LLMsLe Big Data · 6 août 2026, 02:20· 2 min de lecture

Thinking Machines Lab Inkling : le modèle ouvert pour rebattre les cartes de l’IA ?

Résumé IASource uniqueImpact UE Pourquoi ça compte

Thinking Machines Lab, la société fondée par Mira Murati, a publié le 15 juillet 2026 son premier modèle d'intelligence artificielle, baptisé Inkling. Ce grand modèle de langage repose sur une architecture Mixture-of-Experts totalisant 975 milliards de paramètres, dont seulement 41 milliards sont activés pour chaque token traité, un choix qui optimise les ressources de calcul sans sacrifier les performances. Les poids du modèle sont distribués sous licence Apache 2.0 et disponibles sur Hugging Face. Inkling se distingue par une fenêtre de contexte d'un million de tokens, capable d'absorber des bases documentaires volumineuses ou des projets de développement complexes. Son architecture d'attention combine des couches locales et globales selon un ratio de cinq pour un, et utilise un codage de position relatif plutôt que la méthode RoPE employée par la plupart des concurrents. Le modèle est également multimodal : il traite des images d'une résolution allant de 40 à 4096 pixels ainsi que des fichiers audio au format WAV.

Contrairement aux chatbots grand public, Inkling vise avant tout les entreprises, les laboratoires de recherche et les équipes d'ingénierie. En ouvrant les poids du modèle, Thinking Machines Lab permet à ses clients de le déployer, de l'adapter à leurs propres données et de construire des applications ou des assistants métiers sur mesure, sans dépendre d'une API externe ni être enfermés dans un écosystème propriétaire. Cette approche permet aussi aux organisations de mieux maîtriser leurs coûts d'exploitation et leur infrastructure. Le modèle n'est toutefois pas open source au sens strict : les données d'entraînement utilisées pour le construire ne sont pas publiées, seule l'architecture et les poids le sont. Cette nuance illustre une tendance plus large du secteur, où des entreprises revendiquent une ouverture partielle tout en gardant la main sur les éléments les plus sensibles de leurs modèles.

L'arrivée d'Inkling s'inscrit dans un marché de l'intelligence artificielle de plus en plus disputé entre modèles propriétaires, comme ceux d'OpenAI, Google ou Anthropic, et modèles à poids ouverts. Thinking Machines Lab, fondée par une ancienne dirigeante d'OpenAI, cherche ainsi à se positionner comme une alternative crédible face aux acteurs dominants, en misant sur la flexibilité et le contrôle offerts aux entreprises plutôt que sur une interface grand public. La taille du modèle, avec près de mille milliards de paramètres, et sa fenêtre de contexte étendue, le rapprochent des standards les plus avancés du secteur. Reste à savoir comment la communauté des développeurs va s'emparer de cet outil, et si Thinking Machines Lab publiera d'autres modèles ou services pour construire un écosystème autour d'Inkling.

Impact France/UE

Les entreprises et developpeurs europeens peuvent telecharger et deployer librement les poids d'Inkling sous licence Apache 2.0, une option pour la souverainete des donnees face aux API proprietaires americaines.

💬 L'analyse de Mathieu

Inkling coche les cases qui comptent pour une boîte : poids ouverts sous Apache 2.0, un million de tokens de contexte, et seulement 41 milliards de paramètres actifs sur 975 milliards pour ne pas cramer le budget GPU. Bon, appeler ça open source, c'est un peu du flan, les données d'entraînement restent planquées, donc tu hérites de l'architecture, pas de la recette. Le vrai coup de Thinking Machines Lab, c'est de vendre aux entreprises le contrôle de leur infra plutôt qu'un chatbot de plus, et face à des géants qui verrouillent tout dans leur API, ce pari-là peut vraiment rebattre les cartes.

Dans nos dossiers

OpenAI Open weight & Open source Hugging Face Anthropic

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1Next INpact

☕️ Thinking Machines publie Inkling, un modèle généraliste à poids ouverts

Le laboratoire Thinking Machines, fondé par Mira Murati, ancienne directrice technique d'OpenAI, a dévoilé mercredi 15 juillet son premier modèle à poids ouverts, baptisé Inkling. L'annonce intervient dix huit mois après une levée de fonds record de 2 milliards de dollars pour l'entreprise. Inkling repose sur une architecture Mixture of Experts totalisant 975 milliards de paramètres, dont seulement 41 milliards sont activés à chaque requête, une conception pensée pour limiter les coûts de calcul tout en conservant une large capacité de connaissances. Le modèle gère une fenêtre de contexte pouvant atteindre 1 million de tokens et a été entraîné sur 45 000 milliards de tokens couvrant texte, images, audio et vidéo. Thinking Machines propose également une version allégée, Inkling Small, dotée de 12 milliards de paramètres actifs et entraînée selon la même méthode. Les deux modèles sont accessibles dès à présent via Tinker, le service de personnalisation et de fine tuning lancé en accès anticipé début 2026, avec des fenêtres de contexte de 64 000 et 256 000 tokens et une tarification de lancement fixée à 1,87 dollar le million de tokens en entrée et 4,68 dollars en sortie. Cette sortie marque un tournant stratégique pour un laboratoire jusque là connu surtout pour la notoriété de son équipe fondatrice plutôt que pour des produits concrets. En choisissant d'ouvrir les poids d'Inkling plutôt que de viser la performance brute face à des modèles fermés comme ceux d'OpenAI ou d'Anthropic, Thinking Machines se positionne sur un créneau différent, celui des chercheurs et développeurs souhaitant personnaliser un modèle généraliste solide en chat, audio et vision, quitte à sacrifier une partie des capacités agentiques les plus avancées. Cette approche pourrait séduire des équipes de recherche et des entreprises qui cherchent une base fiable, multimodale et modulable, sans dépendre entièrement des API propriétaires des grands acteurs du secteur, tout en bénéficiant d'un contrôle direct sur les données et la boucle d'entraînement via Tinker. L'initiative s'inscrit dans une stratégie produit plus large amorcée par Thinking Machines dès octobre dernier avec le lancement de Tinker, conçu pour affranchir les chercheurs des contraintes d'infrastructure lors du réglage fin de modèles. Inkling doit désormais nourrir d'autres développements du laboratoire, notamment TLM Interaction Small, un modèle à très faible latence destiné en particulier aux interactions vocales, illustrant une volonté de construire un écosystème cohérent plutôt qu'un modèle isolé. Dans un marché de l'IA générative dominé par une poignée d'acteurs aux modèles fermés, ce pari sur l'ouverture et la personnalisation pourrait redéfinir la place que Thinking Machines entend occuper, entre laboratoires de recherche indépendants et géants technologiques.

UELes chercheurs et développeurs européens pourront exploiter ce modèle a poids ouverts via Tinker, sans impact réglementaire ou économique direct sur la France ou l'UE.

💬 Bon, sur le papier c'est le pari le plus honnête que Thinking Machines pouvait faire : au lieu de courir après OpenAI sur la perf brute, ils ouvrent les poids et misent sur la personnalisation via Tinker. Ça vaut ce que ça vaut face à des géants fermés, mais c'est exactement le créneau qui manquait entre labos indépendants et boîtes qui verrouillent tout. Reste à voir si les chercheurs suivent, parce qu'un modèle ouvert sans écosystème solide autour, ça finit vite sur une étagère.

LLMsActu

1 source

2VentureBeat AI

Thinking Machines lance Inkling Small, un modèle open source proche des performances de son prédécesseur pour environ un quart de sa taille

La startup Thinking Machines, dirigée par l'ancienne directrice technique d'OpenAI Mira Murati, a dévoilé Inkling-Small, un nouveau modèle d'intelligence artificielle open source, seulement deux semaines après le lancement de son premier modèle, Inkling. Inkling-Small compte 276 milliards de paramètres, contre 975 milliards pour son prédécesseur, mais n'utilise que 12 milliards de paramètres actifs par token, contre 41 milliards pour Inkling. Distribué sous licence permissive Apache 2.0, ce modèle multimodal accepte du texte, des images et de l'audio en entrée, produit du texte en sortie, et gère une fenêtre de contexte allant jusqu'à un million de tokens. Sur l'index d'intelligence de référence publié par Artificial Analysis, il obtient un score de 40, contre 41 pour Inkling, un écart minime qui en fait, selon l'organisme, le modèle open source le plus performant à cette taille ou en dessous. Les poids complets sont disponibles sur Hugging Face, avec un support pour le fine-tuning via l'API Tinker de l'entreprise, et un tarif de lancement réduit de 50%, soit 0,58 dollar par million de tokens en entrée, 1,44 dollar par million de tokens générés et 1,73 dollar par million de tokens d'entraînement pour la version standard à 64000 tokens de contexte. Pour les entreprises, l'intérêt ne réside pas seulement dans la taille réduite du modèle, mais dans le fait qu'il conserve l'essentiel des capacités de son grand frère tout en réduisant nettement les besoins en calcul, les coûts d'inférence et l'empreinte de déploiement. Inkling-Small dépasse même Inkling sur plusieurs benchmarks techniques, avec 80,2% contre 77,6% sur SWE-bench Verified et 64,7% contre 63,8% sur Terminal Bench 2.1, ce qui en fait un candidat solide pour les assistants de codage, les systèmes d'outils automatisés ou l'analyse documentaire. Cette avancée reste toutefois inégale: sur les tâches nécessitant des connaissances factuelles ou certains usages agentiques, comme le benchmark bancaire τ³-Banking où il chute à 15,5% contre 23,7% pour Inkling, le modèle marque un net recul, ce qui impose aux entreprises de maintenir des mécanismes de vérification et de relecture humaine pour les usages à fort enjeu. Sur le plan technique, Inkling-Small repose sur une architecture de type mélange d'experts, avec un décodeur à 42 couches qui redirige chaque token vers six experts spécialisés parmi un ensemble de 256, complétés par deux experts partagés qui restent actifs en permanence. Cette conception explique l'écart entre ses 276 milliards de paramètres totaux et ses 12 milliards de paramètres réellement mobilisés à chaque calcul. Elle illustre une tendance plus large du secteur de l'IA générative, où les laboratoires cherchent désormais à comprimer les performances des grands modèles dans des architectures plus légères et moins coûteuses à exploiter, sans sacrifier la compétitivité face aux modèles propriétaires fermés.

💬 Bon, sur le papier c'est exactement le genre de compression qu'on attendait : un quart de la taille, un tiers des paramètres actifs, et l'essentiel des perfs qui suit, voire dépasse le modèle d'origine sur le code (SWE-bench, Terminal Bench). Mais la chute sur τ³-Banking (15,5% contre 23,7%) dit un truc important qui dépasse Thinking Machines : compresser un modèle, ça ne rétrécit pas uniformément ses capacités, ça les découpe de façon inégale, et personne ne sait encore prédire quelles compétences sautent en premier. Pour une boîte qui veut déployer ça en prod sur des tâches à enjeu, ça reste un pari, pas un remplacement automatique.

LLMsActu

1 source

3VentureBeat AI

Thinking Machines rend Inkling open source, son premier modèle de langage multimodal, axé sur le faible coût et la "résistance à la censure

Thinking Machines, la start-up américaine fondée par Mira Murati, ancienne directrice technique d'OpenAI, a publié son premier grand modèle de langage sous licence open source Apache 2.0, baptisé Inkling. Doté de 975 milliards de paramètres au total, dont 41 milliards actifs grâce à une architecture Mixture-of-Experts, il s'agit d'un système nativement multimodal capable de raisonner sur du texte, des images et de l'audio. Ses poids sont déjà disponibles sur Hugging Face ainsi que sur Tinker, l'API d'entraînement de modèles maison. Sur les benchmarks tiers, Inkling affiche 77,6% sur SWE-bench Verified, devançant le rival américain Nvidia Nemotron 3 (71,9%), et 91,4% sur VoiceBench, proche des 94,4% de Gemini 3.1 Pro en mode raisonnement élevé. Thinking Machines a également dévoilé une version allégée, Inkling-Small, avec 276 milliards de paramètres, pensée pour les usages où la latence et le coût priment. Ce lancement cible directement les entreprises qui veulent déplacer leurs charges d'IA agentique vers des modèles à poids ouverts, personnalisables et exécutables sur leurs propres serveurs ou dans des clouds privés virtuels. Inkling introduit un mécanisme inédit d'"effort de réflexion contrôlable", conçu pour arbitrer finement entre coût et performance, une approche qui tranche avec les stratégies de scaling opaques des modèles propriétaires concurrents. Autre argument commercial fort: Thinking Machines affirme avoir conçu Inkling pour répondre directement sur des sujets susceptibles d'être censurés, une promesse pensée pour séduire les entreprises soucieuses de la fiabilité factuelle de leurs outils, indépendamment du caractère sensible des questions posées. Le modèle arrive toutefois dans un paysage 2026 des modèles ouverts extrêmement disputé, dominé par des architectures MoE très spécialisées, notamment issues des laboratoires chinois. GLM 5.2, considéré comme le meilleur modèle de raisonnement ouvert du marché, surpasse Inkling sur le codage et les tâches complexes, avec 62,1% contre 54,3% sur SWEBench Pro et un écart plus marqué encore sur Terminal Bench 2.1 (82,7 contre 63,8). DeepSeek V4 Pro fait mieux sur SWEBench Verified (80,6% contre 77,6%) et sur la factualité, mais Inkling le devance en mathématiques avec 97,1% sur AIME 2026. Kimi K2.6 domine sur plusieurs tests techniques comme GPQA Diamond, tandis qu'Inkling reste plus performant sur le suivi d'instructions. Face à son concurrent américain direct, Nemotron 3 Ultra, Inkling s'impose de façon constante en raisonnement comme en codage, confirmant sa position de meilleure alternative ouverte made in USA face à la concurrence chinoise.

💬 Inkling, c'est la meilleure alternative ouverte made in USA face à la Chine, mais ça reste une alternative, pas un leader. Face à Nemotron 3, Thinking Machines écrase son rival maison sans discussion. Face à GLM 5.2 ou DeepSeek V4 Pro, l'écart sur le code reste net, et l'argument de la "résistance à la censure" sonne surtout comme un pitch commercial pour les boîtes qui se méfient des modèles chinois.

LLMsActu

1 source

4The Decoder

Thinking Machines lance Inkling, un modèle de 975 milliards de paramètres qui devance les labos américains mais reste derrière la Chine

Thinking Machines Lab, le laboratoire fondé par Mira Murati, ancienne directrice technique d'OpenAI, a dévoilé Inkling, un modèle multimodal en poids ouverts comptant 975 milliards de paramètres. Selon l'Artificial Analysis Intelligence Index, ce modèle se hisse en tête des modèles ouverts américains, devançant ses concurrents domestiques sur plusieurs benchmarks, bien que les meilleurs modèles ouverts chinois conservent l'avantage sur certaines tâches spécifiques. Le prix d'accès démarre à 1,87 dollar par million de tokens en entrée. Plutôt que de le présenter comme le modèle le plus puissant du marché, Thinking Machines positionne Inkling comme une base solide destinée au fine-tuning par les développeurs. Cette annonce confirme la place de Thinking Machines parmi les acteurs sérieux de l'IA générative, un an après sa création par Murati avec d'anciens cadres d'OpenAI. Pour les entreprises et développeurs américains cherchant des alternatives ouvertes aux modèles propriétaires, Inkling offre une option compétitive taillée pour la personnalisation plutôt que l'usage generaliste immédiat. Le positionnement tarifaire et l'approche orientée fine-tuning visent un public technique désireux d'adapter le modèle à des besoins spécifiques, sans dépendre exclusivement des géants comme OpenAI, Google ou Meta. Le contexte plus large est celui d'une course mondiale à l'ouverture des modèles, où les laboratoires chinois comme DeepSeek ou Alibaba ont pris une avance notable sur les modèles ouverts, poussant les acteurs américains à réagir. Thinking Machines, avec Inkling, tente de combler cet écart tout en évitant la comparaison directe sur la puissance brute, préférant miser sur la flexibilité offerte aux développeurs. La suite dépendra de l'adoption réelle par la communauté technique et de la capacité du laboratoire à itérer face à une concurrence chinoise toujours plus agressive sur ce segment.

💬 Inkling, c'est le premier modèle ouvert américain qui assume de ne pas viser la puissance brute mais l'adaptabilité pour les devs. Sur le papier ça sonne comme un aveu de faiblesse face à DeepSeek ou Alibaba, mais en vrai c'est plutôt malin : un modèle taillé pour le fine-tuning évite justement la comparaison frontale que les Américains sont en train de perdre sur l'open source. Reste que 975 milliards de paramètres à 1,87 dollar le million de tokens, faut voir qui a vraiment les moyens de le personnaliser en interne plutôt que de louer l'accès à l'API.

LLMsActu

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic