النموذج.

تغطية VentureBeat أبرزت خاصية مرتبطة: مقاومة الرقابة. مقترنة بترخيص Apache 2.0 المتسامح، يضع هذا Inkling كنموذج مفتوح يمكن للفرق مواءمته مع سياساتها الخاصة بدلاً من وراثة نظام محتوى غامض مفروض من المورد — اعتبار مهم للنشر المنظم أو المخصص للمنطقة. وكما هو الحال دائمًا مع نموذج يوم الإطلاق، لم يظهر أي اختبار أمان مستقل من فريق أحمر أو جهة خارجية وقت كتابة هذا التقرير، لذا تعامل مع دليل FORTRESS على أنه مصدر من المورد/طرف ثالث وليس معتمدًا خارجيًا.

هل يجب ضبط Inkling بدقة؟

يمكن القول إن الضبط الدقيق هو سبب وجود Inkling. إطار قرار سريع:

اضبط (عبر Tinker أو خط أنابيبك الخاص) إذا: لديك بيانات مملوكة، أو مجال ضيق، أو مهمة حيث يتفوق نموذج متخصص أصغر على نموذج عام؛ تحتاج إلى امتلاك الأوزان؛ أو تريد تضمين نغمة أو تنسيق أو سياسة محددة. خيارات السياق Tinker بسعة 64K/256K وخصم الإطلاق تخفض الحاجز.

استخدم النموذج الأساسي (مستضاف ذاتيًا أو API) إذا: كانت مهمتك عامة، حجمك منخفض، أو لم تتحقق بعد من أن الضبط الدقيق يحسن مقياسك. غالبًا ما تكون هندسة المطالبة مع قرص reasoning_effort كافية.

ابحث في مكان آخر إذا: كنت بحاجة إلى برمجة وكيلة متطورة اليوم (GLM 5.2 وKimi K2.6 يتصدران في تلك المعايير) أو كنت تتطلب ضمانات جودة مدققة بشكل مستقل.

الإيجابيات والسلبيات

الإيجابيات

أوزان مفتوحة بالكامل تحت Apache 2.0، وهي خالية من حقوق الملكية للاستضافة الذاتية ومجانية للاستخدام التجاري.

MoE المتناثر الفعال (فقط 41B نشط) بالإضافة إلى كفاءة الرمز القوية يحافظ على تكلفة وسرعة الاستدلال تنافسية.

ضخم سياق 1M-token في الأوزان (256K عبر API).

تعدد الوسائط الحقيقي (نص، صورة، صوت إدخال).

قرص جهد التفكير القابل للتحكم (لا شيء → الحد الأقصى) للمقايضات المباشرة بين التكلفة والجودة.

أفضل مستوى من السلامة العدائية مفتوحة الوزن (FORTRESS 78.0%، وفقًا لـ MarkTechPost) و"مقاومة الرقابة".

وقوف مستقل قوي — ضمن أفضل 10 من 97 في مؤشر التحليل الاصطناعي، متقدمًا على Nemotron 3 Ultra وGemma 4 31B وgpt-oss-120b.

سلبيات

بشكل واضحليس نموذجًا حدوديًا، باعتراف الصانع نفسه.

تتقدم Trails على المنافسين المفتوحين (GLM 5.2, Kimi K2.6, DeepSeek V4 Pro) في معايير الوكلاء والبرمجة (Terminal Bench 2.1, SWE-bench Verified, HLE).

معظم المعايير يتم الإبلاغ عنها ذاتيًا من قبل البائعين ولا يتم تدقيقها بشكل مستقل.

إخراج نصي فقط؛ لا توليد صور/صوت؛ لا إدخال فيديو عند الإطلاق؛ لا يزال Inkling-Small في مرحلة المعاينة.

الاستخدام المحلي الحقيقي يتطلب عقدة متعددة وحدات معالجة الرسوميات (حوالي 600 جيجابايت من الذاكرة العشوائية للفيديو حتى عند التكميم).

لم يظهر أي مراجعة مستقلة جوهرية نقدية أو من فريق الأمان/الفريق الأحمر عند الإطلاق.

من يجب أن يستخدم Inkling؟

Inkling مناسبة تمامًا إذا كنت ممارسًا أو فريقًا يريدامتلاك وتخصيص نموذجك بدلاً من استئجار واجهة برمجة تطبيقات مغلقة. حالات الاستخدام المثالية تشمل:

فرق الضبط الدقيق بناء نماذج خاصة بالمجال عبر Tinker أو خط أنابيبهم الخاص.

النشر الحساس للتكلفة وعالي الحجم حيث تتفوق الاستضافة الذاتية الخالية من حقوق الملكية على التسعير الحدودي لكل رمز.

أحمال عمل طويلة السياق مثل مساعدة الكود عبر المستودع، وتحليل المستندات، وجلسات الوكيل الطويلة.

التطبيقات متعددة الوسائط التي تحتاج إلى فهم مشترك للنص والصورة والصوت.

النشر الحساس للسياسات التي تريد قاعدة مفتوحة قوية آمنة ومقاومة للرقابة لتتماشى معها.

إنه خيار غير مناسب إذا كنت بحاجة إلى أقوى أداء في الاستدلال المنطقي أو البرمجة الوكيلة، أو تحتاج إلى إدخال فيديو أو مخرجات توليدية، أو تتطلب معايير مراجعة مستقلة قبل النشر.

الحكم والتقييم النهائي

دعنا نتعامل مع الفيل مباشرة: Inkling ليس أقوى نموذج متاح اليوم, وتقول Thinking Machines ذلك بالضبط. اقرأها بتشاؤم، فهذا معيار منخفض. اقرأها بإنصاف، فهذه هي النقطة كلها — تم تحسين Inkling لهدف مختلف عن تصدر لوحة المتصدرين. إنه فعال (41B نشطة، ميزانية مهام ~25K رمز)، مرخص بشكل مفتوح (Apache 2.0)، آمن بمعايير الأوزان المفتوحة (FORTRESS 78%)، ومبني ليكون قابلًا للضبط الدقيق والاستضافة الذاتية. هذا المزيج يجعله واحدة من أكثر إطلاقات النماذج المفتوحة深思ًا في عام 2026، حتى وإن كان متأخرًا عن GLM 5.2 وKimi K2.6 في أصعب المعايير الوكيلة والبرمجية.

العلامات النجمية المتبقية هي المعايير التي أبلغ عنها ذاتيًا إلى حد كبير وغياب أي مراجعة نقدية مستقلة في هذه المرحلة المبكرة. ولكن بالنسبة لجمهورها المستهدف — المهندسون الذين يقدرون الملكية والتخصيص والتحكم في التكلفة ونافذة السياق الضخمة على حقوق التفاخر الحدودية — فإن إنكلينج تفي بالغرض.

التقييم: 4 من 5 لجمهوره المستهدف من البناة والمحسنين؛ أقل إذا كنت تتسوق بدقة من أجل القدرة الحدودية.

الأسئلة الشائعة

ما هو Inkling ومن صنعه؟ Inkling هو النموذج الأول من Thinking Machines Lab، الشركة الناشئة في الذكاء الاصطناعي التي يقودها Mira Murati (المديرة التكنولوجية السابقة لـ OpenAI). تم إطلاقه في 15 يوليو 2026 كنموذج استدلال مفتوح الأوزان متعدد الوسائط من نوع Mixture-of-Experts.

هل إنكلينغ هو أفضل نموذج ذكاء اصطناعي؟ لا، والشركة لا تدّعي ذلك — فهي تذكر أن إنكلينغ "ليس أقوى نموذج متاح اليوم، سواء كان مغلقًا أو مفتوحًا." القياس المستقل (Artificial Analysis) يضعه في المرتبة #10 من 97 بشكل عام، على الرغم من أنه يتفوق على العديد من النظراء المفتوحين.

ما عدد المعاملات التي يمتلكها Inkling، وما هي نافذة السياق؟إجمالي 975B مع 41B نشطة (MoE متفرق)، عبر 66 طبقة. نافذة السياق تصل إلى 1,000,000 رمز في الأوزان المُصدرة، وحتى 256K على واجهات برمجة التطبيقات المُستضافة.

هل إنكلينغ مفتوح المصدر، وما هو الترخيص؟ تم إصدار الأوزان بموجب Apache 2.0، مما يسمح بالاستخدام التجاري والاستضافة الذاتية. إنها "أوزان مفتوحة" — أوزان النموذج الكاملة موجودة على Hugging Face.

هل استخدام Inkling مجاني؟ الأوزان مجانية وخالية من حقوق الملكية للاستضافة الذاتية. الضبط الدقيق على Tinker والاستدلال المستضاف عبر مزودين مثل Together AI وFireworks وModal وDatabricks أو Baseten هي خدمات مدفوعة. يبدأ الوصول المستضاف بحوالي 1.87 دولارًا لكل 1 مليون رمز إدخال (خصم إطلاق لفترة محدودة).

كيف يمكنني تشغيل أو تنزيل Inkling، وما الأجهزة التي أحتاجها؟قم بتنزيل الأوزان من Hugging Face وخدمتها باستخدام vLLM أو SGLang أو Hugging Face transformers عبر واجهة برمجة تطبيقات متوافقة مع OpenAI. توقع ما يقرب من ~2 تيرابايت من VRAM المجمعة لـ BF16 (8× B300 / 16× H200) أو ~600 جيجابايت لنقاط التفتيش الكمية NVFP4 (4× B300 / 8× H200). إصدارات Unsloth GGUF من المجتمع تخفض حاجز التجربة.

كيف يمكنني ضبط Inkling؟ استخدم Thinking Machines’ Tinker منصة، والتي تقدم خيارات سياق 64K و256K وخصم إطلاق 50% لفترة محدودة، أو قم بضبط الأوزان المفتوحة في خط أنابيبك الخاص.

ما هو الجهد العقلي القابل للتحكم؟إعداد reasoning_effort (لا شيء / أدنى / منخفض / متوسط / عالٍ / عالٍ جدًا / أقصى) يقايض زمن الاستجابة وتكلفة الرموز مقابل عمق التفكير. الجهد المنخفض يناسب التصنيف والاستخراج؛ الجهد الأقصى يناسب الرياضيات الصعبة ويتوافق مع تكوين المعيار (Effort=0.99).

كيف تقارن Inkling مع Kimi وGLM وDeepSeek وNemotron؟ وفقًا لمقارنة MarkTechPost، تتصدر Inkling في FORTRESS (السلامة) وتتفوق على Nemotron 3 Ultra بشكل واسع، لكنها تتخلف عن GLM 5.2 وKimi K2.6 وDeepSeek V4 Pro في Terminal Bench 2.1 وSWE-bench Verified وHLE. إنها تنافسية لكنها ليست أقوى نموذج مفتوح في البرمجة الوكيلة.

هل يمكن لـ Inkling معالجة الصور والصوت والفيديو؟ يقبل النصوص والصور (40px–4096px) والصوت (16kHz WAV، حتى ~20 دقيقة) كمدخل. الإخراج نص فقط — لا توليد صور أو صوت. تم استخدام الفيديو في التدريب المسبق لكنه ليس مدخلاً مدعوماً عند الإطلاق.

هل نتائج معايير أداء Inkling موثوقة؟ تعامل معها بحذر. بصرف النظر عن مؤشر تحليل الذكاء الاصطناعي المستقل (Artificial Analysis Intelligence Index)، فإن الأرقام البارزة هي من إعلانات البائعين الذاتية عند الإطلاق ولم يتم تدقيقها بشكل مستقل. تأتي أرقام المنافسين من أطراف ثالثة (MarkTechPost) أو تم إعادة تشغيلها بواسطة Thinking Machines وقد لا تتطابق مع الأرقام المعلنة من المنافسين أنفسهم.

ما هو Inkling-Small، وما هي خارطة الطريق؟ Inkling-Small هو متغير أصغر (إجمالي 276B / 12B نشط). عند الإطلاق، كان لا يزال في مرحلة المعاينة، ولم يتم إصدار الأوزان بعد. النموذج الرئيسي يشمل بالفعل طبقات MTP لفك الترميز التخميني.