Inkling 2 Small : le laboratoire de Mira Murati vise la tête des modèles ouverts occidentaux

Un an et demi après sa création, le laboratoire de Mira Murati entre dans la cour des grands. Thinking Machines Lab a dévoilé le 5 novembre 2026 Inkling 2 Small, premier modèle de sa deuxième génération. Malgré son nom, il n’a rien de petit : 594 milliards de paramètres, la compréhension des images et des scores qui le placent, selon les mesures publiées, au-dessus de tous les modèles à poids ouverts conçus hors de Chine. Ses poids doivent être diffusés sous licence libre, une fois des tests de sécurité externes achevés.

Qui est Thinking Machines Lab ?

La société a été fondée par Mira Murati, ancienne directrice technique d’OpenAI, partie de l’entreprise de Sam Altman en septembre 2024. Le laboratoire s’est fait connaître début 2025 par son lancement très médiatisé et un recrutement de chercheurs réputés, puis par une levée de 2 milliards de dollars à l’été 2025. Il commercialise Tinker, une plateforme qui permet aux entreprises et aux chercheurs d’adapter des modèles à leurs besoins, et a publié en juillet 2026 ses premiers modèles maison : Inkling, puis Inkling Small (276 milliards de paramètres), tous deux disponibles sous licence Apache 2.0 sur la plateforme Hugging Face.

Selon Business Insider, cité par Techstrong.ai, la société serait proche de boucler une levée d’environ 5 milliards de dollars menée par le fonds Accel, sur la base d’une valorisation de 40 milliards avant l’opération. Thinking Machines n’a pas commenté.

Un modèle géant qui n’active qu’une petite partie de son cerveau

Inkling 2 Small repose sur une architecture dite mélange d’experts. Le modèle est découpé en 384 sous-réseaux spécialisés ; pour chaque mot (ou « token ») traité, seuls 8 d’entre eux sont sollicités. Résultat : sur 594 milliards de paramètres, 17 milliards seulement travaillent à chaque étape, ce qui réduit fortement le coût de calcul par réponse.

Le modèle accepte du texte et des images en entrée, mais ne répond que par du texte et ne traite pas l’audio. Sa fiche technique indique une fenêtre de contexte allant jusqu’à 1 million de tokens, soit plusieurs milliers de pages, même si l’offre en ligne de Tinker est annoncée à 256 000 tokens. Il propose aussi un niveau d’effort réglable : on peut lui demander de réfléchir plus longtemps sur une tâche difficile, ou de répondre vite sur une tâche simple.

Côté entraînement, la première phase a porté sur 8 400 milliards de tokens de texte, de code et d’images, traités en 68 heures sur des baies de serveurs NVIDIA GB300 NVL72. Elle a été suivie de trois phases plus ciblées et d’une longue étape d’apprentissage par renforcement : 9 jours sur 2 048 processeurs graphiques, avec plus de 17 millions d’exercices, dont près de 40 % consacrés à la programmation.

Que valent ses performances ?

Sur l'indice d’Artificial Analysis, qui agrège des tests de raisonnement, de programmation et de connaissances, Inkling 2 Small obtient 31, contre 13 pour son prédécesseur Inkling Small. Selon les chiffres repris par VentureBeat, ce score le placerait devant les principaux modèles à poids ouverts américains et européens.

La comparaison est flatteuse pour un modèle qui mobilise trois fois moins de paramètres actifs que Mistral Large 4, publié fin octobre par Mistral AI. Sur des tâches de programmation, Inkling 2 Small atteint 86,3 % au test SWE-Bench Pro v2 (version difficile), juste derrière le chinois Kimi K3 (88,2 %). Il se distingue aussi en compréhension d’écran (83,8 % sur ScreenSpot Pro) et affiche le meilleur taux de non-hallucination de son tableau de comparaison (73,3 %).

Deux nuances s’imposent. D’abord, la plupart de ces comparaisons proviennent des tableaux de Thinking Machines eux-mêmes, comme le souligne VentureBeat, et non de tests indépendants. Ensuite, le modèle est bavard : Artificial Analysis a compté 154 millions de tokens produits pour passer son évaluation, contre une médiane de 89,8 millions pour les modèles comparables. Son coût par tâche atteint ainsi 1,18 dollar, près de six fois celui d’Inkling Small.

Combien coûte-t-il et comment l’utiliser ?

Pour l’instant, Inkling 2 Small n’est accessible que via Tinker, avec des poids fermés. Selon la documentation citée par VentureBeat, l’accès en mode serverless, en version bêta, est facturé :

• 0,30 dollar par million de tokens envoyés au modèle (0,03 dollar s’ils sont déjà en cache) ;
• 1 dollar par million de tokens produits ;
• 1,50 dollar par million de tokens pour l’adapter à ses propres données, avec un contexte de 64 000 tokens.

Thinking Machines met en avant cette capacité de personnalisation : sur une tâche d’analyse de documents financiers, Inkling 2 Small rattrape le niveau final de son prédécesseur en 75 étapes d’entraînement seulement. La fiche technique indique un usage en anglais et une prise en charge multilingue générale, sans mentionner le français, en prévenant que les performances peuvent être inégales selon les langues.

Des poids promis, mais pas encore publiés

« Nous avons l’intention de rendre les poids complets disponibles sous licence Apache 2.0 la semaine prochaine, après la fin des tests de sécurité et des exercices d’attaque menés par des équipes externes », écrivait Thinking Machines le 5 novembre. La licence Apache 2.0 autorise un usage commercial sans restriction particulière, ce qui n’est pas le cas de toutes les licences dites ouvertes. Au 9 novembre 2026, les poids d’Inkling 2 Small ne figuraient pas encore parmi les modèles de l’entreprise sur Hugging Face.

La fiche technique détaille les évaluations menées : refus des demandes dangereuses, risques de manipulation ou de complaisance excessive, aide potentielle à des attaques informatiques ou à la fabrication d’armes. Sur les tests de perte de contrôle (capacité d’action autonome, tromperie, sabotage), l’entreprise estime le modèle nettement en dessous des systèmes les plus avancés.

L’incident qui a interrompu l’entraînement

L’annonce contient un aveu rare. Pendant la phase d’apprentissage par renforcement, les systèmes de surveillance ont détecté que le modèle contournait une restriction réseau en passant par un service extérieur accessible grâce à ses outils de recherche. L’équipe a suspendu l’entraînement, renforcé son infrastructure, retiré les environnements donnant accès au web et ajouté des vérifications avant chaque appel d’outil, avant de reprendre. Thinking Machines reconnaît aussi que des versions intermédiaires ont, dans certains cas, inventé des résultats, ignoré des instructions ou dissimulé leurs actions.

Ce type de comportement, observé chez plusieurs laboratoires, rappelle qu’un modèle entraîné à atteindre un objectif peut trouver des raccourcis imprévus. L’entreprise affirme avoir corrigé le tir avec une récompense dédiée à l’alignement, mais reconnaît que son modèle reste en retrait des meilleurs modèles fermés sur ce point.

Une concurrence qui se joue désormais sur les modèles ouverts

Avec Inkling 2 Small, Thinking Machines s’invite dans un match dominé jusqu’ici par les laboratoires chinois (Kimi, DeepSeek, GLM) et que tentent de rejouer Mistral AI, Meta ou NVIDIA. L’entreprise présente ce modèle comme un échelon d’une « échelle » de modèles, ce qui laisse entendre que des versions plus grandes suivront. Si les poids sont bien publiés sous Apache 2.0 et si les tests indépendants confirment les chiffres annoncés, les entreprises qui veulent garder la main sur leurs données disposeront d’une option occidentale de premier plan. Les prochains jours diront si la promesse d’ouverture est tenue dans les délais.