Thinking Machines prezentuje Inkling Small: mniejszy model AI, większa efektywność

Thinking Machines, laboratorium sztucznej inteligencji założone przez Mirę Murati, byłą dyrektor techniczną OpenAI, zaprezentowało swój najnowszy model – Inkling Small. Jest to model rozumowania o otwartych wagach, który, według Artificial Analysis, osiąga wynik 40 punktów w Indeksie Inteligencji, ustępując jedynie o jeden punkt swojemu większemu odpowiednikowi, Inklingowi (41 punktów), przy znacznie mniejszej liczbie parametrów (276 miliardów ogółem, z czego 12 miliardów aktywnych). Artificial Analysis podkreśla, że żaden inny otwarty model o równym lub mniejszym rozmiarze nie osiąga wyższego wyniku.

Inkling Small: Wydajność ponad rozmiar

Inkling Small wykazuje przewagę nad swoim większym bratem w kilku testach kodowania i rozumowania. Przykładowo, w teście Humanity's Last Exam osiągnął wynik 32% w porównaniu do 30% Inklinga, a w GPQA Diamond uzyskał 89% wobec 87%. Chociaż model ten ustępuje w zadaniach opartych na agentach i wiedzy faktograficznej, jego efektywność tokenowa jest znacznie wyższa. Inkling Small generuje średnio 24 tysiące tokenów wyjściowych na zadanie, podczas gdy Deepseek V4 Flash potrzebuje 45 tysięcy, a GPT-5.4 mini aż 78 tysięcy.

Wszechstronność i dostępność

Model Inkling Small obsługuje różnorodne typy danych wejściowych, w tym tekst, obrazy i mowę, a także dysponuje oknem kontekstowym o rozmiarze 256 tysięcy tokenów. Jest udostępniany na licencji Apache 2.0, co sprzyja jego szerokiemu zastosowaniu i modyfikacji. Wagi modelu są dostępne na platformie Hugging Face, a użytkownicy mają możliwość dostrajania go bezpośrednio w przeglądarce za pośrednictwem Tinker Playground. Thinking Machines pozycjonuje swoje modele jako podstawę do dalszego dostrajania przez użytkowników z wykorzystaniem ich własnych danych, co przez niektórych jest postrzegane jako kolejny etap w rozwoju sztucznej inteligencji.

Premiera Inkling Small od Thinking Machines stanowi ważny krok w kierunku rozwoju bardziej efektywnych i dostępnych modeli AI. Podkreśla rosnące znaczenie optymalizacji i wydajności w obliczu coraz większych i bardziej złożonych systemów. Możliwość dostrajania modeli przez użytkowników z własnymi danymi otwiera nowe perspektywy dla spersonalizowanych zastosowań sztucznej inteligencji w różnych branżach, wskazując na potencjalną zmianę paradygmatu w sposobie interakcji z zaawansowanymi algorytmami.

Źródło: the-decoder.com