في مشروع مجاني اسمه Zapret، يخليك تفتح بعض المواقع المحجوبة بدون VPN.
شلون يشتغل؟
، يغيّر طريقة إرسال بيانات الإنترنت، عشان يصعّب على شركات الاتصال معرفة الموقع اللي قاعد تدخله وحجبه.
والفرق بينه وبين VPN إنه ما يحوّل اتصالك على سيرفر ثاني، يعني تدخل الموقع بشكل مباشر.
يشتغل على ويندوز ولينكس، بس مو شرط يفتح لك كل المواقع المحجوبة
💡 استخدمه بطريقه صحيح .
🚨 نموذج ذكاء اصطناعي جديد يزيل قيود الرفض من نفسه تقريبًا… ويعمل بالكامل على جهازك!
فريق AtomicChat نشر نسخة معدّلة من Inkling-2-Mini باسم:
Inkling-2-Mini Uncensored
المثير هنا أنهم لم يعيدوا تدريب النموذج من الصفر، بل استخدموا تقنية تُعرف باسم Abliteration لإزالة الاتجاهات الداخلية المرتبطة برفض الإجابة!
كيف فعلوا ذلك؟
- حلّلوا التنشيطات الداخلية للنموذج عند التعامل مع الطلبات التي يرفضها والطلبات العادية.
- استخرجوا اتجاه الرفض الخاص بكل طبقة.
- استخدموا LoRA صغيرة جدًا لتعديل 49 نقطة داخل بنية النموذج.
- دمجوا التعديل في نسخ GGUF جاهزة للتشغيل محليًا.
والنتيجة؟ 🤯
في اختبارات الفريق، انخفض رفض الطلبات المصنفة ضارة من 100% إلى صفر في 81 اختبارًا باللغة الإنجليزية، ومن 91% إلى صفر في 100 اختبار باللغة الروسية.
والأهم أن التعديل لم يُلغِ قدرات النموذج بالكامل:
- استمر في استخدام أدوات الذكاء الاصطناعي.
- احتفظ بقدرته على تحليل الصور.
- حافظ على قدرته على التعامل مع السياقات الطويلة.
ويمكنك تشغيله محليًا دون الاعتماد على API أو إرسال محادثاتك إلى خوادم خارجية.
أحجام النسخ المتاحة:
- 8.67GB: نسخة IQ2_M.
- 13.34GB: نسخة IQ3_S.
- 16.53GB: نسخة Q4_K.
لكن هناك ثمن: في اختبار MMLU انخفضت الدقة من 80.65% إلى 79.15%، أي أن إزالة قيود الرفض لم تأتِ دون تأثير على الأداء.
النموذج مبني على Inkling-2-Mini من Thinking Machines، بمعمارية MoE تضم 26.4 مليار معامل، مع 3.4 مليار معامل نشط لكل Token، ويدعم النصوص والصور.
والترخيص Apache 2.0.
اللافت ليس مجرد وجود نموذج Uncensored جديد… بل أن تعديل السلوك الداخلي لنموذج ضخم أصبح ممكنًا باستخدام LoRA بحجم 44MB فقط!
جرّبه من هنا الرابط أول تعليق 👇
Inkling 2 Mini from @ThinkyMachines 🇺🇸 is now on Ollama with 0.40.17 (available in pre-release)
Small enough to run on a Mac with 32GB+ memory. Each token loops through its middle layers three times so it reasons deeper at just 5.4B active parameters.
Built for coding, agentic workflows such as, computer use, design with strong visual reasoning, and finance tasks.
Here’s Inkling 2 Mini playing 2048 by making decisions in real-time 💨
Run it with Ollama fully locally:
ollama run inkling-2-mini
Run it in Pi:
ollama launch pi --model inkling-2-mini
Run UNCENSORED Inkling 2 Mini (26.4B) locally on a 12 GB laptop 🔥
Refusals dropped from 100% to 0% in our test and kept 98% of its original accuracy on MMLU
We released 3 GGUFs from 8.67 to 16.53 GB
Get quants here 👇
https://t.co/7LlAlFw7rV
running Inkling 2 Mini on a single RTX 3060. 12GB VRAM. (config below)
262K context. ~41 tok/s decode, ~170 tok/s prefill.
@thinkymachines' 26B looped MoE: 24 layers of weights, the middle 12 run three times per token. unsloth's 2-bit quant is 8.5 GB, so the whole model sits on the GPU, no CPU offload.
and yes, prefill is crazy slow, the slowest i have ever posted. llama.cpp support is a few hours old: no flash attention for this arch yet, and memory grows with context x batch, so -ub has to stay at 16 to fit 262K. even a big batch tops out near 375 tok/s, and CPU offload does not help.
config: llama-server -m Inkling-2-Mini-UD-IQ2_XXS.gguf -ngl 99 -c 262144 -fa on --jinja -np 1 --cache-type-k q4_0 --cache-type-v q4_0 -b 2048 -ub 16 --temp 1.0 --top-p 1.0 --top-k 0 --min-p 0.0 --reasoning on
Run Inkling 2 Mini (26.4B) locally on an 8 GB laptop 💻
We released 6 GGUF quants of @thinkymachines Lab's new MoE model, from 27.7 GB down to 6.88 GB.
The sweet spot is our 7.26 GB AD-IQ1_M, with 81% top-1 agreement compared to BF16.
Get quants here 👇
https://t.co/Z2Dcbx5KU9