معرفی Inkling 2 Mini؛ هوش مصنوعی قدرتمندی که بدون اینترنت روی لپتاپ اجرا میشود
شرکت Thinking Machines Lab از مدل جدید هوش مصنوعی خود با نام Inkling 2 Mini رونمایی کرد؛ مدلی قدرتمند و کمحجم که میتواند بدون نیاز به اتصال دائمی اینترنت، روی لپتاپهای مجهز اجرا شود.
این مدل با معماری متفاوت، قابلیتهای پیشرفته برنامهنویسی و امکان اجرای محلی، توجه توسعهدهندگان و پژوهشگران هوش مصنوعی را به خود جلب کرده است.
یکی از جذابترین ویژگیهای Inkling 2 Mini این است که با وجود داشتن ۲۶.۴ میلیارد پارامتر، تنها به حدود ۲۰ گیگابایت حافظه برای نگهداری وزنهای مدل نیاز دارد.
به گفته شرکت سازنده، این مدل در برخی آزمونهای برنامهنویسی عاملمحور، عملکردی بهتر از مدلهای متنباز همرده خود ثبت کرده است.
هوش مصنوعی Inkling 2 Mini چیست؟
Inkling 2 Mini یک مدل هوش مصنوعی چندوجهی است که توسط شرکت Thinking Machines Lab توسعه یافته است.
این مدل میتواند ورودیهای متنی و تصویری را پردازش کند و پاسخهای متنی تولید کند.
برخلاف بسیاری از مدلهای بزرگ هوش مصنوعی که اجرای آنها به سرورهای قدرتمند نیاز دارد، Inkling 2 Mini با هدف ارائه عملکرد مناسب روی سختافزارهای کوچکتر طراحی شده است.
این مدل برای کاربردهایی مانند برنامهنویسی، توسعه دستیارهای هوشمند، استفاده از ابزارهای نرمافزاری و انجام وظایف چندمرحلهای مناسب است.
یکی از مهمترین اهداف توسعه این فناوری، کاهش وابستگی کاربران به زیرساختهای ابری برای استفاده از مدلهای پیشرفته هوش مصنوعی است.
ویژگیهای اصلی Inkling 2 Mini
۱. اجرای هوش مصنوعی بدون اینترنت
یکی از مهمترین قابلیتهای Inkling 2 Mini، امکان اجرای محلی یا Local AI است.
در این روش، مدل پس از دریافت و نصب روی دستگاه، میتواند پردازشهای خود را بدون ارسال درخواست به سرورهای ابری انجام دهد.
این ویژگی چند مزیت مهم دارد:
امکان استفاده از مدل در محیطهای فاقد اینترنت
کنترل بیشتر بر دادههای پردازششده
کاهش وابستگی به سرویسهای آنلاین
امکان شخصیسازی مدل برای پروژههای اختصاصی
حذف هزینه درخواستهای API برای اجرای محلی، در مقابل هزینه سختافزار و انرژی
البته اجرای محلی این مدل به سختافزار مناسب و حافظه کافی نیاز دارد و روی تمام لپتاپها امکانپذیر نیست.
۲. معماری جدید برای استدلال هوشمندتر
یکی از ویژگیهای فنی Inkling 2 Mini استفاده از معماری Looped Transformer یا ترنسفورمر حلقهای است.
در مدلهای ترنسفورمر معمولی، اطلاعات از مجموعهای از لایههای پردازشی عبور میکند.
اما در Inkling 2 Mini، بخشی از لایههای میانی برای هر توکن چند بار اجرا میشوند.
این مدل دارای ۲۴ لایه است که در چهار بخش ششلایهای سازماندهی شدهاند. دو بخش میانی سه بار پردازش میشوند.
هدف از این طراحی، افزایش توانایی استدلال بدون افزایش متناسب تعداد پارامترهای ذخیرهشده مدل است.
به زبان ساده، مدل میتواند روی برخی مسائل پیچیده پردازش بیشتری انجام دهد، بدون اینکه لازم باشد به همان نسبت بزرگتر شود.
۳. عملکرد قدرتمند در برنامهنویسی
Inkling 2 Mini بهویژه برای فعالیتهای برنامهنویسی عاملمحور یا Agentic Coding طراحی و بهینهسازی شده است.
در برنامهنویسی عاملمحور، هوش مصنوعی میتواند وظایفی فراتر از پیشنهاد چند خط کد انجام دهد.
برای مثال، یک عامل هوشمند ممکن است بتواند فایلهای پروژه را بررسی کند، خطاها را شناسایی کند، تغییرات لازم را اعمال کند و نتیجه را آزمایش کند.
طبق نتایج اعلامشده توسط Thinking Machines Lab، این مدل در آزمون DeepSWE v1.1 امتیاز ۴۸.۲ درصد و در Vals Index v2.2 امتیاز ۴۶.۵ درصد کسب کرده است.
شرکت سازنده اعلام کرده که این نتایج در زمان معرفی، Inkling 2 Mini را در برخی آزمونها بالاتر از مدلهای دارای وزن باز با کمتر از ۱۰۰ میلیارد پارامتر قرار میدهد.
با این حال، عملکرد واقعی مدل ممکن است بسته به نوع پروژه، زبان برنامهنویسی و شرایط اجرا متفاوت باشد.
ساخت شبیهساز پرواز با هوش مصنوعی روی لپتاپ
یکی از جالبترین بخشهای معرفی Inkling 2 Mini، آزمایشی است که پژوهشگران شرکت Thinking Machines Lab انجام دادهاند.
به گفته این شرکت، پژوهشگران توانستند هنگام پرواز و بدون اتصال به اینترنت، مدل را روی یک MacBook Pro اجرا کنند.
در این آزمایش، هوش مصنوعی طی چند دقیقه یک شبیهساز پرواز قابل بازی ایجاد کرد.
این نمونه نشان میدهد که مدلهای محلی میتوانند برای توسعه سریع نمونههای اولیه نرمافزاری نیز کاربرد داشته باشند.
البته این آزمایش به معنای توانایی مدل در ساخت مستقل تمام انواع بازیهای پیچیده نیست، بلکه نمونهای از قابلیتهای آن در تولید کد و اجرای وظایف برنامهنویسی محسوب میشود.
مشخصات فنی Inkling 2 Mini
این مدل با استفاده از معماری Mixture of Experts یا ترکیب متخصصان طراحی شده است.
در این معماری، تمام پارامترهای مدل برای پردازش هر ورودی فعال نمیشوند؛ بلکه بخشهایی از شبکه متناسب با نیاز محاسباتی مورد استفاده قرار میگیرند.
مشخصات اصلی مدل عبارتاند از:
تعداد کل پارامترها: ۲۶.۴ میلیارد
پارامترهای فعال: حدود ۳.۴ میلیارد
فعالسازی وزنها با احتساب پردازش حلقهای: ۵.۴ میلیارد
تعداد لایهها: ۲۴
حافظه موردنیاز برای وزنهای مدل: حدود ۲۰ گیگابایت
معماری: Looped Transformer و Mixture of Experts
نوع ورودی: متن و تصویر
نوع خروجی: متن
مجوز انتشار: Apache 2.0
این ترکیب فنی باعث شده Inkling 2 Mini در مقایسه با برخی مدلهای بزرگتر، گزینهای مناسب برای اجرای محلی باشد.
چگونه میتوان Inkling 2 Mini را روی لپتاپ اجرا کرد؟
شرکت Thinking Machines Lab اعلام کرده که Inkling 2 Mini از طریق ابزارهای مختلف قابل اجرا است.
یکی از سادهترین روشهای معرفیشده، استفاده از نرمافزار Ollama است.
در زمان عرضه، اجرای این مدل با Ollama روی سیستمهای مک مجهز به حداقل ۳۲ گیگابایت حافظه رم پشتیبانی میشود.
همچنین نسخههای سازگار با ابزارهایی مانند llama.cpp و Unsloth برای اجرای محلی ارائه شدهاند.
کاربران میتوانند وزنهای مدل را از پلتفرم Hugging Face دریافت کنند.
علاوه بر اجرای محلی، مدل از طریق پلتفرم Tinker برای پردازش، آزمایش و شخصیسازی در دسترس قرار گرفته است.
Inkling 2 Mini چه کاربردهایی دارد؟
توسعه نرمافزار و برنامهنویسی
توسعهدهندگان میتوانند از این مدل برای تولید کد، بررسی خطاها، تحلیل پروژههای نرمافزاری و ساخت نمونههای اولیه استفاده کنند.
ساخت دستیارهای هوشمند شخصی
امکان اجرای محلی، شرایط مناسبی برای ساخت دستیارهایی فراهم میکند که بخشی از پردازش اطلاعات را مستقیماً روی دستگاه کاربر انجام میدهند.
تحلیل اسناد و اطلاعات
با ترکیب این مدل و ابزارهای بازیابی اطلاعات، میتوان سیستمهایی برای جستوجو، خلاصهسازی و تحلیل اسناد طراحی کرد.
پژوهش در حوزه هوش مصنوعی
انتشار وزنهای مدل به پژوهشگران اجازه میدهد معماری حلقهای و رفتار مدل در وظایف استدلالی را بررسی کنند.
ساخت عاملهای هوش مصنوعی
این مدل میتواند بهعنوان بخش پردازشگر سیستمهای عاملمحور مورد استفاده قرار گیرد؛ سیستمهایی که وظایف چندمرحلهای را با کمک ابزارهای مختلف انجام میدهند.
محدودیتهای Inkling 2 Mini چیست؟
با وجود قابلیتهای قابلتوجه، این مدل محدودیتهایی نیز دارد.
طبق اطلاعات رسمی شرکت سازنده، Inkling 2 Mini در برخی آزمونهای گفتوگوی چندمرحلهای و اجرای دستورالعملهای دارای محدودیتهای متعدد، از بعضی مدلهای همرده عملکرد ضعیفتری داشته است.
همچنین تکرار پردازش در لایههای میانی لزوماً باعث افزایش دانش ذخیرهشده در مدل نمیشود.
به همین دلیل، برای پاسخ به پرسشهایی که به اطلاعات گسترده و بهروز نیاز دارند، استفاده از ابزارهای جستوجو و بازیابی اطلاعات همچنان اهمیت دارد.
آینده هوش مصنوعی محلی با مدلهای کوچکتر
معرفی Inkling 2 Mini نشاندهنده یکی از روندهای مهم صنعت هوش مصنوعی است: توسعه مدلهایی که علاوه بر قدرت پردازش، از نظر مصرف حافظه و منابع محاسباتی نیز بهینه باشند.
در سالهای اخیر، بخش قابلتوجهی از رقابت شرکتهای فناوری بر ساخت مدلهای بزرگتر متمرکز بوده است.
اما مدلهایی مانند Inkling 2 Mini نشان میدهند که معماری هوشمندانه و بهینهسازی پردازش نیز میتواند نقش مهمی در افزایش کارایی داشته باشد.
گسترش این فناوری ممکن است در آینده امکان استفاده از هوش مصنوعی پیشرفته را برای توسعهدهندگان مستقل، پژوهشگران و کسبوکارهای کوچک آسانتر کند.
جمعبندی
Inkling 2 Mini یکی از مدلهای قابلتوجه هوش مصنوعی در نوامبر ۲۰۲۶ است که با هدف ترکیب توانایی استدلال، برنامهنویسی و اجرای محلی معرفی شده است.
استفاده از معماری ترنسفورمر حلقهای، انتشار وزنهای مدل و امکان اجرا روی لپتاپهای مجهز، از مهمترین ویژگیهای این فناوری هستند.
این مدل نشان میدهد که آینده هوش مصنوعی تنها به توسعه سیستمهای بزرگتر وابسته نیست، بلکه به ساخت مدلهای کارآمدتر، قابل دسترستر و قابل شخصیسازی نیز ارتباط دارد.
آکادمی هوش مصنوعی آیتک با بررسی تازهترین فناوریها و دستاوردهای شرکتهای پیشرو، تلاش میکند علاقهمندان را با کاربردهای عملی هوش مصنوعی و فرصتهای جدید یادگیری در این حوزه آشنا کند.
