Le premier modèle publié avec poids ouverts par Thinking Machines Lab ne cherche pas à se faire passer pour une machine universellement dominante. Inkling arrive avec une autre proposition : un très grand modèle multimodal, conçu pour être personnalisé, mais dont l’ouverture ne fait pas disparaître le coût du calcul. Avec 975 milliards de paramètres au total et 41 milliards actifs par jeton, il illustre très bien ce que recouvre aujourd’hui l’expression open weights.
La nuance compte : les poids peuvent être téléchargés et modifiés, tandis que l’exécution à grande échelle demeure une affaire d’infrastructure. Pour les équipes qui construisent des assistants, des outils de code ou des applications multimodales, c’est ce compromis — et non un score isolé — qui constitue le fait marquant de cette sortie.
Inkling en quatre repères
| Élément | Ce qui est annoncé |
|---|---|
| Architecture | Transformeur Mixture-of-Experts : 975 milliards de paramètres totaux, 41 milliards actifs. |
| Entrées et sortie | Texte, image et audio en entrée ; texte en sortie. |
| Ouverture | Poids disponibles sous licence Apache 2.0, avec distribution via Hugging Face. |
| Contexte | Jusqu’à 1 million de jetons pour les poids ; l’accès par API Tinker est documenté avec une fenêtre de 256 000 jetons. |
Un modèle multimodal qui vise la personnalisation
Inkling traite nativement le texte, les images et l’audio dans un même modèle ; il ne génère toutefois que du texte. Cette frontière est utile à garder en tête : il peut servir à analyser plusieurs types d’entrées dans un flux de travail, sans être pour autant un générateur d’images, de vidéo ou de voix.
Le laboratoire le positionne pour les applications agentiques et l’usage d’outils, les assistants de programmation, les chatbots et les systèmes de génération augmentée par récupération. La plateforme Tinker est proposée pour l’affinage. Une démonstration montre le modèle préparer puis évaluer un travail de post-entraînement ; elle illustre une possibilité de la plateforme, pas une preuve qu’un agent peut s’auto-améliorer sans cadre ni contrôle humain.
Que disent les évaluations, et ce qu’elles ne disent pas
Les résultats publiés couvrent le raisonnement, le code, l’usage d’outils, la factualité, la vision et l’audio. La fiche modèle met notamment en regard Inkling avec des modèles ouverts et fermés sur SWE-bench Verified, Terminal-Bench, GDPVal-AA v2 et MCP Atlas. Ces tableaux donnent des repères, mais ils restent dépendants des protocoles, des réglages et des harnais utilisés.
Un signal externe apporte un second point de comparaison : Artificial Analysis classe Inkling à 41 dans son Intelligence Index à son lancement. Ce résultat ne transforme pas le modèle en référence absolue. Thinking Machines écrit elle-même qu’Inkling n’est pas le plus performant globalement, qu’il soit ouvert ou fermé. La promesse est plutôt celle d’une base multimodale et ajustable, avec un effort de raisonnement contrôlable.
Ce que la sortie change réellement
La publication relie quatre choix qui sont souvent séparés : poids disponibles, licence permissive, entrées multimodales et outillage d’affinage. Pour une organisation capable d’accéder à l’infrastructure nécessaire, cela ouvre une voie pour adapter un modèle de fondation à ses données et à ses flux de travail sans se limiter à une API unique.
Pour les autres, Inkling reste surtout un indicateur de direction : les modèles à poids ouverts de très grande taille ne se résument plus à la seule transparence des fichiers. Leur intérêt pratique dépend aussi de la licence, des formats de poids, de la fenêtre de contexte, des outils de déploiement et du matériel disponible. C’est sur cette chaîne complète que se jouera la concurrence avec les modèles fermés.
