Thinking Machines Lab présente Inkling, son premier modèle d’intelligence artificielle multimodale à poids ouverts

Thinking Machines Lab a lancé Inkling, son premier modèle d’intelligence artificielle généraliste, offrant aux développeurs l’accès à un système de près d’un trillion de paramètres qui peut traiter du texte, des images et de l’audio. Le lancement du 15 juillet 2026 représente le jalon de produit le plus important à ce jour pour la société d’IA très financée fondée par l’ancien directeur technique d’OpenAI, Mira Murati.

Au lieu de prétendre avoir construit le modèle le plus capable du monde, Thinking Machines positionne Inkling comme une fondation personnalisable pour les entreprises, les chercheurs et les développeurs qui veulent un contrôle accru sur la façon dont leur IA se comporte. Ses poids peuvent être téléchargés via Hugging Face sous licence Apache 2.0, tandis que le modèle peut également être affiné via la plateforme d’entraînement Tinker de Thinking Machines.

Cette position pourrait s’avérer importante alors que le marché de l’IA se divise entre les systèmes frontaliers propriétaires contrôlés par un petit nombre de sociétés et les alternatives à poids ouverts que les organisations peuvent modifier, héberger et intégrer dans leur propre infrastructure.

Un modèle de 975 milliards de paramètres qui n’utilise qu’une fraction à la fois

Inkling contient 975 milliards de paramètres au total, ce qui en fait l’un des plus grands modèles à poids ouverts publiés à ce jour. Cependant, il utilise une architecture Mixture-of-Experts éparse, ce qui signifie que seuls 41 milliards de paramètres sont activés lors du traitement de chaque jeton individuel.

Le modèle contient 66 couches de transformateurs et 256 experts routés. Chaque jeton est envoyé à six de ces experts, ainsi qu’à deux experts partagés qui restent actifs entre les requêtes. Cette approche vise à fournir la capacité de connaissance d’un modèle très grand sans nécessiter que chaque paramètre soit utilisé lors de chaque opération d’inférence.

Thinking Machines a déclaré que la conception Mixture-of-Experts suit en grande partie les idées introduites dans DeepSeek-V3, y compris ses méthodes de routage et d’équilibrage de charge. Inkling utilise également une combinaison de couches d’attention à fenêtre glissante et d’attention globale, ainsi que des plongements de position relatifs plutôt que les plongements de position rotatifs couramment utilisés dans les modèles de langage modernes.

Le modèle prend en charge une fenêtre de contexte allant jusqu’à un million de jetons. Via Tinker, les développeurs ont actuellement accès à des configurations de 64 000 et 256 000 jetons, tandis que la pleine capacité de contexte est disponible via des déploiements compatibles des poids téléchargés.

Raisonnement natif sur du texte, des images et de l’audio

Inkling est nativement multimodal, acceptant du texte, des images et de l’audio en tant qu’entrées tout en générant du texte en tant que sortie. Les images sont traitées à l’aide d’un encodeur de patch hiérarchique, tandis que l’audio est converti en jetons discrets et placé dans le même espace de représentation partagé que les informations textuelles et visuelles.

Thinking Machines a préentraîné le modèle sur 45 billions de jetons issus de texte, d’images, d’audio et de vidéo. La société a déclaré que les données comprenaient du matériel disponible publiquement, des sources tierces sous licence ou acquises, ainsi que du contenu généré ou augmenté de manière synthétique. Cependant, la carte de modèle ne fournit pas un inventaire complet des ensembles de données, ce qui rend « poids ouverts » une description plus précise que « open source ».

La société a également introduit un système de raisonnement contrôlable qui permet aux développeurs d’ajuster la quantité de calcul que Inkling applique avant de produire une réponse. Des paramètres de raisonnement inférieurs peuvent réduire la latence et la consommation de jetons, tandis que des paramètres plus élevés peuvent être utilisés pour des tâches de codage, mathématiques, scientifiques ou d’utilisation d’outils plus difficiles.

En plus du modèle principal, Thinking Machines a présenté Inkling-Small, un modèle Mixture-of-Experts de 276 milliards de paramètres avec 12 milliards de paramètres actifs. La société a déclaré que les améliorations apportées à ses données et à sa recette d’entraînement ont permis au modèle plus petit de correspondre ou de dépasser la version plus grande sur plusieurs évaluations, bien que Inkling-Small n’ait pas encore reçu le même traitement de sortie complet.

Conçu pour être personnalisé via Tinker

Inkling est étroitement lié à Tinker, la plateforme d’entraînement basée sur le cloud que Thinking Machines a introduite en 2025. Tinker permet aux développeurs d’écrire des procédures d’entraînement localement tandis que la plateforme gère l’infrastructure de GPU distribuée requise pour affiner les modèles allant de systèmes relativement petits à des architectures Mixture-of-Experts à trillion de paramètres.

La plateforme prend en charge l’affinage supervisé, l’apprentissage par renforcement, l’optimisation des préférences directes, la distillation et l’adaptation de faible rang. Les clients peuvent télécharger les points de contrôle résultants, et Thinking Machines déclare que les données d’entraînement des clients sont utilisées uniquement pour affiner les modèles des clients plutôt que d’être intégrées dans ses propres modèles de base.

Pour démontrer ce processus de personnalisation, la société a demandé à Inkling d’affiner lui-même en un modèle qui ne utiliserait jamais la lettre « e ». Inkling a généré ses propres données d’entraînement et sa propre méthode d’évaluation, créé et exécuté un travail d’affinage via Tinker, testé le point de contrôle mis à jour, puis chargé les poids modifiés dans son environnement de travail.

La démonstration est délibérément étroite, mais elle illustre la stratégie plus large. Thinking Machines veut que les développeurs traitent les modèles de base comme des points de départ qui peuvent être adaptés à la terminologie, aux flux de travail, aux données, aux politiques et au comportement préféré d’une organisation plutôt que comme des produits finis contrôlés entièrement par le fournisseur de modèle d’origine.

Des performances compétitives sans revendiquer la couronne des benchmarks

Thinking Machines reconnaît ouvertement que Inkling n’est pas le modèle le plus fort disponible dans chaque catégorie. Ses résultats de benchmark le placent généralement parmi les systèmes à poids ouverts les plus capables, tandis que les modèles propriétaires de pointe de sociétés telles qu’Anthropic, Google et OpenAI conservent un avantage global.

Inkling a obtenu un score de 97,1 % sur le benchmark d’examen de mathématiques américain de 2026 et 87,2 % sur GPQA Diamond, qui évalue le raisonnement scientifique de niveau universitaire. Il a enregistré 77,6 % sur SWE-bench Verified et 54,3 % sur SWE-bench Pro Public, deux benchmarks utilisés pour évaluer la capacité des agents de codage à résoudre des problèmes de génie logiciel réels.

Sur l’examen final de l’humanité, Inkling a obtenu un score de 29,7 % sans outils et 46 % lorsqu’il a eu accès à des outils. Ses performances avec outils étaient compétitives avec plusieurs modèles ouverts, mais restaient inférieures aux systèmes fermés les plus puissants inclus dans la comparaison de Thinking Machines.

Inkling a également obtenu un score de 1 257 sur le tableau de bord de développement web agentic de Design Arena, où des évaluateurs humains comparent les applications créées par différents modèles. Cela l’a placé près de plusieurs systèmes propriétaires et en avant de plusieurs concurrents à poids ouverts établis.

Comme pour tout ensemble de benchmarks publié par un fournisseur, les résultats nécessiteront une reproduction indépendante. Thinking Machines a utilisé des scores externes lorsqu’ils étaient disponibles, mais plusieurs évaluations reposaient sur des harnais internes, des configurations ou des résultats auto-déclarés de fournisseurs de modèles concurrents.

Des coûts inférieurs qui nécessitent des exigences matérielles importantes

L’argument de coût d’Inkling repose en grande partie sur son architecture éparse et son raisonnement contrôlable. L’activation de 41 milliards de paramètres au lieu de l’ensemble des 975 milliards devrait rendre l’inférence nettement plus efficace que l’exécution d’un modèle dense de taille similaire, tout en permettant aux développeurs de désactiver le raisonnement étendu pour les requêtes qui n’en ont pas besoin.

Via Tinker, la version de 64 000 jetons est facturée 1,87 $ par million de jetons de préremplissage, 4,68 $ par million de jetons échantillonnés et 5,61 $ par million de jetons d’entraînement. La configuration de 256 000 jetons est facturée à un tarif plus élevé de 3,74 $ pour le préremplissage, 9,36 $ pour l’échantillonnage et 11,23 $ pour l’entraînement, avec des tarifs inférieurs disponibles pour les entrées mises en cache.

Ces chiffres rendent l’expérimentation de grands modèles plus accessible que l’assemblage d’un cluster d’entraînement dédié, mais Inkling n’est pas un modèle que la plupart des développeurs exécuteront sur une station de travail ordinaire. Le point de contrôle BF16 complet nécessite au moins deux téraoctets de mémoire graphique agrégée, équivalent à huit GPU B300 Nvidia (NVDA ) ou 16 GPU H200.

Un point de contrôle quantifié NVFP4 réduit l’exigence à environ 600 gigaoctets, mais nécessite toujours une infrastructure telle que quatre GPU B300 ou huit GPU H200. Dans la pratique, de nombreuses organisations accéderont probablement à Inkling via Tinker ou des fournisseurs d’inférence tiers plutôt que d’héberger directement le modèle complet.

Équilibrer la résistance à la censure avec des contrôles de sécurité

L’un des objectifs de conception les plus inhabituels d’Inkling est ce que Thinking Machines décrit comme une résistance à la censure. La société déclare qu’elle a spécifiquement entraîné le modèle pour répondre à des questions sur des sujets qui peuvent être politiquement ou institutionnellement sensibles plutôt que de les refuser automatiquement.

Cognition a évalué Inkling à l’aide de son benchmark de propagande et de censure, et Thinking Machines a déclaré que le modèle a démontré de fortes tendances de « non-conformité à la censure ». L’idée sous-jacente est qu’un modèle ouvert ne devrait pas hériter de restrictions politiques ou d’opinions standardisées simplement parce que celles-ci ont été intégrées par son développeur d’origine.

Cela ne signifie pas qu’Inkling est conçu pour répondre à chaque demande. La société a également entraîné le modèle pour refuser les instructions liées aux armes, à la violence, à l’abus de cybernétique, aux menaces chimiques ou biologiques, à la manipulation et à d’autres activités dangereuses.

Inkling a obtenu un score de 78 % sur la partie adverse du benchmark de sécurité FORTRESS et a correctement répondu à 95,9 % des questions benignes conçues pour ressembler à des demandes nuisibles. Il a également obtenu un score de 98,6 % sur StrongREJECT, qui mesure si les modèles refusent des instructions clairement dangereuses. Thinking Machines déclare que cette combinaison indique que le modèle peut maintenir des contrôles de sécurité sans bloquer excessivement les questions légitimes, bien que l’effet de l’affinage tiers ultérieur reste un problème de recherche ouvert.

De la direction d’OpenAI à une startup de 12 milliards de dollars

Thinking Machines Lab a été officiellement lancé en février 2025, plusieurs mois après le départ de Murati d’OpenAI. Elle avait occupé le poste de directrice technique d’OpenAI lors des lancements de produits tels que ChatGPT, DALL-E et les premiers systèmes de voix et multimodaux de la société.

L’équipe originale comprenait environ 30 chercheurs et ingénieurs recrutés chez OpenAI, Meta, Mistral et d’autres organisations d’IA. Près des deux tiers de ses employés au lancement avaient précédemment travaillé chez OpenAI. Le groupe fondateur comprenait le co-fondateur d’OpenAI John Schulman, Barret Zoph, Lilian Weng, Andrew Tulloch et Luke Metz, apportant une expérience dans l’apprentissage par renforcement, l’alignement de modèle, l’IA multimodale, le préentraînement et le post-entraînement.

Seulement cinq mois après son lancement, Thinking Machines a levé environ 2 milliards de dollars à une valorisation de 12 milliards de dollars. Andreessen Horowitz a mené le tour, avec la participation de Nvidia, Accel, ServiceNow (NOW ), Cisco, AMD et la société de trading quantitatif Jane Street.

Nvidia a depuis élargi sa relation avec la société via un partenariat stratégique pluriannuel. Annoncé en mars 2026, l’accord prévoit le déploiement d’au moins un gigawatt de systèmes Nvidia Vera Rubin de nouvelle génération pour prendre en charge la formation de modèles et les plateformes d’IA personnalisables de Thinking Machines. Nvidia a également effectué un investissement supplémentaire dans la société.

Inkling reflète un pari plus large sur l’IA décentralisée

Thinking Machines soutient que la plupart des systèmes d’IA sont formés par un petit nombre de sociétés, puis distribués sous forme de produits largement fixes. Son alternative est un écosystème dans lequel les entreprises et les individus peuvent continuellement adapter les modèles en utilisant leurs propres connaissances, préférences et jugement.

Cette philosophie aide à expliquer pourquoi Inkling est publié avec des poids téléchargeables plutôt que d’être proposé exclusivement via une interface propriétaire. Elle relie également le modèle à Tinker, qui fournit l’infrastructure d’entraînement nécessaire pour modifier le comportement sans forcer chaque organisation à assembler son propre grand cluster de GPU.

Il existe encore une tension entre cette vision et les réalités pratiques de la publication. Inkling est suffisamment ouvert pour être téléchargé et modifié, mais suffisamment grand pour que seules les organisations bien financées puissent réalistiquement héberger le modèle complet. Ses données d’entraînement sont décrites en catégories générales plutôt que documentées de manière exhaustive, et la personnalisation peut potentiellement affaiblir les contrôles de sécurité intégrés dans le point de contrôle d’origine.

La publication donne néanmoins aux développeurs occidentaux une autre option de modèle à poids ouverts de grande taille à un moment où la plupart des modèles personnalisables les plus compétitifs proviennent de laboratoires chinois tels que DeepSeek, Alibaba, Moonshot AI et Zhipu AI. Reuters a noté que le développement de poids ouverts en Occident a perdu de son élan alors que plusieurs grandes sociétés américaines ont basculé vers des stratégies plus propriétaires.

Ce que signifie Inkling pour l’IA

L’importance d’Inkling peut dépendre moins du fait qu’il mène chaque benchmark et plus de la capacité des développeurs à le transformer en systèmes spécialisés qui surpassent les modèles généralistes dans des domaines plus étroits.

Les sociétés du secteur financier, de la santé, de l’ingénierie, de la cybersécurité, de la recherche scientifique et du développement de logiciels possèdent souvent des connaissances internes précieuses qui sont mal représentées dans les données d’entraînement publiques. Un modèle de base à poids ouverts capable, combiné à une infrastructure d’apprentissage par renforcement et d’affinage accessible, pourrait permettre à ces organisations d’encoder davantage de ces expertises directement dans le comportement du modèle.

En même temps, le modèle devra prouver que ses allégations d’efficacité se traduisent par des coûts de déploiement totaux inférieurs, en particulier une fois que l’infrastructure, le volume d’inférence, l’affinage, la surveillance et les tests de sécurité sont pris en compte. Les chercheurs indépendants devront également examiner ses performances de benchmark, ses capacités multilingues, sa neutralité politique, ses taux d’hallucination et sa résistance à la dégradation de la sécurité après personnalisation.

Thinking Machines est entré sur le marché avec une équipe inhabituellement expérimentée, un financement d’investisseurs considérable et des engagements d’infrastructure normalement associés à des laboratoires d’IA beaucoup plus anciens. Inkling est la première occasion pour la société de démontrer que ces ressources peuvent produire plus que des plans de recherche ambitieux et des plateformes d’entraînement.

Le modèle ne détrône pas les systèmes propriétaires de pointe, et Thinking Machines Lab ne prétend pas qu’il le fait. Au lieu de cela, Inkling offre une proposition différente : que l’avenir de l’IA avancée peut être façonné non seulement par qui entraîne le modèle généraliste le plus puissant, mais également par qui offre aux développeurs la fondation la plus solide pour construire leurs propres modèles.