Inkling 2 Mini, dizüstünde çalışabilen açık model oldu

SanalData’yı Google’da tercih edilen kaynak olarak ekleyin

Thinking Machines Lab, Inkling 2 Mini’nin açık ağırlıklarını yayımladı. Yaklaşık 20 GB yer kaplayan model, şirketin paylaştığı testlerde benzer boyuttaki açık modelleri geride bırakıyor.

Inkling 2 Mini, dizüstünde çalışabilen açık model oldu
Kapak görseli yapay zeka ile üretilmiştir. Temsili görseldir; gerçek fotoğraf veya ürün çekimi değildir. Editoryal ilkeler
Reklam

Thinking Machines Lab, güçlü yapay zekâ modellerini yerel donanımda çalıştırmak isteyenler için Inkling 2 Mini’yi yayımladı. Şirket, modelin açık ağırlıklarını kullanıma açtı; tam ağırlıklar Hugging Face’te, modelin kendisi ise Tinker platformunda bulunuyor. Yaklaşık 20 GB boyutundaki Inkling 2 Mini, uygun donanıma sahip dizüstü bilgisayarlarda çalışabilecek şekilde konumlanıyor.

Modelin öne çıkan yanı yalnızca boyutu değil. Thinking Machines Lab, Inkling 2 Mini’nin kodlama ve araç kullanımına dayalı testlerde benzer ölçekteki açık ağırlıklı modellerle rekabet ettiğini, bazı değerlendirmelerde ise onları geçtiğini bildiriyor. Bu sonuçlar şirketin paylaştığı testlere dayanıyor; modelin farklı donanım ve kullanım koşullarındaki performansı değişebilir.

Döngülü mimari hesaplama biçimini değiştiriyor

Inkling 2 Mini, döngülü transformer adı verilen bir mimari kullanıyor. Toplam 24 katman, altışar katmandan oluşan dört bloğa ayrılmış durumda. İlk ve son bloklar bir kez çalışırken ortadaki iki blok her token için üç kez devreye giriyor. Böylece model, her token üzerinde aynı katmanları tekrar kullanarak hesaplama yapıyor.

Bu yaklaşımın amacı, daha az token üreterek doğru sonuca ulaşmak. Şirket, tekrar kullanılan katmanların özellikle akıl yürütme gerektiren görevlerde ve yapay zekâ ajanlarının kodlama işlerinde fayda sağlayabileceğini savunuyor. Döngülü yapı, modelin yalnızca parametre sayısına bakılarak değerlendirilmesini de güçleştiriyor; token başına kullanılan hesaplama miktarı mimarinin tekrarlarıyla birlikte ele alınmalı.

Inkling 2 Mini, uzman karışımı (Mixture-of-Experts) yapısında toplam 26,4 milyar parametre içeriyor. Her token için bu parametrelerin 3,4 milyarı etkinleşiyor. Döngü de hesaba katıldığında token başına devreye giren ağırlık miktarı 5,4 milyara ulaşıyor. Thinking Machines Lab’in verdiği bilgiye göre döngüsüz bir modelin eğitimi yüzde 7,5 daha az işlem gücü gerektirirken, aynı sonuca ulaşmak için çalıştırma sırasında yüzde 140 daha fazla işlem gücü harcaması gerekiyor.

Kodlama ve arama testlerinde iddialı sonuçlar

Şirketin karşılaştırmalarında Inkling 2 Mini, 100 milyar parametrenin altındaki açık ağırlıklı modeller arasında DeepSWE v1.1 testinde yüzde 48,2, Vals Index v2.2 testinde ise yüzde 46,5 puan aldı. SWE-bench Verified değerlendirmesinde elde ettiği yüzde 79,2’lik sonuç, aynı testte Qwen3.8-27B için bildirilen yüzde 77,8’in üzerinde. Model ayrıca arama ve araç kullanımını ölçen BrowseComp, DeepSearchQA ve MCP Atlas testlerinde benzer büyüklükteki açık modellerin önünde yer aldı.

Enerji verimliliği ölçümünde de Inkling 2 Mini’nin sonuçları öne çıkıyor. Stanford’daki araştırmacıların erken erişim kapsamında yaptığı değerlendirmede model, NVIDIA DGX Spark üzerinde 0,703 puan aldı. Aynı ölçümde Qwen3.6-35B-A3B 0,430, Gemma-4-26B-A4B 0,159 ve Qwen3.5-27B 0,036 puanda kaldı. Bu değerler, belirtilen test düzeneği ve ölçüm yöntemi kapsamında yapılan karşılaştırmayı gösteriyor; genel kullanımda her sistem için aynı sonucu garanti etmiyor.

Çok turlu sohbetlerde sınırları var

Thinking Machines Lab, modelin her görevde en iyi seçenek olmadığını da belirtiyor. Çok turlu sohbetler ve çok sayıda kısıt içeren talimatlar, Inkling 2 Mini’nin daha zayıf kaldığı alanlar arasında. Model MultiChallenge testinde yüzde 50,0, ComplexConstraints v1.1 testinde yüzde 33,4 puan aldı ve şirketin verdiği karşılaştırmada bu iki ölçümde Qwen3.8-27B’nin gerisinde kaldı.

Açık ağırlıkların yayımlanması, geliştiricilerin modeli kendi iş akışlarında incelemesine ve uygun donanımda yerel olarak çalıştırmasına imkân tanıyor. Yaklaşık 20 GB’lık boyut, büyük ölçekli modelleri çalıştırmak için gereken altyapıya sahip olmayan kullanıcılar açısından erişim eşiğini düşürebilir. Bununla birlikte, modelin vaat ettiği performansı elde etmek için donanım kapasitesi ve görev türü önemini koruyor. Inkling 2 Mini’nin sonuçları, döngülü mimarilerin küçük ve açık modellerde kodlama ve akıl yürütme performansını nasıl etkileyebileceğine dair yeni bir örnek sunuyor.

Reklam

Günün zaman çizelgesi

Haber eklenme saatine göre sıralanır.

  1. Bugün
  2. Inkling 2 Mini, dizüstünde çalışabilen açık model oldu Bu haber
  3. Microsoft, USB4 ile PC’leri yapay zekâ kümesine dönüştürüyor
  4. Apple Black Friday 2026 kampanyası Türkiye’de yok
  5. Koşu Bandı Seçerken Motor ve Koşu Alanına Dikkat
  6. Valve: Steam Machine stokları sınırlı, fiyat artabilir
  7. Elektrikli Mercedes C400 4MATIC: 489 HP ve 700 km menzil
  8. Apple, Siri’yi yapay zekâ ajanına dönüştürmek istiyor
  9. Improve Truck Smoke v1.1 ETS2 1.62 Gerçekçi Egzoz Dumanı Modu
  10. BXP Pimp my Coach 162.0 ETS2 1.62 Volvo Otobüs Tuning Modu
  11. Flixbus Monbus ETS2 MAN Lion’s Coach Skin Paketi
  12. Siemens smartFinish kırışıklıkları yüzde 50’ye kadar azaltıyor
  13. Dark GPS ETS2 1.62 Karanlık Navigasyon Teması Modu
  14. Ocak İçine Gizlenen Davlumbaz Buharı Nasıl Çekiyor?
  15. Volkswagen Villas V41 ETS2 1.62 Araba Modu ve Skin Paketi
Selin Aydın
Yazar

Selin Aydın

Teknoloji Editörü

  • SanalData editörü
  • Aktif köşe
  • Uzmanlık alanı tanımlı

Selin Aydın, SanalData’da teknoloji haberlerini yazar. Tüketici elektroniği ve Türkiye’deki teknoloji gündemini takip eder.

  • Tüketici elektroniği
  • Türkiye teknoloji gündemi
  • İnternet

Selin Aydın’ın tüm yazıları · 1756 yazı

Yorum yaz