Inkling 2 Small muscle les modèles ouverts occidentaux

Thinking Machines lance Inkling 2 Small, un modèle open-weight de 594 milliards de paramètres, dont 17 milliards actifs. Il progresse nettement sur les tâches agentiques, mais sa facture d’inférence grimpe aussi.

Thinking Machines, la startup fondée par l’ancienne directrice technique d’OpenAI Mira Murati, a dévoilé Inkling 2 Small, un modèle de 594 milliards de paramètres dont 17 milliards sont actifs à chaque requête. Selon Artificial Analysis, il prend la tête parmi les modèles occidentaux à poids ouverts, avec un bond net sur les tâches agentiques et multimodales. Le revers est plus prosaïque : il consomme davantage de jetons et coûte plus cher à exécuter, même s’il reste loin des tarifs des modèles premium les plus chers. Les poids doivent être publiés plus tard sous licence Apache 2.0, après des tests de sécurité externes.

Un modèle qui gagne en ambition, pas seulement en taille

Inkling 2 Small appartient à la famille des modèles de type mixture-of-experts, une architecture qui n’active qu’une partie du réseau à chaque réponse pour garder un certain équilibre entre capacité et coût. Le modèle accepte du texte et des images, et Thinking Machines met en avant une profondeur de réflexion ajustable, censée laisser l’utilisateur choisir entre rapidité et rigueur. En pratique, la promesse est claire : fournir une base plus solide pour le fine-tuning, donc pour les usages spécialisés en entreprise ou en recherche.

Sur l’Artificial Analysis Intelligence Index, le score passe à 31, soit 18 points de plus que le précédent Inkling Small. Le modèle se rapproche aussi de Gemini 3.8 Flash sur ce même indice. Les gains les plus visibles apparaissent dans les tâches où l’IA doit enchaîner des actions, corriger sa trajectoire ou manipuler des documents complexes. C’est là que se joue une bonne partie du marché des modèles dits “agents”, et ce n’est pas un détail.

Des gains nets sur les usages agentiques et visuels

Selon Thinking Machines, les progrès les plus marqués concernent l’automatisation de workflows multi-étapes, le code et la compréhension d’images. Sur AutomationBench-AA, le score bondit de 5 à 46 %. Sur FrontierCode 2.0, il grimpe de 5 à 25 %. Même logique sur AA-Briefcase, un benchmark orienté travail de connaissance, où Inkling 2 Small atteint 1 527 Elo, soit 615 points de mieux que son prédécesseur.

Le modèle se distingue aussi sur les tâches de perception et de lecture de documents. Il affiche 25,2 % sur GDP.pdf, 81,6 % sur MMMU Pro et 64,7 % sur PerceptionBench, toujours selon les chiffres publiés par Thinking Machines et repris par Artificial Analysis. Sur DesignArena Website, il obtient 1 340 Elo pour la création visuelle, ce qui le place en tête des modèles ouverts comparés. Une petite démonstration maison a même testé ses capacités sur du vin, sans le rendre franchement snob : à partir d’une photo seule, le modèle a identifié correctement trois vins dans 19 essais sur 20.

Plus fort, mais aussi plus bavard à l’usage

La contrepartie arrive vite : Inkling 2 Small génère en moyenne environ 150 000 jetons de sortie par tâche, soit quatre fois plus que son prédécesseur, et son coût grimpe à 1,18 $ par tâche selon Artificial Analysis. Cela reste inférieur à Gemini 3.8 Flash, évalué à 7,77 $, ou à Claude Sonnet 5.5, à 10,02 $, mais la facture n’est plus anecdotique. Autrement dit, le modèle gagne en intelligence mesurée, mais il n’a pas encore appris à parler court. Une qualité rare, donc immédiatement suspecte en réunion.

Thinking Machines explique avoir entraîné le modèle avec de l’apprentissage par renforcement sur plusieurs centaines de milliers de tâches de code à horizon long. La phase de renforcement aurait mobilisé 3 trillions de jetons sur 2 048 GPU en neuf jours, pour un total d’environ 12 trillions de jetons sur l’ensemble du cycle. La startup dit aussi que le modèle reste moins à l’aise en chat pur, ne prend pas en charge l’audio et peut produire des sorties encombrées ou réagir de manière excessive sur les sujets de santé.

Une sortie encore contrôlée, avec les poids attendus plus tard

Pour l’instant, Inkling 2 Small est accessible via la plateforme Tinker de Thinking Machines, sous forme propriétaire. Les poids doivent arriver plus tard sous licence Apache 2.0, une fois les vérifications de sécurité terminées. Cette séquence compte, car elle place le modèle dans une zone intermédiaire : utilisable maintenant, mais réellement ouvert seulement après l’étape de validation externe. Dans un marché où beaucoup annoncent l’ouverture avant de la livrer, la nuance mérite d’être signalée.

Les sources concordent sur un point : Thinking Machines veut installer Inkling dans une famille de modèles déclinée en plusieurs tailles, avec d’autres variantes à venir. Si la version “Small” tient ses promesses, elle pourrait devenir une base sérieuse pour les équipes qui cherchent un modèle occidental ouvert, performant sur les tâches de travail réel et suffisamment flexible pour être adapté localement. Le sujet dépasse donc la simple fiche technique. Il touche à la dépendance des entreprises aux grands modèles fermés, et à la capacité du marché à disposer d’alternatives inspectables, modifiables et déployables sans passer par une seule API étrangère.

Points clés

  • 594 milliards de paramètres, dont 17 milliards actifs.
  • Score 31 sur l’Artificial Analysis Intelligence Index.
  • 25,2 % sur GDP.pdf, meilleur résultat comparé.
  • 1 340 Elo sur DesignArena Website.
  • Apache 2.0 prévu après red-teaming externe.
  • Mira Murati dirige Thinking Machines.

En chiffres

  • 594 milliards — paramètres totaux du modèle, Thinking Machines, novembre 2026.
  • 17 milliards — paramètres actifs par requête, Thinking Machines, novembre 2026.
  • 31 — score sur l’Artificial Analysis Intelligence Index, Artificial Analysis, novembre 2026.
  • 1,18 $ — coût estimé par tâche, soit près de six fois plus que le modèle précédent, Artificial Analysis, novembre 2026.
  • 12 trillions — jetons traités pendant l’entraînement total, Thinking Machines, novembre 2026.

À lire