ما يكشفه إنكلينج عن خط التقسيم الجديد في سوق النماذج مفتوحة المصدر

طرح Thinking Machines نموذج إنكلينج على Hugging Face هذا الأسبوع دون إعلان كبير أو عرض تقديمي مبهرج. صفحة الإصدار تبدو أشبه بموجز تقني أكثر من كونها إطلاقًا صحفيًا: محول MoE يعمل بوحدة فك ترميز فقط مع انتباه نسبي، وانتباه هجين ذو نافذة منزلقة وعالمي، والتفاف قصير أحادي البعد على الحالات المخفية، ومُجزّئ MLP للصور بدلاً من مشفر منفصل. إنه متعدد الوسائط على المستوى المعماري، وليس ملحقًا بشكل لاحق.

مع إجمالي 975 مليار معامل و41 مليارًا نشطة لكل رمز، مدعومة بـ45 تريليون رمز تدريبي تشمل النص والصور والصوت والفيديو، يدخل إنكلينج سوقًا تغيرت بشكل كبير منذ الأيام التي كان فيها إصدار مفتوح مثل Llama 2 يحدد المشهد. لم يعد قطاع الذكاء الاصطناعي مفتوح المصدر يلاحق النتائج الاحتكارية فحسب، بل بدأ الآن في وضع بعضها. يثير وصول إنكلينج سؤالًا أهم من موقعه على معيار معين: ماذا يعني "مفتوح" الآن بالضبط؟

تفرد تقني، مؤطر استراتيجيًا

أبرز خيار معماري في إنكلينج هو غياب المشفرات المنفصلة لكل نمط. المدخلات المرئية تمر عبر MLP هرمي يدمج البكسلات في تضمينات رقعة؛ الصوت يُرقّم إلى حاويات طيف ميلوغرافي مغمّسة بواسطة برج مخصص. يتناقض هذا مع نماذج مثل Gemini أو Claude التي تعتمد على مشفرات رؤية مخصصة (مثل SigLIP أو شبكات اقتراح المناطق) والتي تكون مجمدة إلى حد كبير أثناء الاستنتاج. من خلال دمج كل شيء في وحدة فك ترميز واحدة مع ما تسميه Thinking Machines "التفافًا قصيرًا" (التفاف أحادي البعد على الحالات المخفية مع نافذة W)، يجبر إنكلينج آلية الانتباه نفسها على تعلم التفكير عبر الوسائط بدلاً من الاعتماد على رؤوس محاذاة مدربة بشكل منفصل.

آلية الانتباه النسبي هي خروج آخر. معظم LLMs الحديثة تستخدم تضمينات الموقع الدورانية (RoPE). يستخدم إنكلينج موتر ميزة نسبي مُتعلّم R يتم تعديله حسب المسافة لكل رأس، ويُحقن مباشرة في درجات الانتباه. النتيجة هي نموذج فهمه الموضعي يُدرّب من البداية إلى النهاية بدلاً من أن يكون مبرمجًا بشكل ثابت، وهو ما قد يفسر قدرته على التعامل مع نافذة السياق الكاملة البالغة مليون رمز دون التدهور الذي يصيب غالبًا النماذج القائمة على RoPE بعد 128 ألف رمز.

طبقات MTP التخمينية تضيف مسودة تتنبأ بعدة رموز مستقبلية في وقت واحد. أثناء الاستنتاج تعمل المسودة كفك تخميني، مما يحقق مكاسب في الإنتاجية بمقدار 2-3 أضعاف على نفس المخرجات. يشبه النهج Medusa لكنه مدمج بشكل أصلي بدلاً من كونه إضافة وقت الاستنتاج، والأهم من ذلك، أن المسودة نفسها تُقدم كملف أوزان منفصل، مما يعني أن أي شخص يمكنه تشغيلها إلى جانب النموذج الأساسي دون تغييرات هيكلية.

أين تقع الأرقام، وماذا تخفي

مجموعة معايير إنكلينج شاملة بشكل غير معتاد لإصدار مفتوح: 24 اختبارًا مختلفًا تغطي التفكير والبرمجة والمهام الوكيلية والواقعية والرؤية والصوت والسلامة. تشمل النتائج المختارة:

تخبر الأرقام الرئيسية قصة نموذج يتنافس مع الطبقة المتوسطة من الأنظمة الاحتكارية في التفكير والبرمجة الوكيلية، لكنه يتخلف عن أفضل النماذج المغلقة مثل Claude Fable 5 وGemini 3.1 Pro بمقدار 10-20 نقطة على HLE وSWEBench. على AIME 2026، يقترب إنكلينج (97.1%) تقريبًا من DeepSeek V4 Pro (96.7%) وGPT 5.6 Sol غير المسمى (99.9%). هذا التكافؤ في التفكير الرياضي كان سيبدو غير معقول قبل عامين لأي إصدار مفتوح.

معايير الصوت هي المكان الذي لا يوجد فيه مقارنة مباشرة لإنكلينج. لا يوجد نموذج مفتوح مماثل ينشر نتائج Audio MC أو MMAU أو VoiceBench لأن عددًا قليلاً من النماذج المفتوحة تعالج الإدخال الصوتي على الإطلاق. Thinking Machines تحدد الأساس هنا بشكل أساسي. VoiceBench بنسبة 91.4% قوي، رغم أنه يفتقر إلى منافس من نموذج مغلق للمعايرة. قسم الصوت في جدول المعايير مليء بالشرط في الغالب، وهو اعتراف بفجوة المجال وتأطير مريح: لا يمكن لإنكلينج أن يخسر على مقياس يبلغ عنه فقط.

أرقام السلامة مثيرة للاهتمام حقًا. FORTRESS Adversarial عند 78% أعلى من Kimi K2.6 (65.6%) وNemotron (77.6%)، لكنه أقل بشكل ملحوظ من Claude (96.0%) وGPT-5.6 (82.4%). درجة FORTRESS العادية (95.9%) تنافسية مع الجميع، وStrongREJECT عند 98.6% شبه كامل. يشير هذا إلى أن إنكلينج قد تمت محاذاته بعناية ضد محاولات الاختراق القياسية ولكنه قد يكون أكثر عرضة للهجمات التكيفية من أفضل المختبرات الاحتكارية. بالنسبة لنموذج مخصص للضبط الدقيق والتكيف مع المجال، فإن هامش السلامة العدائي أهم من الهامش العادي. 78% تترك مجالًا لسوء الاستخدام في نشر نهائي لا يضيف حواجز الحماية الخاصة به.

فحص الواقع من منظور الأجهزة

نقطة تفتيش BF16 تتطلب 2 تيرابايت من VRAM. المتغير NVFP4 يقلص ذلك إلى 600 جيجابايت على معالجات Blackwell. هذا ليس نموذجًا يعمل على محطة عمل واحدة: النشر يعني مجموعة من H100s أو B200s، ونص Slurm، واستعداد لإدارة التوازي الموتر عبر العقد. كميات Llama.cpp GGUF من Unsloth تخفض الذاكرة إلى حوالي 30 جيجابايت، مما يتيح الاستنتاج على بطاقة رسوميات عالية الأداء واحدة، ولكن بدقة 1 بت، مع المقايضة الحتمية في الجودة التي تشير إليها نسبة الاحتفاظ بالدقة البالغة 74.2%.

الدعم في اليوم الأول في Transformers وSGLang وvLLM حقيقي وموثق جيدًا. مقتطفات الكود مفصلة، مع أنماط استخدام عالية المستوى وأنماط AutoModel منخفضة المستوى. مسار Hugging Face Inference Providers، حيث تغطي Thinking Machines تكاليف الاستنتاج لمدة ساعتين، يخفض حاجز التجربة. لكن نقطة الدخول العملية لمعظم المطورين ستكون مسار Llama.cpp الكمي، الذي يتجاوز متطلبات العنقود على حساب القدرة الكاملة للنموذج.

ماذا يعني "مفتوح" هنا

لم تنشر Thinking Machines ترخيص إنكلينج على صفحة الإصدار في المواد المصدرية المتاحة. يظهر مصطلح "الوزن المفتوح"، لكن ترخيص الوزن وترخيص البيانات وأي قيود على الضبط الدقيق المقطر غائبة. بالنسبة لنموذج بهذا الحجم، اختيار الترخيص هو على الأرجح أكثر تأثيرًا من نقطة مئوية على HLE. إصدار وزن مفتوح بموجب ترخيص متساهل (MIT أو Apache 2.0 أو حتى نمط Llama 2) سيكون تخريبيًا حقًا؛ الترخيص للبحث فقط أو غير التجاري سيجعل إنكلينج قطعة أثرية تقنية بدلاً من لاعب في النظام البيئي.

المادة المصدرية أيضًا لا تذكر تفاصيل تكوين بيانات التدريب البالغة 45 تريليون رمز، بخلاف سرد الوسائط. خوارزمية ECHO المستخدمة في مرحلة ما بعد التدريب RL (التي تدرب النموذج على التنبؤ بنتائج البيئة بدون مدقق) موصوفة ولكنها غير موثقة بالاستنساخ الخارجي. هذه الثغرات لا تقوض الإصدار. إنها قياسية لنموذج في هذه المرحلة، لكنها تعني أن تقييم المجتمع لإنكلينج لا يزال ينتظر أن يجريه المجتمع.

خريطة السوق قد تغيرت

قبل عامين، كان نموذج مفتوح بمستوى أداء إنكلينج ليهيمن على العناوين الرئيسية لمدة أسبوع. الآن يهبط في مشهد حيث:

• أظهرت Mistral AI أن النماذج المفتوحة الصغيرة (8B-120B) يمكنها منافسة النماذج المغلقة الأكبر بعشر مرات في مهام التفكير المتخصصة
• أظهرت DeepSeek أن نماذج MoE مفتوحة بمعاملات 600 مليار+ مدربة على بيانات اصطناعية منسقة بعناية يمكنها مضاهاة مختبرات الحدود في الرياضيات والبرمجة
• قام Llama 4 بطمس الخط الفاصل بين الوزن المفتوح والملكية، مع سيطرة Meta على الترخيص النهائي بإحكام
• أصبح التقييم لكل نمط (الرؤية، الصوت، الفيديو) محور تنافسي منفصل بدلاً من كونه فكرة ثانوية

يجلس إنكلينج في وسط غير مريح: كبير جدًا بحيث لا يمكن تشغيله بتكلفة معقولة دون كمية، وتنافسي لكنه ليس مهيمنًا على التفكير، وفريد من نوعه في الصوت لكنه غير معاير مقابل البدائل المغلقة. قد تكون قيمته الأقوى كمنصة بحثية لمعماريات MoE متعددة الوسائط. آليات الانتباه، ومغسلة الخبراء المشتركة مع 256 خبيرًا، وتصميم الالتفاف القصير. ليس كمنتج قابل للنشر خارج الصندوق.

يكشف الإصدار أيضًا شيئًا عن حالة تطوير النموذج المفتوح: الفجوة بين النماذج المفتوحة والمملوكة في الطبقة 500 مليار-1 تريليون معامل قد تضاءلت إلى درجة أن نقطة مئوية واحدة تفصل بينهما في عدة معايير. هذا لا يعني أن النماذج المفتوحة قد لحقت بالركب. لا تزال المختبرات المملوكة تتقدم على HLE بنسبة 15-24% وعلى السلامة العدائية بهامش كبير. لكنه يعني أن المحادثة لم تعد حول ما إذا كانت النماذج المفتوحة يمكنها المنافسة. بل حول أي محور تختار المنافسة عليه، وما إذا كان هذا المحور هو الذي يقدره السوق بالفعل.