Inkling 2 Small muscle l’automatisation des tâches IA

Thinking Machines Labs a dévoilé Inkling 2 Small, un grand modèle de langage conçu pour automatiser des tâches d’entraînement et de travail d’IA, alors que Business Insider rapporte en parallèle une levée de fonds de 5 milliards de dollars menée par Accel [à vérifier]. Fondée l’an dernier par Mira Murati, ex-directrice technique d’OpenAI, la jeune société veut montrer qu’elle peut déjà jouer dans la cour des grands. Le modèle est disponible dès son lancement via le service cloud Tinker, avant une publication ouverte des poids annoncée pour la semaine prochaine.

Un modèle pensé pour faire le sale boulot des équipes IA

Inkling 2 Small ne se contente pas de générer du texte. Thinking Machines dit l’avoir entraîné pour des tâches longues et techniques, dont des exercices d’« autoresearch » qui consistent à post-entraîner des réseaux, optimiser des kernels — des blocs de calcul très bas niveau — et mener d’autres travaux de recherche sur les modèles. Dans l’industrie, ce type d’outil compte car il peut réduire le temps passé sur des tâches répétitives, tout en laissant aux équipes humaines les arbitrages fins.

L’entreprise affirme aussi avoir testé le modèle sur des travaux de prévision. En l’occurrence, Inkling 2 Small a servi à fine-tuner Qwen3.5-4B pour améliorer des prédictions comme les prévisions météo. Selon Thinking Machines, le score de prévision du modèle a doublé en 4,5 heures. Ce chiffre reste fourni par l’éditeur lui-même, mais il donne une idée de l’usage visé : accélérer des cycles de post-entraînement qui coûtent cher en calcul et en temps.

Ce que la fiche technique raconte sur la stratégie de Thinking Machines

Le modèle a été entraîné sur un cluster de serveurs GB300 NVL72, chacun intégrant 72 GPU Blackwell Ultra et la moitié en CPU. Le pré-entraînement initial aurait pris 68 heures, puis un workflow d’apprentissage par renforcement de neuf jours a suivi, avec plusieurs étapes intermédiaires. Ces détails comptent, car ils situent le niveau d’infrastructure que l’entreprise mobilise déjà pour un produit de nouvelle génération.

Inkling 2 Small affiche 594 milliards de paramètres au total, dont 292 millions pour l’encodeur visuel. Environ 17 milliards de paramètres s’activent à chaque requête, ce qui permet d’ajuster la puissance de calcul selon le besoin. Autrement dit, le modèle peut viser soit la qualité, soit la frugalité. Pas toujours les deux en même temps, la machine non plus n’a pas de super-pouvoirs.

Pourquoi le volet visuel change la donne

L’encodeur visuel permet au modèle d’analyser des images et de vérifier la qualité de ce qu’il génère. Thinking Machines explique qu’un utilisateur peut lui demander de créer une boutique e-commerce, puis lui faire contrôler à la fois le code, les bugs éventuels et l’affichage des pages produits. Cette capacité intéresse directement les usages métiers, car elle rapproche la génération de contenu de la validation qualité.

Le modèle a aussi été comparé à Spark Open, Kimi K3 et d’autres modèles open source sur plusieurs benchmarks de travail intellectuel, où il obtient de meilleurs scores selon la société. Thinking Machines dit également qu’il dépasse d’autres références sur plusieurs jeux de données dédiés aux tâches financières. Ces comparaisons restent à prendre avec prudence tant que les protocoles complets ne sont pas publiés, mais elles donnent le ton : la startup cherche moins à faire du spectaculaire qu’à s’installer sur des usages professionnels mesurables.