Ring-mini-2.0

מה זה

מדובר בארכיטקטורת MoE שמבוססת על Ling 2.0 ומאומנת בשיטות חיזוק ייעודיות לשרשראות חשיבה ארוכות. בגלל שרק חלק זעיר מהפרמטרים פעיל בכל טוקן, מקבלים ביצועי חשיבה שמתחרים במודלים צפופים של עד עשרה מיליארד פרמטרים, אבל עם מהירות ייצור שמגיעה למאות טוקנים בשנייה על חומרה מתאימה.

התוצאות במבחנים כמו LiveCodeBench ו־AIME 2025 מראות שהוא מתוכנן לעמוד בעומסי היגיון מורכבים ולא רק לפלוט טקסט שוטף. היכולת להרחיב את ההקשר בעזרת YaRN עד 128 אלף טוקנים מאפשרת לו לנתח קבצי קוד או פלטים ארוכים בלי לאבד את כיוון המחשבה.

מתאים ל

• פתרון בעיות קוד מורכבות

  האימון על שרשראות חשיבה ארוכות עוזר לו לעקוב אחרי אלגוריתמים מסובכים.

• ניתוח לוגי במהירות גבוהה

  הפעלת 1.4 מיליארד פרמטרים בלבד מביאה לקצב של מאות טוקנים בשנייה.

• חישובים והוכחות במתמטיקה

  התוצאות במבחני AIME מעידות על התמקדות מפורשת במשימות היגיון פורמלי.

איפה זה נופל

המודל מפעיל רק 1.4 מיליארד פרמטרים בכל רגע נתון, מה שאומר שקיבולת הידע הכללי שלו צרה מאוד בהשוואה למודלים צפופים גדולים. אם תבקשו ממנו משימות שדורשות הבנה עמוקה של עולם התוכן ולא היגיון אלגוריתמי טהור, הוא יטעה מהר מאוד. בנוסף, חלון הבסיס בהגדרות המודל עומד על כ־32 אלף טוקנים, והרחבה ל־128 אלף דורשת מנגנון אקסטרפולציה שלא בהכרח יתנהג באופן יציב בכל סביבת הרצה.

איך מריצים

כדי להעלות אותו בזיכרון תצטרכו כרטיס גרפי עם לפחות 40 גיגה זיכרון, כמו A100 או כרטיסים מקבילים, כי קבצי ה־bfloat16 שוקלים מעל שלושים גיגה לפני שמחשבים את זיכרון ההקשר. המפתחים מדדו קצב של מעל 300 טוקנים בשנייה על מאיץ H20, עם אפשרות לחצות את קו ה־500 בעזרת אופטימיזציות מתקדמות.

אם אין לכם שרת ייעודי כזה פנוי בענן או במשרד, עדיף להשתמש בהדגמה שלהם או לחכות לגישה דרך שירות חיצוני, כי ניסיון להריץ 30 גיגה של משקלים על מחשב מקומי פשוט יחנוק את החומרה.

from transformers import pipeline

pipe = pipeline("text-generation", model="inclusionAI/Ring-mini-2.0")
print(pipe("שלום"))

הקבצים

15 קבצים במאגר, 30.3 GB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.

• model-00003-of-00004.safetensors10.0 GB
• model-00002-of-00004.safetensors10.0 GB
• model-00001-of-00004.safetensors10.0 GB
• model-00004-of-00004.safetensors2.5 GB
• tokenizer.json7.7 MB
• model.safetensors.index.json1.3 MB
• modeling_bailing_moe_v2.py70.0 KB
• README.md7.0 KB
• configuration_bailing_moe_v2.py3.2 KB
• .gitattributes1.5 KB
• config.json1.5 KB
• LICENSE1.1 KB
• tokenizer_config.json774 B
• generation_config.json157 B
• special_tokens_map.json153 B

הרישיון

הרישיון כאן הוא MIT מלא, וזה המצב הכי נוח שיש. מותר לקחת את המשקלים, לשלב אותם במוצר מסחרי, להריץ אותם בשרתים פרטיים ולשנות את הקוד בלי לשלם תמלוגים ובלי חובת פתיחת קוד מקור, כל עוד שומרים על הודעת זכויות היוצרים המקורית.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש

הרישיון המלא בעמוד המודל ↗